ANALISIS PENGARUH PENGGUNAAN KARTU PEMBAYARAN ELEKTRONIK DAN DAYA SUBSTITUSI TRANSAKSI NON TUNAI ELEKTRONIK TERHADAP TRANSAKSI TUNAI INDONESIA

ANALISIS PENGARUH PENGGUNAAN KARTU PEMBAYARAN ELEKTRONIK DAN DAYA SUBSTITUSI TRANSAKSI NON TUNAI ELEKTRONIK TERHADAP TRANSAKSI TUNAI INDONESIA

OLEH SIERA ROSSA SITORUS H14102004

DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR 2006

RINGKASAN

SIERA ROSSA SITORUS. Analisis Pengaruh Penggunaan Kartu Pembayaran Elektronik dan Daya Substitusi Transaksi Non Tunai Elektronik Terhadap Transaksi Tunai Indonesia (dibimbing oleh RINA OKTAVIANI).

Alat Pembayaran dengan Menggunakan Kartu (APMK) adalah seluruh instrumen sistem pembayaran yang pada umumnya berbasis kartu antara lain: kartu Anjungan Tunai Mandiri, kartu kredit, kartu debit, serta jenis kartu lain yang dapat digunakan sebagai alat pembayaran seperti misalnya kartu smart, e-wallet, serta beberapa alat pembayaran lain yang dapat dipersamakan dengan kartu (Bank Indonesia, 2005). Sampai saat ini Bank Indonesia mencatat telah ada 22 penerbit kartu kredit yang terdiri dari dua puluh bank dan dua lembaga selain bank. Sementara itu sudah terdapat 62 buah bank menerbitkan kartu ATM dan yang sembilan diantaranya kartu ATM tersebut sudah dapat pula digunakan sebagai kartu debit. Bank Indonesia menyadari keuntungan yang diperoleh negara ketika sistem pembayaran diarahkan ke pembayaran non tunai. Penggunaan transaksi non tunai dapat mengurangi biaya moneter pencetakan dan peredaran uang kertas. Perkembangan transaksi pembayaran menuju cash-less society merupakan arah perubahan yang tidak bisa dihindari. Perkembangan teknologi informasi dan inovasi sistem pembayaran mengarah pada penggunaan alat pembayaran yang makin efisien, aman, nyaman dan cepat. Inovasi itu tidak saja pada berkembangnya penggunaan instrumen pembayaran berbasis kertas (paper based), penggunaan alat pembayaran dengan menggunakan kartu (card based), dan pembayaran secara elektronik (electronic based) tetapi juga sudah disertai dengan makin cepatnya proses penyelesaian setelmennya. Upaya peningkatan penggunaan pembayaran non tunai yang dipersiapkan Bank Indonesia menuju cash-less society tidak lain adalah upaya untuk mewujudkan sistem pembayaran yang efektif dan efisien. Harus diakui pengembangan cash-less society saat ini masih menghadapi kendala karena memegang uang adalah kebiasaan atau budaya dari masyarakat Indonesia. Dengan demikian harus ada pensubstitusian transaksi non tunai terhadap transaksi tunai. Berdasarkan data perkembangan penggunaan APMK dan nilai transaksi non tunai lainnya maka penulis ingin menganalisis pengaruh penggunaan kartu pembayaran elektronik dan daya substitusi transaksi non tunai elektronik terhadap transaksi tunai di Indonesia. Tujuan penelitian ini adalah untuk menganalisis bagaimana pengaruh penggunaan kartu pembayaran elektronik, dalam hal ini kartu kredit, kartu debit, dan kartu ATM, terhadap transaksi tunai dan daya substitusi transaksi non tunai terhadap transaksi tunai Indonesia. Adapun tujuan ini dijawab dengan menggunakan dua model persamaan yang diadopsi dari jurnal Snelman, Vesalla, dan Humphrey (2000) yaitu ”Substitution of noncash payment instruments for cash in Europe”.

Jenis data yang digunakan adalah data time series bulanan dari tahun 2002: bulan 1 sampai 2005: bulan 12. Seluruh data adalah data sekunder yang diperoleh dari Direktorat Akunting dan Sistem Pembayaran, Bank Indonesia. Variabelvariabel yang digunakan adalah pendapatan nasional (GDP), SBI 30 hari, jumlah pemegang kartu kredit, jumlah pemegang kartu debit, jumlah pemegang kartu ATM, jumlah mesin ATM, nilai transaksi APMK, nilai transaksi BI-RTGS, dan nilai transaksi kliring. Untuk menjawab permasalahan yang dirumuskan, maka ada dua metode analisis data yang digunakan dalam penelitian ini. Estimasi terhadap pengaruh penggunaan kartu pembayaran elektronik dan daya substitusi transaksi non tunai terhadap transaksi tunai Indonesia pada jangka panjang dilakukan dengan menggunakan uji kointegrasi Engel Granger. Sedangkan estimasi terhadap transaksi tunai dan kemungkinannya tersubstitusi oleh transaksi non tunai Indonesia dinamis (jangka pendek) menggunakan error correction model (ECM). Penggunaan ECM dikarenakan metode ini mampu menggabungkan efek jangka panjang dan efek jangka pendek. Hasil penelitian ini membuktikan adanya hubungan yang signifikan untuk jangka panjang antara penggunaan kartu pembayaran elektronik terhadap transaksi tunai dari perkembangan jumlah pemegang kartu ATM dan nilai transaksi APMKnya. Peningkatan volume transaksi non tunai yaitu transaksi APMK dan BI-RTGS mampu mensubstitusi transaksi tunai. Meskipun proporsi pensubstitusian transaksi APMK masih relatif sedikit namun dalam jangka panjang korelasi negatif ini signifikan secara statistik.

ANALISIS PENGARUH PENGGUNAAN KARTU PEMBAYARAN ELEKTRONIK DAN DAYA SUBSTITUSI TRANSAKSI NON TUNAI ELEKTRONIK TERHADAP TRANSAKSI TUNAI INDONESIA

Oleh SIERA ROSSA SITORUS H14102004

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi

DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR 2006

INSTITUT PERTANIAN BOGOR FAKULTAS EKONOMI DAN MANAJEMEN DEPARTEMEN ILMU EKONOMI

Dengan ini menyatakan bahwa skripsi yang disusun oleh, Nama Mahasiswa

: Siera Rossa Sitorus

Nomor Registrasi Pokok : H14102004 Departemen

: Ilmu Ekonomi

Judul Skripsi

: Analisis Pengaruh Penggunaan Kartu Pembayaran Elektronik dan Daya Substitusi Transaksi Non Tunai Elektronik terhadap Transaksi Tunai Indonesia

dapat diterima sebagai syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor.

Menyetujui, Dosen Pembimbing

Dr. Ir. Rina Oktaviani, MS. NIP. 131 846 872

Mengetahui, Ketua Departemen Ilmu Ekonomi

Dr. Ir. Rina Oktaviani, MS. NIP. 131 846 872 Tanggal Kelulusan :

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI ADALAH BENAR-BENAR HASIL KARYA SAYA SENDIRI YANG BELUM PERNAH DIGUNAKAN

SEBAGAI

SKRIPSI

ATAU

KARYA

ILMIAH

PADA

PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.

Bogor, November 2006

Siera Rossa Sitorus H14102004

RIWAYAT HIDUP

Penulis bernama Siera Rossa Sitorus, lahir pada tanggal 15 September 1984 di kota Medan. Penulis adalah bungsu dari empat bersaudara, dari pasangan Pantas Sitorus dan Ivonne Senduk. Jenjang pendidikan penulis dilalui tanpa hambatan yang berarti. Penulis menamatkan sekolah dasar pada SD St. Antonius V di Medan, kemudian melanjutkan ke SLTP Katholik Trisakti I di Medan dan lulus pada tahun 1999. Pada tahun yang sama penulis diterima di SMU Negeri 5 Medan dan lulus pada tahun 2002. Melalui jalur Undangan Seleksi Masuk IPB (USMI) penulis diterima di Institut Pertanian Bogor (IPB) sebagai mahasiswa angkatan 2002. Penulis diterima sebagai mahasiswa Departemen Ilmu Ekonomi pada Fakultas Ekonomi dan Manajemen (FEM). IPB menjadi pilihan penulis dalam melanjutkan pendidikan formal yang lebih tinggi dengan harapan besar agar dapat menggali ilmu dan mengembangkan pola pikir, sehingga menjadi pribadi yang lebih baik, berguna, dan mampu meraih impian di masa depan kelak. Selama menjadi mahasiswa penulis aktif di Unit Kegiatan Mahasiswa Persekutuan Mahasiswa Kristen (PMK)-IPB, Komisi Kesenian PMK-IPB sebagai anggota dan pernah menjadi bendahara untuk satu masa kepengurusan. Penulis juga berkesempatan mengikuti program pemagangan bakti BCA dan menjadi penyiar radio komunitas IPB, AgriFM.

Sebab Aku ini mengetahui rancangan-rancangan apa yang ada padaKu mengenai kamu, demikianlah firman TUHAN, yaitu rancangan damai sejahtera dan bukan rancangan kecelakaan, untuk memberikan kepadamu hari depan yang penuh harapan. (Yeremia 29:11)

KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa karena hanya atas berkat dan kasihNya penulis dapat menyelesaikan skripsi dengan judul “Analisis Pengaruh Penggunaan Kartu Pembayaran Elektronik dan Daya Substitusi Transaksi Non Tunai Elektronik Terhadap Transaksi Tunai Indonesia”. Penelitian mengenai sistem pembayaran non tunai elektronik ini penulis lakukan atas dasar keingintahuan akan keadaan sistem pembayaran non tunai elektronik di Indonesia. Isu ini juga merupakan hal yang penting dibahas sejak sistem pembayaran elektronik memberikan efisiensi dan efektifitas dalam proses transaksi. Kecenderungan

ini

mendorong

banyak

negara

berupaya

untuk

mengimplementasikannya, termasuk Indonesia yang berupaya mewujudkan cashless society pada waktu mendatang. Penelitian ini dilakukan di Bogor dengan menggunakan seluruh data sekunder yang diperoleh dari Direktorat Akunting dan Sistem Pembayaran, Bank Indonesia. Penulis mengucapkan terima kasih yang sebesar-besarnya kepada semua pihak yang telah membantu dalam proses penyelesaian skripsi ini. Secara khusus penulis mengucapkan terimakasih dan penghargaan kepada: 1. Ibu Rina Oktaviani, Ph. D, sebagai Dosen Pembimbing yang telah banyak membantu memberikan saran dan dorongan kepada penulis. 2. Bapak Parulian Hutagaol, Ph.D, sebagai Dosen Penguji yang telah banyak memberikan

kritikan

dan

saran

yang

sangat

berharga

dalam

penyempurnaan skripsi ini. 3. Ibu Fifi Diana Thamrin, M.Si, sebagai Komisi Pendidikan yang memberikan saran dan kritikan dalam memperbaiki pola penulisan dan ejaan skripsi ini. 4. Papa dan Mamaku tersayang, Bapak Ir. Pantas Sitorus dan Ibu Ivonne Senduk, yang dengan kasih selalu mendoakanku dan dengan sabar memberi dorongan semangat setiap waktu.

5. Kakak-kakakku tersayang, Kak Nova, Kak Joice, dan Bang Boni yang selalu mendukung semua kegiatanku, mendoakanku, dan memberikan semangat dalam menyelesaikan skripsi ini. 6.

Rini, Rina, Hani, Ulan, dan Uthe yang selalu memberikan semangat setiap waktu. Terima kasih untuk waktu, kebersamaan, dukungan, kasih sayang dan doa yang menyertaiku. Kalian menjadi bagian indah dalam kenangan hidupku. Thanx for the keyword ”SEMANGAT!!”.

7. Teman-teman

Komisi

Kesenian

PMK-IPB,

yang

telah

menjadi

keluargaku, tempat aku bertumbuh, berbagi dan belajar mengasihi. Terima kasih untuk semua dukungan semangat dan doanya. I thank God for knowing you friends. 8. Teman-teman ekbang 39 atas segala dukungan, bantuan, semangat, dan doa. Terima kasih untuk kebersamaan kita. 9. Teman-temanku di Serena dan Joglo, yang memberikan keceriaan dan semangat baru setiap hari. 10. Keluarga besarku dimanapun kalian berada. Terima kasih untuk dukungan dan doa yang selalu menyertaiku. 11. Semua pihak yang telah banyak memberikan dorongan, bantuan dan doa kepada penulis dalam menyelesaikan skripsi ini. Terima kasih banyak. Penulis menyadari bahwa skripsi ini masih jauh dari sempurna. Namun, besar harapan penulis semoga karya ini dapat bermanfaat bagi penulis, pembaca dan perbankan Indonesia.

Bogor, November 2006

Siera Rossa Sitorus H14102004

DAFTAR ISI

Halaman DAFTAR TABEL................................................................................................. ix DAFTAR GAMBAR .............................................................................................. x DAFTAR LAMPIRAN......................................................................................... xi DAFTAR SINGKATAN .................................................................................... xii I. PENDAHULUAN ............................................................................................ 1 1.1. Latar Belakang .......................................................................................... 1 1.2. Permasalahan ............................................................................................ 6 1.3. Tujuan Penelitian ...................................................................................... 9 1.4. Manfaat Penelitian .................................................................................. 10 1.5. Ruang Lingkup........................................................................................ 11 II. TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN ......................... 12 2.1. Sistem Pembayaran ................................................................................. 12 2.1.1. Definisi Sistem Pembayaran ......................................................... 12 2.1.2. Evolusi Sistem Pembayaran.......................................................... 13 2.1.3. Sistem Pembayaran Elektronik ..................................................... 15 2.2. Teori Kuantitas Uang .............................................................................. 18 2.3. Penelitian Terdahulu ............................................................................... 24 2.4. Kerangka Pemikiran................................................................................ 26 2.5. Hipotesis Penelitian................................................................................. 29 III. METODE PENELITIAN................................................................................ 30 3.1. Jenis dan Sumber Data ............................................................................ 31 3.2. Model Penelitian ..................................................................................... 35 3.3. Metode Analisis Data.............................................................................. 34 3.3.1. Uji Akar Unit ................................................................................ 36 3.3.2. Uji Kointegrasi .............................................................................. 38 3.3.3. Error Correction Model (ECM) ................................................... 40 4.3.4. Uji Kebaikan Model...................................................................... 42 IV. GAMBARAN UMUM PEMBAYARAN NASIONAL ................................. 44

4.1. Cara Pembayaran Indonesia.................................................................... 48 4.2. Sistem Penyelesaian Transaksi Antar Bank............................................ 50 V. HASIL DAN PEMBAHASAN....................................................................... 51 5.1. Persamaan Untuk Menganalisis Pengaruh Penggunaan Kartu Pembayaran Elektronik Terhadap Transaksi Tunai ................................ 51 5.1.1. Uji Kointegrasi .............................................................................. 53 5.1.2. Hasil Estimasi Model Persamaan Jangka Panjang........................ 54 5.1.3. Uji Kebaikan Model Persamaan Jangka Pendek........................... 60 5.1.4. Hasil Estimasi Jangka Pendek....................................................... 62 5.2. Persamaan Untuk Menganalisis Daya Substitusi Transaksi Non Tunai Terhadap Transaksi Tunai yang Terjadi di Indonesia........... 64 5.2.1. Uji Kointegrasi .............................................................................. 66 5.2.2. Hasil Estimasi Model Persamaan Jangka Panjang........................ 67 5.2.3. Uji Kebaikan Model Persamaan Jangka Pendek........................... 70 5.2.4. Hasil Estimasi Jangka Pendek....................................................... 71 VI. KESIMPULAN DAN SARAN....................................................................... 74 6.1. Kesimpulan ............................................................................................. 74 6.2. Saran........................................................................................................ 75 DAFTAR PUSTAKA ........................................................................................... 77 LAMPIRAN.......................................................................................................... 79

DAFTAR TABEL

Nomor

Halaman

1.1.

Jumlah Pemegang Alat Pembayaran Menggunakan Kartu .......................... 2

3.1.

Nama, Simbol, dan Sumber Data ............................................................... 30

4.1.

Nilai Transaksi e-commerce B2B Indonesia 1998-2005 ............................ 47

5.1.

Uji Akar Unit pada Level ........................................................................... 52

5.2.

Uji Akar Unit pada First Difference .......................................................... 52

5.3.

Persamaan Jangka Panjang Pengaruh Penggunaan Kartu Pembayaran Elektronik terhadap Transaksi Tunai .................................... 53

5.4.

Uji Kointegrasi Persamaan Pengaruh Penggunaan Kartu Pembayaran Elektronik terhadap Transaksi Tunai .................................... 54

5.5.

Hasil Uji Autokorelasi Breusch-Godfrey Serial Correlation LM Test .................................................................................. 61

5.6.

Hasil Uji Heteroskedastisitas ..................................................................... 61

5.7.

Hasil Uji Normalitas dengan Histogram-Normality Test .......................... 61

5.8.

Hasil Estimasi Persamaan Jangka Pendek Pengaruh Penggunaan Kartu Pembayaran Elektronik terhadap Transaksi Tunai .......................... 62

5.9.

Hasil Estimasi Persamaan Jangka Pendek Pengaruh Penggunaan Kartu Pembayaran Elektronik terhadap Transaksi Tunai yg Signifikan .... 63

5.10. Uji Akar Unit pada Level ........................................................................... 65 5.11. Uji Akar Unit pada First Difference .......................................................... 66 5.12. Persamaan Jangka Panjang Daya Substitusi Transaksi Non Tunai terhadap Transaksi Tunai ........................................................................... 66 5.13. Uji Kointegrasi Persamaan Daya Substitusi Transaksi Non Tunai terhadap Transaksi Tunai ........................................................................... 67 5.14. Hasil Uji Autokorelasi dengan Breusch-Godfrey Serial Correlation LM Test.................................................................................... 70 5.15. Hasil Uji Heteroskedastisitas ..................................................................... 70 5.16. Hasil Uji Normalitas dengan Histogram-Normality Test .......................... 71 5.17. Hasil Estimasi Persamaan Jangka Pendek Daya Substitusi Transaksi Non Tunai terhadap Transaksi Tunai yang Signifikan .............................. 72

DAFTAR GAMBAR

Nomor

Halaman

1.1. Perkembangan transaksi tunai dan non tunai di Indonesia ..............................7 2.1. Ilustrasi sederhana proses sistem pembayaran ..............................................12 2.2. Mekanisme transaksi pembayaran elektronik ...............................................19 2.3. Kerangka Pemikiran Penelitian .................................................................... 28 5.1. Jumlah mesin dan volume transaksi ATM Indonesia .................................. 57

DAFTAR LAMPIRAN

Nomor

Halaman

1.

Data-Data Penelitian (data mentah), persamaan pertama ..............................80

2.

Uji Kestasioneran data ..................................................................................82

3.

Hasil Estimasi Jangka Panjang Persamaan Pertama .....................................93

4.

Uji Kointegrasi Persamaan Pertama ............................................................. 94

5.

Hasil Estimasi Jangka Pendek Persamaan Pertama ..................................... 95

6.

Uji Autokorelasi Persamaan ECM .................................................................96

7.

Uji Heteroskedastisitas Persamaan ECM.......................................................97

8.

Uji Normalitas Persamaan ECM....................................................................98

9.

Data-Data Penelitian (data mentah), persamaan kedua..................................99

10. Uji Kestasioneran Data ................................................................................101 11. Hasil Estimasi Jangka Panjang Persamaan Kedua.......................................105 12. Uji Kointegrasi Persamaan Kedua ...............................................................106 13. Hasil Estimasi Persamaan Jangka Pendek Persamaan Kedua.....................107 14. Uji Autokorelasi Persamaan ECM ...............................................................108 15. Uji Heteroskedastisitas Persamaan ECM.....................................................109 16. Uji Normalitas Persamaan ECM..................................................................110

DAFTAR SINGKATAN

ADF

= Augmented Dickey Fuller

APMK

= Alat Pembayaran dengan Menggunakan Kartu

ARCH

= Autoregressive Conditional Heteroskedasticity

ATM

= Automatic Teller Machine

BI-RTGS

= Bank Indonesia-Real Time Gross Settlement System

BLUE

= Best Linier Unbiased Estimator

ECM

= Error Correction Model

ECT

= Error Correction Term

EFT-POS

= Electronic Fund Transfer-Point of Sale

GDP

= Gross Domestic Product

OLS

= Ordinary Least Square

PDB

= Produk Domestik Bruto

POS

= Point of Sale

SBI

= Sertifikat Bank Indonesia

SIC

= Schwarz Information Criterion

I. PENDAHULUAN

1.1.

Latar Belakang Sistem pembayaran elektronik saat ini menjadi isu yang penting

dibicarakan. Besarnya respon masyarakat akan kemudahan transaksi dan gencarnya pihak bank menawarkan fasilitas ini terefleksi dari makin banyaknya bank dan lembaga selain bank yang terlibat dalam penyediaan fasilitas pembayaran elektronik. Menurut Bank Indonesia (2005), Alat Pembayaran dengan Menggunakan Kartu (APMK) adalah seluruh instrumen sistem pembayaran yang pada umumnya berbasis kartu antara lain: kartu Anjungan Tunai Mandiri, kartu kredit, kartu debit, serta jenis kartu lain yang dapat digunakan sebagai alat pembayaran seperti misalnya kartu smart, e-wallet, serta beberapa alat pembayaran lain yang dapat dipersamakan dengan kartu. Sampai saat ini Bank Indonesia mencatat telah ada 22 penerbit kartu kredit yang terdiri dari dua puluh bank dan dua lembaga selain bank. Sementara itu sudah terdapat 62 buah bank yang menerbitkan kartu ATM dan yang sembilan diantaranya kartu ATM tersebut sudah dapat pula digunakan sebagai kartu debit. APMK yang paling dekat dengan masyarakat Indonesia pada saat ini adalah kartu kredit, kartu debit dan kartu ATM. Hal ini bisa dilihat dari pertumbuhan jumlah pemegang APMK yang cenderung meningkat dari tahun ke tahun. Data jumlah pemegang APMK dapat dilihat pada Tabel 1.1.

2

Tabel 1.1. Tabel Pemegang Alat Pembayaran dengan Menggunakan Kartu Tahun 1998-2000 Kartu Kartu Kartu Kartu EFT/ Tahun Kredit Debit Smart ATM POS 1998 2.028.442 5.374.376 83.190 13.169.663 46.652 1999 2.043.846 12.110.970 29.918 16.195.251 53.322 2000 2.622.604 13.103.676 25.075 18.786.094 61.934 Sumber: Laporan Tahunan Bank Indonesia (2000,2001)

Kecenderungan arah perubahan sistem pembayaran tunai menuju non tunai elektronik terjadi di banyak negara. Beberapa di antaranya, adalah Jepang dan Eropa yang menggunakan sistem pembayaran elektronik sebesar masing-masing 78 persen dan 66 persen dari total pembayaran non tunainya. Biaya yang harus dikeluarkan sebuah negara untuk membiayai sistem pembayaran dapat mencapai tiga persen dari GDP atau pendapatan nasionalnya (Humphrey, Pulley, dan Vesala, 2000). Sejak sistem pembayaran non tunai elektronik memerlukan biaya hanya sepertiga sampai setengah dari sistem pembayaran non tunai berbasis kertas (paper based) maka jelaslah bahwa biaya sosial dalam sistem pembayaran dapat dikurangi

dengan

mengimplementasikan

sistem

pembayaran

elektronik

(Humphrey, 2001). Bank Indonesia menyadari keuntungan yang diperoleh negara ketika sistem pembayaran diarahkan ke pembayaran non tunai. Penggunaan transaksi non tunai dapat mengurangi biaya moneter pencetakan dan peredaran uang kertas. Perkembangan transaksi pembayaran menuju cash-less society merupakan arah perubahan yang tidak bisa dihindari. Perkembangan teknologi informasi dan inovasi sistem pembayaran mengarah pada penggunaan alat pembayaran yang makin efisien, aman, nyaman dan cepat. Inovasi itu tidak saja pada berkembangnya penggunaan instrumen pembayaran berbasis kertas (paper

3

based), penggunaan alat pembayaran dengan menggunakan kartu (card based), dan pembayaran secara elektronik (electronic based) tetapi juga sudah disertai dengan makin cepatnya proses penyelesaian setelmennya. Potensi pengembangan instrumen sistem pembayaran non tunai di Indonesia masih sangat besar. Adanya peningkatan penggunaan APMK (card based payment instruments) yang sangat signifikan dalam beberapa tahun terakhir, adanya kemudahan dalam penggunaan dan pengembangan teknologi, kecenderungan dan tuntutan masyarakat untuk bertransaksi dengan menggunakan instrumen yang lebih efisien dan aman, serta beberapa keunggulan instrumen non tunai dibandingkan dengan penggunaan uang tunai, telah mendorong Bank Indonesia

untuk

lebih

mengupayakan

terciptanya

masyarakat

yang

berkecenderungan non tunai. Upaya yang ditempuh Bank Indonesia dalam hal ini adalah memetakan preferensi masyarakat, menggali sisi makro ekonomi, teknis operasional, legal, dan perlindungan konsumen, serta menyusun arah ke depan penggunaan instrumen non tunai, dalam suatu Grand Desain Upaya Peningkatan Penggunaan Pembayaran Non Tunai di Indonesia (Ibrahim, 2006). Hasil penelitian Sridawati (2006) membuktikan ada delapan variabel yang nyata mempengaruhi preferensi masyarakat di Indonesia dalam menggunakan kartu pembayaran elektronik, diantaranya; jenis kelamin, umur, pendidikan, pendapatan rata-rata per bulan, pengeluaran rata-rata per bulan, lokasi, teknologi dan motivasi. Faktor-faktor yang mempengaruhi ketiga kartu bervariasi. Pada kartu kredit, variabel yang mempengaruhi penggunaannya adalah pendidikan,

4

pengeluaran rata-rata per bulan, dan teknologi. Kartu debet dalam penggunaannya dipengaruhi oleh jenis kelamin, umur, pendapatan dan

motivasi, sedangkan

faktor-faktor yang terbukti mempengaruhi kartu ATM adalah umur, pendidikan, pendapatan rata-rata per bulan, dan lokasi. Sementara itu alasan perusahaan retail kecil dalam menerima sistem pembayaran elektronik dipengaruhi oleh beberapa faktor. Faktor yang mendorong kesediaan perusahaan retail kecil menerima pembayaran dalam bentuk kartu kredit dan debit adalah status badan hukum dan jumlah tenaga kerja yang dimiliki perusahaan tersebut. Kartu debit memiliki karakteristik yang hampir sama dengan kartu kredit, baik dari segi karakteristik perusahaan maupun jenis efisiensi dari sistem pembayarannya. Transfer melalui bank juga telah banyak digunakan oleh perusahaan retail kecil. Alasan penggunaannya adalah karena tingkat keamanan yang baik sehingga perusahaan tidak perlu mengkhawatirkan terjadinya pencurian atau jenis kehilangan lain (Febriyenny, 2006). Sistem pembayaran adalah suatu mekanisme yang menunjukkan adanya aliran sejumlah nilai dari pembeli ke penjual dalam sebuah transaksi. Jika dikaitkan dengan isu perkembangan sistem pembayaran elektronik yang ternyata terbukti lebih efisien dari sistem pembayaran paper based maka dapat dikatakan sistem pembayaran mengalami proses menuju yang lebih efisien. Peningkatan aktivitas masyarakat menggunakan fasilitas pembayaran elektronik ini akan mampu mempercepat transaksi, atau dengan kata lain akan mempengaruhi kecepatan perputaran uang, yang dalam hal ini mengindikasikan berapa kali sejumlah unit rupiah digunakan untuk memenuhi sebuah transaksi, di Indonesia.

5

Sederhananya, semakin sering seseorang mentransaksikan sejumlah rupiah dengan nominal tertentu dari fasilitas pembayaran elektronik, transaksi pembayaran akan semakin cepat terselesaikan dan dana yang telah dikeluarkan untuk transaksi itu dapat digunakan kembali untuk transaksi selanjutnya oleh pihak yang telah menerima dana dari transaksi pertama. Dengan demikian, semakin cepat perputaran uang akan mendorong semakin banyaknya barang dan jasa yang dapat ditransaksikan. Jenis transaksi dalam perekonomian terdiri dari transaksi tunai dan non tunai. Informasi mengenai jumlah maupun nilai transaksi tunai yang aktual dalam sebuah negara sulit diukur. Namun demikian, data transaksi tunai ini dapat diperoleh melalui proksi nilai dengan memanfaatkan informasi jumlah uang beredar dan transaksi non tunai. Penelitian terdahulu telah membuktikan bahwa perkembangan inovasi sistem pembayaran, dalam hal ini penggunaan kartu kredit, kartu debit, dan kartu ATM, mempengaruhi jumlah permintaan uang tunai, yang menurut Snellman, Vesala, dan Humphrey (2000) mampu mempengaruhi penerimaan seigniorage bank sentral dan pemerintah. Kemampuan transaksi non tunai mensubstitusi transaksi tunai dapat dijadikan gambaran bagaimana proporsi penggunaan transaksi non tunai di masa yang akan datang. Upaya peningkatan penggunaan pembayaran non tunai yang dipersiapkan Bank Indonesia menuju cash-less society tidak lain adalah upaya untuk mewujudkan sistem pembayaran yang efektif dan efisien. Harus diakui pengembangan cash-less society saat ini masih menghadapi kendala karena memegang uang adalah kebiasaan atau budaya dari masyarakat Indonesia. Dengan

6

demikian untuk mencapai sistem pembayaran yang dimaksud harus ada pensubstitusian transaksi non tunai terhadap transaksi tunai. Berdasarkan data perkembangan penggunaan APMK dan nilai transaksi non tunai lainnya maka penulis ingin menganalisis pengaruh penggunaan kartu pembayaran elektronik dan daya substitusi transaksi non tunai elektronik terhadap transaksi tunai di Indonesia.

1.2.

Permasalahan Perkembangan transaksi pembayaran menuju cash-less society merupakan

arah perubahan yang tidak dapat dihindari. Dengan keuntungan yang diperoleh negara melalui penghematan biaya transaksi, diharapkan adanya kecenderungan arah perubahan transaksi tunai menuju transaksi non tunai. Kartu kredit, kartu debit, dan kartu ATM adalah bentuk kartu pembayaran elektronik yang memfasilitasi

pembayaran

non

tunai

dan

mempermudah

masyarakat

menyelesaikan proses transaksi. Perkembangan jumlah dan nilai transaksi non tunai tercatat pada laporan bank dan lembaga penyelenggara selain bank. Sementara itu, nilai transaksi tunai yang aktual terjadi sulit diukur. Menurut Snellman, Vesala, dan Humphrey (2000) jumlah dan nilai aktual transaksi tunai penting diketahui karena berpengaruh terhadap penerimaan seigniorage bank sentral dan pemerintah. Penghitungan nilai transaksi tunai dan non tunai menjadi informasi yang merefleksikan proporsi sistem pembayaran yang ada. Dengan menggunakan pendekatan dari data jumlah pendapatan nasional (GDP) dan nilai transaksi non tunai yang tercatat pada Bank Indonesia akan diperoleh nilai transaksi tunai Indonesia.

7

Gambar 1.1 menunjukkan perkembangan transaksi tunai dan non tunai di Indonesia dengan menggunakan pendekatan data GDP. Dari grafik terlihat ada kecenderungan peningkatan transaksi non tunai yang mensubstitusi transaksi tunai. Pengembangan cash-less society saat ini masih menghadapi kendala akan budaya memegang uang tunai oleh masyarakat Indonesia. Meskipun proporsi transaksi tunai masih besar dalam aktivitas ekonomi namun penggunaan APMK (card based payment instruments) menunjukkan peningkatan yang signifikan dalam beberapa tahun terakhir. Artinya ada kecenderungan sistem pembayaran yang terjadi di Indonesia menuju sistem pembayaran non tunai yang efisien.

Nilai Transaksi Tunai dan Non Tunai Indonesia 20022005 800.00

Rp Trilyun

700.00 600.00 500.00

GDP CASH NON CASH

400.00 300.00 200.00 100.00

20

02 20 M 1 02 20 M 4 0 20 2 M 02 7 M 20 10 03 20 M1 03 20 M4 0 20 3M 03 7 M 20 1 0 04 20 M 1 04 20 M 4 0 20 4M 04 7 M 2 0 10 05 20 M1 05 20 M 4 0 20 5M 05 7 M 10

0.00

Tahun

Sumber: Data Bank Indonesia (2005), diolah

Gambar 1.1. Perkembangan transaksi tunai dan non tunai di Indonesia

Substitusi transaksi non tunai terhadap transaksi tunai yang terjadi di negara maju seperti di Eropa menunjukkan kecenderungan yang hampir sama. Penelitian Snellman, Vesala, dan Humphrey (2000) yang menganalisis pensubstitusian

8

sepuluh

negara

di

Eropa

menyimpulkan

bahwa

faktor

kunci

proses

pensubstitusian terhadap transaksi tunai adalah jumlah terminal EFTPOS (Electronic Fund Transfer at Point Of Sale) dan jumlah ATM. Jumlah terminal EFTPOS

merepresentasikan

peningkatan

penggunaan

kartu

pembayaran

elektronik, secara signifikan berpengaruh negatif terhadap jumlah suplai uang. Keberadaan ATM menurunkan biaya transaksi penarikan tunai sehingga meningkatkan frekuensi penarikan tunai. Namun, nilai rata-rata jumlah penarikan berkurang dari waktu ke waktu dan dengan demikian menurunkan jumlah uang yang dipegang masyarakat untuk transaksi tunai. Dengan kata lain keberadaan fasilitas pembayaran elektronik berpengaruh negatif terhadap transaksi tunai. Helmut Stix (2004) pun menganalisis dampak transaksi ATM dan pembayaran non tunai terhadap permintaan uang tunai di Austria. Hasil penelitiannya menunjukkan adanya pengaruh signifikan transaksi ATM terhadap permintaan tunai dalam jangka panjang. Dari analisis total penarikan tunai diperoleh angka 53 persen penarikan tunai dilakukan melalui ATM dan 37 persen melalui bank. Stix menyimpulkan pengguna ATM memegang uang tunai 42 persen lebih sedikit daripada orang yang melakukan penarikan tunai dari bank. Penurunan jumlah permintaan transaksi tunai menunjukkan kecenderungan pensubstitusian transaksi non tunai terhadap transaksi tunai di Austria. Hasil penelitian di negara maju menyimpulkan secara garis besar bahwa keberadaan fasilitas pembayaran elektronik berpengaruh negatif terhadap (mampu mensubstitusi) transaksi tunai. Di Indonesia sendiri instrumen kartu pembayaran elektronik menunjukkan peningkatan yang signifikan. Namun belum ada yang

9

dapat memastikan bahwa peningkatan ini juga berpengaruh signifikan terhadap transaksi tunai di Indonesia. Sementara itu Bank Indonesia mengupayakan peningkatan penggunaan pembayaran non tunai untuk menuju less cash society di Indonesia. Upaya yang ditempuh Bank Indonesia dalam hal ini adalah memetakan preferensi masyarakat, menggali sisi makro ekonomi, teknis operasional, legal, dan perlindungan konsumen, serta menyusun arah ke depan penggunaan instrumen non tunai. Maka untuk menuju sistem pembayaran yang efisien tersebut Indonesia perlu mengkaji keadaan sistem pembayaran yang terjadi di masyarakat dengan kehadiran APMK, sebagai salah satu bentuk fasilitas pembayaran non tunai elektronik, dan kemampuannya menggantikan budaya sistem pembayaran tunai. Dengan demikian permasalahan yang akan dibahas adalah: 1. Bagaimana pengaruh penggunaan kartu pembayaran elektronik terhadap transaksi tunai di Indonesia? 2. Bagaimana daya substitusi transaksi non tunai elektronik terhadap transaksi tunai di Indonesia?

1.3.

Tujuan Penelitian Melihat kecenderungan peningkatan penggunaan transaksi pembayaran non

tunai yang mampu mensubstitusi transaksi tunai maka tujuan dasar penelitian ini adalah: 1. Menganalisis pengaruh penggunaan kartu pembayaran elektronik terhadap transaksi tunai di Indonesia.

10

2. Menganalisis daya substitusi transaksi pembayaran non tunai terhadap transaksi pembayaran tunai di Indonesia.

1.4.

Manfaat Penelitian Transaksi pembayaran non tunai elektronik memberikan efisiensi dalam

proses transaksi ekonomi. Inti penelitian ini adalah ingin menganalisis kondisi pensubstitusian transaksi pembayaran non tunai elektronik terhadap transaksi tunai di Indonesia. Dengan demikian, penelitian ini diharapkan berguna bagi: 1. Pemerintah Mendapat informasi dan gambaran kondisi sistem pembayaran non tunai di Indonesia 2. Dunia perbankan Sebagai pihak yang mengeluarkan inovasi dalam transaksi ekonomi negara, dapat menjadikan hasil penelitian ini sebagai gambaran mengenai pengaruh perubahan pola transaksi ekonomi dan kecenderungan pensubstitusian sistem pembayaran non tunai terhadap transaksi tunai 3. Pembaca Mendapat informasi mengenai perkembangan sistem pembayaran yang terjadi di Indonesia, dalam hal ini penggunaan alat pembayaran menggunakan kartu khususnya kartu kredit, kartu debet, dan kartu ATM terhadap transaksi tunai di Indonesia

11

1.5.

Ruang Lingkup Fokus dalam penelitian ini adalah menganalisis bagaimana substitusi

transaksi pembayaran non tunai terhadap transaksi tunai yang terjadi di Indonesia. Pendekatan pertama yang digunakan untuk menjawab permasalahan pertama yaitu, menganalisis pengaruh penggunaan kartu pembayaran elektronik terhadap permintaan transaksi tunai, menggunakan variabel jumlah pemegang APMK (dalam hal ini kartu kredit, kartu debit dan kartu ATM), jumlah mesin ATM, dan total nilai transaksi APMK. Selanjutnya, untuk menjawab permasalahan kedua yaitu, menganalisis daya substitusi transaksi non tunai terhadap transaksi tunai di Indonesia, penulis menambahkan nilai transaksi kliring antar bank dan nilai transaksi BI-RTGS yang terjadi selama periode Januari 2002 sampai Desember 2005 berdasarkan data Bank Indonesia.

II. TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN

2.1. Sistem Pembayaran Sistem pembayaran adalah sesuatu yang memang sudah semestinya ada. Namun demikian, sistem pembayaran elektronik yang efisien tetap merupakan hal yang perlu dicapai untuk mewujudkan operasi pasar yang baik. Pasar adalah tempat dimana proses transaksi terjadi. Sistem pembayaran adalah sesuatu yang penting karena membentuk spesialisasi yang terjadi dalam produksi dan membantu menciptakan transaksi yang efisien (Humphrey, 2001). Hal ini pada akhirnya pun akan mempengaruhi pertumbuhan ekonomi dan efisiensi dalam pasar uang. 2.1.1. Definisi Sistem Pembayaran Sistem pembayaran pada dasarnya adalah hanya sebuah persetujuan mengenai cara mentransfer sejumlah nilai uang antara pembeli (buyer) dan penjual (seller) dalam sebuah transaksi (Humphrey, 2001). Seperti yang diilustrasikan dalam gambar, sistem pembayaran memfasilitasi pertukaran barang dan jasa dalam kegiatan ekonomi.

Transfer of goods or services

Buyer

Seller Payee

Payor Transfer of value through a payment system

Sumber: Humphrey (2001)

Gambar 2.1. Ilustrasi sederhana proses sistem pembayaran

13

Menurut Listfield dan Montes-Negret (1994), sistem pembayaran adalah prosedur, peraturan, standar, serta instrumen yang digunakan untuk pertukaran nilai keuangan (financial value) antara dua pihak yang terlibat untuk melepaskan diri dari kewajiban. Mishkin (2001) mengungkapkan secara sederhana bahwa sistem pembayaran adalah metode untuk mengatur transaksi dalam perekonomian. Carl Menger dalam Global Insight (2003) mengungkapkan bahwa nilai-nilai subjektif juga berperan dalam sistem pembayaran tidak hanya tergantung pada karakteristik objektifnya. Kajian ini merupakan kritikan kepada Adam Smith yang tidak menghitung nilai-nilai preferensi dari masyarakat, yang sebenarnya merupakan dasar dalam seluruh kegiatan perekonomian. 2.1.2. Evolusi Sistem Pembayaran Sistem pembayaran telah mengalami evolusi selama berabad-abad, termasuk bentuk fisik dari uang. Pada awalnya, logam murni yaitu emas digunakan sebagai alat pertukaran yang sah dan merupakan bentuk uang pertama. Kemudian, seiring dengan perkembangan waktu bentuk uang kertas dijadikan sebagai alat bayar yang sah. Untuk menemukan darimana sistem pembayaran berawal, maka perlu ditelusuri bagaimana perkembangannya. Objek yang sah digunakan sebagai uang harus memenuhi persyaratan tertentu. Pertama, objek tersebut harus diterima oleh masyarakat umum. Artinya, setiap orang harus bersedia menerima objek tersebut dalam pembayaran barang atau jasa. Kedua, objek yang dianggap bernilai bagi semua orang dapat menjadi kandidat untuk dijadikan sebagai uang dan pilihannya jatuh pada logam mulia seperti emas dan perak. Selama beratus-ratus tahun logam mulia ini digunakan

14

sebagai media tukar pada masyarakat primitif. Masalah yang kemudian timbul dalam sistem pembayaran adalah karena emas dan perak cukup berat dalam jumlah tertentu sehingga susah untuk didistribusikan (Mishkin, 2001). Karena emas dan perak tidak praktis, maka evolusi ini berlanjut dengan penggunaan uang fiat (uang kepercayaan). Uang fiat adalah uang kertas yang diumumkan oleh pemerintah sebagai alat transaksi (Miskhin, 2001). Kelebihan dari uang kertas ini adalah lebih ringan daripada koin emas atau perak. Karena mata uang kertas ini menjadi legal dalam sistem pembayaran maka dalam perkembangannya, setiap negara menetapkan jenis mata uangnya sendiri. Cek sebagai alat bayar yang sah dalam sistem pembayaran hadir untuk mengatasi masalah dalam hal kesulitan transfer uang kertas dalam jumlah yang besar. Pengenalan cek merupakan inovasi dalam sistem pembayaran. Keuntungan dari cek adalah mengurangi biaya transportasi dan mengefisiensikan pembayaran. Selain itu, cek mempermudah transaksi dalam jumlah yang besar karena nilainya tergantung dari yang tertulis di atasnya. Tidak seperti sistem pembayaran tunai, dalam penggunaan cek terjadi dua proses, yaitu aliran cek secara fisik, serta transfer dana yang digunakan dalam transaksi tersebut (Listfield dan MontesNegret, 1994). Kedua proses ini membutuhkan biaya (diestimasi biaya rata-rata dalam pemrosesan cek di Amerika Serikat lebih dari $5 miliar per tahun), waktu dan transportasi, karena cek bersifat front-office payments, yang hanya bisa dicairkan di kantor bank yang bersangkutan. Hambatan proses transaksi dengan cek kemudian diatasi dengan evolusi pembayaran elektronik. Perkembangan ini ditunjang pula dengan kemajuan

15

teknologi komputer yang sedemikian cepat. Sistem pembayaran elektronik memiliki efektifitas khususnya dalam transaksi yang bervolume tinggi dengan nilai transaksi yang kecil, terutama dalam perekonomian yang sedang berkembang yang memiliki akses teknologi yang terbatas (Listfield dan Montes-Negret, 1994). Pada dekade 1970-an dan 1980-an elektronifikasi dalam sistem pembayaran mulai berkembang. Alat pembayaran yang menggunakan kartu yang memudahkan masyarakat bertransaksi langsung di tempat penjualan (Point Of Sale, POS) menjadi fenomena. Varian pertama dari alat pembayaran ini yang mulai dikenal masyarakat adalah kartu kredit. Berawal dari kajian pemasaran yang cukup mendalam pada tahun 1958 Bank Of America mengenalkan kartu kredit (Global Insight, 2003). Untuk kepentingan ekspansi bisnis maka para penerbit Bank Americards mendirikan Visa pada tahun 1977. Penggunaan kartu kredit memungkinkan nasabah mendapatkan barang dan jasa secara kredit, dan melunasinya dengan cek atau rekeningnya yang berada pada bank pemegang lisensi penerbit kartu kredit tersebut (Visa, Mastercard, dll). Perkembangan ini terus berlanjut dengan penemuan varian-varian alat pembayaran elektronik lain seperti kartu debet, smart cards, internet banking, dan lain-lain. 2.1.3. Sistem Pembayaran Elektronik Perkembangan teknologi menjadi modal awal memasuki tahap baru dalam evolusi sistem pembayaran. Uang elektronik adalah uang yang disetor secara elektronik dan menggunakan beberapa media (Mishkin, 2001). Keuntungan dari e-money membuka peluang bagi sistem pembayaran untuk mewujudkan masyarakat yang tidak menggunakan uang tunai (cash-less society). Meskipun

16

sistem elektronik menjanjikan sistem pembayaran yang efisien dibandingkan sistem pembayaran non tunai berbasis kertas (paper based), ada beberapa faktor yang memperlambat pergeseran sistem pembayaran menuju elektronik. Pertama, besarnya

biaya

yang

harus

dikeluarkan

untuk

membangun

jaringan

telekomunikasi dan mempersiapkan sistem komputer untuk mendukung pembayaran elektronik. Kedua, keuntungan menggunakan cek adalah adanya tanda bukti penyetoran berupa kwitansi yang pada umumnya dibutuhkan konsumen sebagai bukti tertulis. Ketiga, bagi pihak yang mengeluarkan cek ada rentang waktu yang diperlukan sebelum pencairan dana sehingga nasabah masih mendapatkan bunga bank dari nilai uang yang belum dicairkan, sedangkan sistem pembayaran elektronik yang bersifat segera tidak memberi kesempatan nasabah menikmati bunga. Keempat, pembayaran elektronik menuntut peningkatan pengamanan dan privasi, karena media telah membuktikan bahwa sistem komputerisasi masih mungkin diganggu oleh hacker yang dapat mengakses rekening seseorang dan mencuri dananya (Mishkin, 2001). Kartu plastik adalah salah satu bentuk populer dari sistem pembayaran elektronik. Berikut ini adalah beberapa bentuk dari kartu plastik dan definisinya menurut Bank Indonesia: a. KARTU KREDIT Kartu Kredit adalah Alat Pembayaran dengan Menggunakan Kartu yang dapat digunakan untuk melakukan pembayaran atas kewajiban yang timbul dari suatu kegiatan ekonomi, termasuk transaksi pembelanjaan dan atau untuk melakukan penarikan tunai dimana kewajiban pembayaran pemegang kartu

17

dipenuhi terlebih dahulu oleh penerbit atau aquirer, dan pemegang kartu berkewajiban melakukan pelunasan kewajiban pembayaran tersebut pada waktu yang disepakati baik secara sekaligus ataupun secara angsuran (Bank Indonesia, 2004). b. KARTU DEBIT Kartu Debit adalah Alat Pembayaran dengan Menggunakan Kartu yang dapat digunakan untuk melakukan pembayaran atas kewajiban yang timbul dari suatu kegiatan ekonomi, termasuk transaksi pembelanjaan, penarikan tunai, dan atau pemindahan dana, dimana kewajiban pemegang kartu dipenuhi seketika dengan mengurangi secara langsung simpanan pemegang kartu pada bank atau lembaga selain bank yang mendapat persetujuan untuk menghimpun dana (Bank Indonesia, 2004). Jika kartu kredit bersistem “pay later” maka kartu debit bersistem “pay now”. c. KARTU ATM Kartu ATM adalah Alat Pembayaran dengan Menggunakan Kartu yang dapat digunakan untuk melakukan penarikan tunai dan atau pemindahan dana dimana kewajiban pemegang kartu dipenuhi seketika dengan mengurangi secara langsung simpanan pemegang kartu pada bank atau lembaga selain bank yang mendapat untuk menghimpun dana (Bank Indonesia, 2004).

Transaksi kartu pembayaran elektronik mengikuti proses dasar transaksi. Proses ini (terdapat pada Gambar 2.2) meliputi lima pihak utama, yaitu:

18

•

Card Holder (you) Orang yang memiliki account pada lembaga institusi yang mengeluarkan kartu pembayaran (kartu debit atau kartu kredit)

•

Retailer/Merchant Organisasi yang menerima pembayaran atas barang atau jasa dari cardholder (dapat berupa outlet, supermarket, dan toko-toko)

•

Acquirer Bank atau lembaga selain bank yang melakukan kegiatan APMK baik sebagai financial acquirer (melakukan kegiatan pembayaran terlebih dulu kepada pemegang kartu) atau sebagai technical acquirer (menyediakan sarana yang diperlukan dalam pemrosesan kegiatan APMK).

•

Card Scheme Organisasi penyedia jaringan kartu kredit yang mengontrol dan mengatur transaksi kartu kredit. Misalnya: Visa, MasterCard, dan Maestro.

•

Card Issuer Bank atau lembaga keuangan yang mengeluarkan kartu pembayaran (kredit, debit, dan charge) kepada nasabahnya.

2.2.

Teori Kuantitas Uang Teori ini masih termasuk dalam teori ekonomi klasik dan dikembangkan

oleh dua pendekatan, yaitu pendekatan oleh Irving Fisher (ekonom Universitas Yale), serta pendekatan Cambridge (cash balance approach) yang dikembangkan oleh Marshall dan Pigou.

19

Jaringan Penyedia Kartu Kredit (Visa/Mastercard) Transaksi data

Card issuer (cardholder’s bank)

Penarikan account

Acquirer

Transaksi data

Card holder (you)

Retailer Kartu untuk pembayaran barang dan jasa

Sumber: Publikasi elektronik (http://www.apacs.org.uk/payment options/charge cards.html), 2006

Gambar 2.2. Mekanisme transaksi pembayaran elektronik Teori kuantitas uang dikembangkan oleh Irving Fisher pada awal abad dua puluh. Teori kuantitas uang tersebut disampaikan dalam bukunya The Purchasing Power of Money tahun 1911. Fisher ingin melihat hubungan antara kuantitas uang (money supply) dan PDB nominal P × Y . Konsep yang menghubungkan M dan

P × Y disebut velositas uang (velocity of money). Velositas uang adalah tingkat perputaran uang yang didefinisikan sebagai berikut : V =

P ×Y M

(2.1)

20

dengan : V = Velositas uang,

P = Tingkat harga, Y = Pendapatan agregat, M = Kuantitas uang. Dengan mengalikan kedua sisi dengan M , maka persamaan yang menghubungkan pendapatan nominal dengan kuantitas uang dan velositas (equation of exchange) adalah :

M ×V = P ×Y

(2.2)

Irving Fisher juga mengemukakan bahwa velositas uang ditentukan oleh kelembagaan dalam ekonomi yang akan mempengaruhi cara individu melakukan transaksi. Dalam jangka pendek, aspek kelembagaan sulit berubah. Oleh karena itu, dalam jangka pendek velositas uang akan konstan. Pandangan Fisher bahwa velositas uang adalah konstan pada jangka pendek telah mentransformasi equation

of exchange menjadi teori kuantitas uang yang menyebutkan bahwa pendapatan nominal ditentukan oleh pergerakan dalam kuantitas uang. Para ahli ekonomi klasik (termasuk Fisher) menganggap bahwa upah dan harga adalah fleksibel. Oleh karena itu mereka percaya bahwa tingkat output agregat ( Y ) yang diproduksi oleh perekonomian pada waktu normal akan berada pada tingkat full equilibrium, sehingga Y juga akan konstan dalam jangka pendek. Dengan demikian, teori kuantitas uang mengemukakan bahwa jika M berubah maka P juga akan berubah dalam jangka pendek (karena V dan Y konstan). Untuk para ekonom klasik, teori kuantitas uang mampu menjelaskan

21

pergerakan dalam tingkat harga, yaitu: pergerakan tingkat harga merupakan akibat dari perubahan kuantitas uang. Teori kuantitas uang menunjukkan berapa banyak uang yang dipegang untuk tingkat pendapatan tertentu, sehingga teori ini juga merupakan teori permintaan uang (theory of the demand for money). Hal tersebut dapat ditunjukkan dengan membagi kedua sisi dari persamaan teori kuantitas uang dengan V , sehingga diperoleh : M =

1 × PY V

(2.3)

Dimana PY adalah P × Y , yang merupakan pendapatan nominal. Ketika pasar uang dalam ekuilibrium maka kuantitas uang ( M ) akan sama dengan jumlah uang yang diminta ( M d ), sehingga M dapat diganti dengan M d . Dengan demikian persamaan (2.3) dapat dituliskan :

Md =

1 × PY = k .PY V

(2.4)

Oleh karena itu, teori kuantitas uang dari Irving Fisher menyebutkan bahwa permintaan uang merupakan fungsi dari pendapatan dan suku bunga tidak berpengaruh terhadap permintaan uang. Fisher berkesimpulan seperti itu karena ia percaya bahwa orang memegang uang hanya untuk melakukan transaksi. Sehingga teori ini berpandangan bahwa uang hanya berfungsi sebagai alat tukar. Dengan demikian, menurut teori ini permintaan uang ditentukan oleh: (1) tingkat transaksi yang dihasilkan oleh tingkat pendapatan nominal ( PY ), dan (2) kelembagaan dalam ekonomi yang akan mempengaruhi cara individu melakukan transaksi yang menentukan velositas uang, dengan demikian juga menentukan k .

22

Model Cambridge

Model Cambridge adalah model permintaan uang yang dikembangkan oleh para ekonom Cambridge, khususnya Marshall dan Pigou. Sebagai ahli ekonomi aliran klasik, mereka memandang uang sebagai alat tukar. Tetapi aliran model Cambridge mengakui juga fungsi uang sebagai alat penyimpan kekayaan (store of wealth). Karena itu manusia memiliki dua pilihan dalam menyimpan asetnya, yaitu uang tunai dan surat-surat berharga atau barang. Manfaat dari memegang uang tunai adalah sifatnya yang sangat likuid dan terbebasnya dari resiko gagal tagih (default) jika uang disimpan dalam bentuk surat berharga dan juga terhindar dari resiko kerugian akibat jual beli surat-surat berharga (capital loss). Tetapi, biaya ekonomi dari memegang uang tunai adalah kehilangan kesempatan memperoleh pendapatan bunga dan keuntungan dari jual beli surat-surat berharga (capital gain). Para teoritisi moneter Cambridge berpandangan bahwa permintaan uang selain dipengaruhi oleh tingkat volume transaksi (PDB riil) juga dipengaruhi oleh tingkat kekayaan seseorang atau masyarakat, tingkat bunga, dan ekspektasi masyarakat tentang masa depan. Karena para ekonom Cambridge berpendapat bahwa nilai aset dihitung dalam nilai nominal, maka mereka percaya bahwa permintaan terhadap uang karena faktor kekayaan berhubungan proporsional dengan pendapatan nasional nominal. Karena itu mereka juga percaya bahwa permintaan uang mempunyai hubungan proporsional dengan pendapatan nominal, sebagai berikut :

M

d

= bPY

(2.5)

23

dimana :

M d = Permintaan uang, P

= Tingkat harga,

Y

= Tingkat output riil (PDB riil),

b dalam jangka pendek dianggap konstan.

Persamaan (2.5) sepintas sama dengan persamaan (2.4). Hal ini bermakna bahwa para ekonom Cambridge sependapat dengan Fisher tentang fungsi uang sebagai alat tukar. Letak perbedaannya adalah Fisher sama sekali mengabaikan fungsi uang sebagai alat penyimpan kekayaan, sehingga tidak ada alternatif selain menyimpan uang dalam bentuk kas. Selain itu Fisher lebih menekankan pada aspek kelembagaan atau teknologi yang dalam jangka pendek diasumsikan konstan, sehingga velositas uang dalam jangka pendek juga konstan. Sebaliknya, ekonom Cambridge tidak menutup kemungkinan bahwa masyarakat dapat saja mengalokasikan kekayaannya dalam bentuk surat-surat berharga. Keputusan pengalokasian tersebut ditentukan oleh tingkat bunga dan tingkat hasil yang diharapkan (expected return). Karena itu, para ekonom Cambridge berpendapat bahwa b dalam jangka pendek pun dapat berubah. Dengan kata lain, velositas uang dapat saja berfluktuasi. Pendapat bahwa b dalam jangka pendek dianggap konstan dihasilkan dari penyusunan asumsi bahwa dalam jangka pendek jumlah kekayaan, volume transaksi, dan produksi riil mempunyai hubungan proporsionalkonstan.

24

2.3. Penelitian Terdahulu

Penelitian yang menganalisis penggunaan kartu pembayaran elektronik dan pensubstitusian transaksi non tunai terhadap transaksi tunai telah banyak dilakukan. Beberapa diantaranya adalah sebagai berikut: a. Snellman, Vesala, dan Humphrey (2000), Eropa. Menganalisis pensubstitusian transaksi non tunai terhadap transaksi tunai di Eropa. Penelitian ini menganalisis perbedaan kemampuan pensubstitusian antara sepuluh negara di Eropa. Hasil penelitian ini menyimpulkan bahwa ada pensubstitusian transaksi non tunai terhadap transaksi tunai di kesepuluh negara di Eropa. Secara sederhana perkembangan teknologi di tiap negara yang menentukan proses pensubstitusian. Jumlah terminal EFTPOS dan ATM mempunyai hubungan yang negatif terhadap jumlah uang tunai yang diminta. Peningkatan jumlah ATM akan menurunkan biaya penarikan tunai, dengan demikian hal ini akan mendorong peningkatan frekuensi penarikan tetapi secara rata-rata menurunkan nilai penarikan tunainya. b. Rinaldi (2001), seorang ekonom dari Universitas Leuven Belgia. Mengkaji pengaruh dari kartu debet dan kredit, ATM, EFT-POS serta gerai EFT-POS terhadap jumlah uang tunai uang beredar di negara Belgia. Hasil penelitiannya menunjukkan bahwa keseluruhan variabel dalam penelitian terkointegrasi. Dalam jangka panjang, terdapat hubungan negatif antara gerai-gerai EFT-POS dan ATM terhadap jumlah uang tunai yang beredar,

25

namun terhadap jumlah kartu ATM berhubungan positif meskipun lemah. Dari uji Error Correction Model yang dilakukannya, Rinaldi (2001) mengestimasi dalam jangka pendek jumlah ATM berhubungan positif dengan permintaan jumlah uang tunai yang beredar. c. Rachmat (2005), Indonesia. Mengkaji pengaruh jumlah ATM di Indonesia terhadap permintaan uang pada kurun waktu Januari 2000 hingga Desember 2004. Dengan menggunakan metodologi ECM didapatkan hasil bahwa kenaikan 1 persen jumlah ATM dalam jangka pendek secara signifikan berpengaruh negatif terhadap permintaan uang M1 sebesar 0,078601 persen. Sementara itu, jumlah ATM dalam jangka panjang tidak mempengaruhi permintaan uang M1. Jumlah ATM juga berpengaruh kepada kebijakan moneter secara umum. d. Warjiyo (2006), Indonesia. Menganalisis pengaruh pembayaran non-tunai terhadap permintaan uang M1 di Indonesia berdasarkan analisis data dari 1998:1 hingga 2005:4. Peneliti ini memakai dua pendekatan sebagai indikator pembayaran nontunai, rasio konsumsi masyarakat dengan uang kartal (CP/CUR) serta rasio konsumsi masyarakat dengan ATM (CP/ATM). Dari kedua indikator tersebut menunjukkan hasil yang sama, dimana pembayaran non tunai mengurangi permintaan untuk M1.

26

e. Muttaqin (2006), Indonesia. Menganalisis pengaruh penggunaan alat pembayaran menggunakan kartu dan variabel makroekonomi terhadap permintaan uang tunai membuktikan adanya hubungan jangka panjang antara penggunaan ATM terhadap permintaan uang M1 dan uang tunai. Sementara itu, penggunaan kartu kredit dan debit tidak signifikan mempengaruhi permintaan uang M1 dan uang tunai. Hasil berbeda ditunjukkan dalam jangka pendek dimana perubahan permintaan terhadap M1 hanya dipengaruhi oleh perubahan penggunaan kartu ATM dan kartu debet. Sedangkan perubahan permintaan uang tunai tidak dipengaruhi oleh penggunaan APMK.

2.4.

Kerangka Pemikiran

Analisis pengaruh penggunaan kartu pembayaran elektronik dan daya substitusi transaksi non tunai elektronik terhadap transaksi tunai ditujukan untuk melihat potensi pensubstitusian transaksi non tunai terhadap transaksi tunai di Indonesia. Variabel yang digunakan untuk merefleksikan transaksi non tunai didekati dari nilai transaksi APMK (Alat Pembayaran dengan Menggunakan Kartu), dalam hal ini kartu kredit, kartu debit, dan kartu ATM, nilai transaksi BIRTGS, dan nilai transaksi kliring antar bank. Variabel-variabel inilah yang digunakan untuk menjawab permasalahan kedua dalam penelitian ini. Permasalahan pertama mengenai pengaruh penggunaan kartu pembayaran elektronik terhadap transaksi tunai dijelaskan dengan menggunakan variabel

27

jumlah pemegang APMK, jumlah mesin ATM, dan nilai transaksi APMK. Ketiga variabel ini dapat merefleksikan perkembangan penggunaan transaksi non tunai, dalam hal ini APMK. Adapun variabel makroekonomi yang ditambahkan adalah GDP dan SBI, sesuai dengan model persamaan dalam jurnal Snellman, Vesala, dan Humphrey (2000) yang berjudul ”Substitution of noncash payments for cash

in Europe”. Kerangka pemikiran penelitian dan variabel-variabel yang diikutsertakan dalam penelitian ini diuraikan pada diagram alir (flow-chart) dalam Gambar 2.3. Gambar tersebut menunjukkan garis besar alur kerangka pemikiran di dalam penelitian ini.

28

Sistem pembayaran non tunai elektronik memberikan efisiensi dalam biaya transaksi dan waktu penyelesaian transaksi

Bank Indonesia mengupayakan terwujudnya cash-less society

Perkembangan penggunaan kartu prmbayaran elektronik (APMK) dalam transaksi masyarakat

Peningkatan nilai transaksi non tunai elektronik

Jumlah pemegang APMK

Nilai transaksi APMK

Jumlah mesin ATM

Nilai transaksi BI-RTGS

Nilai transaksi APMK

Nilai transaksi kliring

Bagaimana pengaruh penggunaan kartu pembayaran elektronik terhadap transaksi tunai Indonesia

Engel Granger Cointegration, ECM, Diagnostic Test

Bagaimana daya substitusi transaksi non tunai elektronik terhadap transaksi tunai Indonesia

Transaksi tunai (cash payment) yang masih merupakan budaya masyarakat

Gambar 2.3. Kerangka Pemikiran

Engel Granger Cointegration, ECM, Diagnostic Test

29

Keterangan Gambar 2.3 : = variabel yang mempengaruhi transaksi tunai = variabel yang merepresentasikan transaksi non tunai elektronik = permasalahan yang akan dibahas = variabel dependen dalam penelitian ini

2.5.

Hipotesis Penelitian

1.

Pengaruh penggunaan kartu pembayaran elektronik (kartu kredit, kartu debet, kartu ATM) menunjukkan hubungan yang negatif atau mampu mensubstitusi transaksi tunai Indonesia.

2.

Transaksi non tunai yang didekati dari nilai transaksi APMK, nilai BIRTGS,

dan

nilai

kliring

mempunyai

mensubstitusi) terhadap transaksi tunai.

hubungan

negatif

(mampu

III. METODE PENELITIAN

3.1.

Jenis dan Sumber Data Jenis data yang digunakan untuk menyelesaikan penelitian ini adalah data

sekunder yang bersumber dari Bank Indonesia. Data yang digunakan adalah data time series bulanan dengan sampel waktu dari 2002:1 sampai 2005:12. Penggunaan data pada periode ini diharapkan dapat membantu dalam mencapai tujuan penelitian ini yaitu menganalisis pengaruh penggunaan kartu pembayaran elektronik dan daya substitusi transaksi non tunai elektronik terhadap transaksi tunai di Indonesia. Keterangan yang lebih lengkap mengenai data yang digunakan sebagai variabel dalam penelitian ini diuraikan dalam Tabel 3.1. Tabel 3.1. Nama, Simbol, dan Sumber Data Jenis Data (Variabel)

Satuan

Simbol

Sumber

Jumlah nilai transaksi tunai

Rp M

CASH

BI

Pendapatan nasional

Rp M

GDP

BI

%

SBI

BI

Jumlah Pemegang Kartu Kredit

orang

JPKK

BI

Jumlah Pemegang Kartu Debet

orang

JPKD

BI

Jumlah Pemegang Kartu ATM

orang

JPATM

BI

unit

JMATM

BI

Jumlah nilai transaksi APMK

Rp M

VAPMK

BI

Jumlah nilai transaksi kliring

Rp Juta

VKLIRING

BI

Rp M

VRTGS

BI

SBI 30 hari

Jumlah Mesin ATM

Jumlah nilai transaksi BI-RTGS

31

3.2.

Model Penelitian Model yang digunakan dalam penelitian ini berdasarkan model yang

digunakan Snellman, Vesala, dan Humphrey (2000) dalam jurnalnya yang berjudul “Substitution of noncash payments for cash in Europe”. Model persamaan yang diadopsi dari jurnal tersebut telah dimodifikasi untuk penyederhanaan dan penyesuaian tujuan penelitian. Untuk menganalisis pengaruh penggunaan kartu pembayaran elektronik terhadap transaksi tunai, dalam jangka pendek model persamaannya dapat dirumuskan sebagai berikut: ∆lncash = α 1∆lngdpt + α 2∆sbit + α 3∆lnjpkkt + α 4∆lnjpkdt + α 5∆lnjpatmt + α6∆lnjmatmt + α 7∆lnvapmkt + t(-1) + vt

(3.1)

dimana: lncash

= logaritma natural jumlah nilai transaksi tunai,

lngdp

= logaritma natural GDP nominal,

sbi

= tingkat suku bunga SBI 30 hari,

lnjpkk

= logaritma natural dari jumlah pemegang kartu kredit,

lnjpkd

= logaritma natural dari jumlah pemegang kartu debet,

lnjpATM

= logaritma natural dari jumlah pemegang kartu ATM,

lnjmATM

= logaritma natural dari jumlah mesin ATM,

lnvapmk

= logaritma natural dari nilai transaksi APMK,

t

= Error Correction Term yang merupakan ukuran bagi ketidakseimbangan di pasar uang jangka panjang,

t(-1)

= lncash - α 0 - α 1lngdpt - α 2sbit - α 3lnjpkkt - α 4lnjpkdt - α 5lnjpatmt - α6lnjmatmt - α 7lnvapmkt.

32

Variabel GDP dimasukkan untuk melihat efek pendapatan terhadap permintaan transaksi tunai. Dengan asumsi awal bahwa koefisien yang dihasilkan dari estimasi persamaan di atas adalah positif untuk GDP. Suku bunga nominal digunakan untuk merefleksikan permintaan terhadap uang tunai berkaitan dengan opportunity cost memegang uang tunai. Koefisien yang diharapkan dari hasil estimasi untuk variabel SBI adalah negatif. Sementara itu variabel jumlah pemegang kartu elektronik merefleksikan pensubstitusian cara pembayaran transaksi tunai menuju transaksi non tunai. Dengan mengasumsikan bahwa setiap pemegang akan memanfaatkan fasilitas ini maka peningkatan jumlah pemegang kartu pembayaran akan meningkatkan transaksi non tunainya untuk kartu kredit dan kartu debit, demikian sebaliknya untuk kartu ATM. Variabel selanjutnya adalah jumlah mesin ATM yang mengindikasikan efek pensubsitusian metode pentransferan uang tunai. Hasil penelitian Snellman, Vesala, dan Humphrey (2000) menyatakan jumlah mesin ATM memiliki korelasi negatif dengan nilai transaksi tunai. Dan variabel terakhir adalah variabel jumlah total volume transaksi APMK, dalam hal ini kartu kredit, kartu debit, dan kartu ATM. Variabel ini dimasukkan dalam model untuk melihat besarnya pensubstitusian transaksi non tunai dalam hal ini APMK terhadap transaksi tunai melalui nilai transaksinya. Nilai cash (transaksi tunai) dalam penelitian ini diperoleh dari pendekatan dengan menggunakan data nilai GDP dan nilai transaksi non tunai yang tercatat pada Bank Indonesia. Berdasarkan model yang digunakan Snellman, Vesala, dan Humphrey (2000), nilai transaksi yang terjadi pada waktu t adalah proporsional dengan nilai GDP nominal yang terdiri dari transaksi tunai dan non tunai.

33

CASHt + NCPt = f(GDPt), f’>0,

(3.2)

dimana: CASH = nilai transaksi tunai yang terjadi, NCP

= nilai transaksi non tunai yang terjadi. Berdasarkan model tradisional, jumlah uang yang diminta (CURR) adalah

hasil determinasi dari permintaan uang tunai dan tingkat suku bunga yang mempengaruhi hasrat memegang uang tunai masyarakat. CURRt = g(CASHt, rt), g1’>0, g2’<0

(3.3)

dimana: CURR = total nilai uang yang disediakan oleh sektor perbankan, r

= suku bunga nominal.

Dengan mengkombinasikan persamaan (3.2) dan (3.3) di atas maka diperoleh persamaan berikut: CURR = g((f(GDPt) – NCP), rt).

(3.4)

Dalam bentuk persamaan linear, persamaan (3.4) menjadi: CURR = g1’f’GDPt – g1’NCPt + g2’rt.

(3.5)

Ini merupakan teori dasar dalam mengobservasi hubungan negatif antara transaksi non tunai terhadap keseimbangan mata uang. Pengestimasian nilai g1’ dapat digunakan untuk melihat aliran transaksi tunai. Persamaan (3.5) yang berasal dari persamaan (3.2) dan (3.3) dapat diturunkan dalam bentuk persamaan yang mengekspresikan perubahan tahunan: ∆CASHt = ∆NCPt + ∆GDPt, Dimana ∆ adalah differencenya dan  adalah f’

(3.2’)

34

∆CURRt = α 1∆CASHt + α 2∆rt,

(3.3’)

Dimana α 1 = g1’, α 2 = g2’. Parameter α 1 mengukur efek substitusi dari transaksi tunai – perubahan struktural pola pembayaran mengurangi penggunaan tunai yang tersubstitusi oleh transaksi non tunai. Dengan mengingat bahwa g1’>0 maka α 1 seharusnya bernilai positif. Kombinasi persamaan (3.2’) dan (3.3’) dapat ditulis sebagai: ∆NCPt = ß∆CURRt - ß ∆rt + ∆GDPt,

(3.6)

Nilai ß adalah parameter yang bernilai negatif. Pendekatan perubahan tahunan dalam melihat aliran transaksi tunai dapat ditunjukkan dengan persamaan: ∆CASHt = - ß ∆CURRt + α 2 ß ∆rt, Persamaan

inilah

yang

melengkapi

(3.7) derivasi

metodologi

empiris

dari

pengestimasian aliran pembayaran tunai yang dideterminasi melalui parameter ß, α 2 yang terdapat dalam persamaan. Untuk menjawab permasalahan kedua dalam penelitian ini yaitu, menganalisis daya substitusi transaksi non tunai terhadap transaksi tunai yang terjadi di Indonesia, ditambahkan variabel nilai transaksi kliring dan nilai transaksi BI-RTGS. Dengan demikian bentuk persamaannya dalam jangka pendek dirumuskan sebagai berikut: ∆lncash = α 1∆lngdpt + α 2∆sbit + α 3∆lnvapmkt + α 4∆lnvrtgst + α 5∆lnvkliringt + t(-1) + vt dimana: lncash

= logaritma natural jumlah nilai transaksi tunai,

lngdp

= logaritma natural GDP nominal,

(3.8)

35

sbi

= tingkat suku bunga SBI 30 hari,

lnvapmk

= logaritma natural nilai transaksi APMK,

lnvrtgs

= logaritma natural nilai transaksi BI-RTGS,

lnvkliring

= logaritma natural nilai transaksi kliring,

t

= Error Correction Term yang merupakan ukuran bagi ketidakseimbangan di pasar uang jangka panjang,

t(-1)

= lncash α 0 - α 1lngdpt - α 2sbit - α 3lnvapmkt - α 4lnvrtgst - α 5lnvkliringt. Untuk mengetahui apakah spesifikasi model dengan ECM merupakan

model yang valid maka dilakukan uji terhadap koefisien Error Correction Term (ECT). Jika hasil pengujian terhadap koefisien ECT signifikan, maka spesifikasi model ECM yang diamati valid.

3.3.

Metode Analisis Data Metode analisis yang digunakan dalam penelitian ini adalah Uji Kointegrasi

Engle-Granger dan Error Correction Model (ECM). Adapun beberapa tahapan analisis yang dilakukan ialah sebagai berikut. Pertama, uji akar unit untuk mengetahui apakah data tersebut stasioner atau tidak. Ada tidaknya akar unit dapat diketahui dengan menggunakan Augmented Dickey Fuller (ADF) Test. Kedua, uji kointegrasi untuk mengetahui adanya hubungan jangka panjang dan meramalkan

keseimbangannya

dengan

menggunakan

Engle-Granger

Cointegration Test. Ketiga, melakukan koreksi kesalahan (error correction) dengan menggunakan ECM untuk model yang digunakan. Adapun syarat untuk menggunakan model koreksi kesalahan yaitu jika minimal ada salah satu variabel

36

yang tidak stasioner. Apabila seluruh data yang digunakan ternyata stasioner, maka persamaan tersebut tidak dapat dianalisa dengan menggunakan model koreksi kesalahan atau ECM. Sementara itu, pengolahan data dalam penelitian ini menggunakan software Eviews 4.1. 3.3.1. Uji Akar Unit Pengujian akar-akar unit atau unit root test sangat penting dalam analisis time series. Pengujian ini bertujuan untuk menganalisis apakah suatu variabel stasioner atau tidak. Jika stasioner maka tidak ada akar-akar unit, sebaliknya jika tidak stasioner maka ada akar-akar unit. Ada beberapa perbedaan yang penting antara stasioner dan non stasioner time series (Enders, 1995). Dampak guncangan yang terjadi pada data series yang stasioner bersifat sementara. Seiring dengan berjalannya waktu, pada jangka panjang gerakan data series yang stasioner itu akan selalu kembali kepada longrun mean dan berfluktuasi di sekitarnya. Menurut Thomas (1997), data time series dapat dikatakan stasioner jika memenuhi persyaratan sebagai berikut: 1. Mean dari data stasioner menunjukkan perilaku yang konstan dan selalu kembali pada kondisi long-run mean dari data tersebut. 2. Variannya konstan. 3. Cov (Xt, Xt+k) = konstan, untuk semua t dan semua k ≠ 0. Apabila sebuah data time series tidak memenuhi salah satu persamaan di atas maka data tersebut bersifat non stasioner. Menurut Enders, perilaku dari non stasioner time series dapat diuraikan sebagai berikut:

37

1. Data series yang non stasioner tidak kembali ke long-run mean. 2. Data series yang non stasioner memiliki ketergantungan terhadap waktu. Variance dari data semacam ini akan membesar tanpa batas seiring dengan waktu. 3. Correlogram dari data ini cenderung melebar. Pengujian kestasioneran data disebut dengan unit root test. Pengujian ini dilaksanakan untuk melihat apakah datanya mengandung unit root atau tidak. Apabila datanya mengandung unit root, maka berarti data tersebut tidak stasioner dan demikian sebaliknya. Ada beberapa cara yang dapat dilakukan untuk menguji kestasioneritasan data. Dalam penelitian ini metode pengujian yang digunakan adalah Augmented Dickey Fuller (ADF) test. Tabulasi yang digunakan untuk mengukur data yang stasioner atau tidak adalah perhitungan MacKinnon Critical Value dari MacKinnon (1991, 1996) yang mengimplementasikan simulasi-simulasi yang lebih besar dan mendalam (Pasaribu, 2003). Jika nilai ADF statistiknya lebih negatif dari MacKinnon Critical Value maka dapat disimpulkan bahwa data tersebut stasioner. Salah satu cara yang dapat dilakukan apabila berdasarkan uji ADF diketahui suatu data time series tidak stasioner adalah dengan meningkatkan taraf nyata yang digunakan. Jika hal tersebut tidak berhasil maka dilakukan difference non stationary processes. Pengujian unit root dilakukan untuk menghindari spurious regression (regresi palsu) yaitu, regresi yang menggambarkan hubungan dua variabel atau lebih yang kelihatannya signifikan secara statistik padahal kenyataannya tidak

38

demikian, atau tidak sebesar regresi yang dihasilkan tersebut dan tidak memiliki makna kausal. Ciri spurious regression biasanya memiliki R2 yang tinggi dan tstatistik yang signifikan, namun sebenarnya tidak mempunyai arti dalam ilmu ekonomi atau tidak sesuai dengan teori ekonomi yang ada. Oleh karena itu hasil dari spurious regression selalu terlihat baik (Enders, 1995). Untuk mengatasi tidak terpenuhinya asumsi kestasioneran data pada derajat nol atau I(0) maka dilakukan pengujian derajat integrasi. Suatu data deret waktu dikatakan terintegrasi pada tingkat ke-d atau I(d) jika data tersebut bersifat stasioner setelah pendiferensian sebanyak d kali. Variabel-variabel yang tidak stasioner pada tingkat (level) yang sama dapat membentuk kombinasi linier yang bersifat stasioner. Suatu variabel dikatakan stasioner pada first difference jika setelah didiferensiasikan satu kali nilai Augmented Dickey Fuller (ADF) tes lebih kecil dari nilai kritis MacKinnon. 3.3.2. Uji Kointegrasi Setelah melakukan pengujian akar-akar unit, penelitian dengan analisis runtut waktu dilanjutkan pada analisis kointegrasi. Kointegrasi adalah suatu hubungan jangka panjang (long term relationship) antara variabel-variabel yang tidak stasioner. Kointegrasi berarti walaupun secara individual tidak stasioner, kombinasi linier antara variabel tersebut dapat menjadi stasioner. Suatu uji kointegrasi dapat dianggap sebagai uji awal untuk menghindari regresi yang palsu (Engle-Granger

dalam

Thomas,

1997).

Suatu

sistem

variabel

disebut

terkointegrasi jika beberapa variabel tersebut (minimal satu variabel) terintegrasi pada ordo yang sama dan berlaku kombinasi linier dari sistem variabel tersebut

39

yang terintegrasi pada ordo nol I(0), yaitu disequillibrium error atau residual (ut) bersifat stasioner. Hubungan kointegrasi adalah hubungan yang menunjukkan korelasi jangka panjang antar variabel. Untuk

persamaan

yang

menganalisis

pengaruh

penggunaan

kartu

pembayaran elektronik terhadap transaksi tunai, dapat dirumuskan: lncash = α 0 + α 1lngdpt + α 2sbit + α 3lnjpkkt + α 4lnjpkdt + α 5lnjpatmt + α6lnjmatmt + α 7lnvapmkt + t

(3.9)

dimana: lncash

= logaritma natural nilai transaksi tunai,

lngdp

= logaritma natural GDP nominal,

sbi

= tingkat suku bunga SBI 30 hari,

lnjpkk

= logaritma natural dari jumlah pemegang kartu kredit,

lnjpkd

= logaritma natural dari jumlah pemegang kartu debet,

lnjpATM

= logaritma natural dari jumlah pemegang kartu ATM,

lnjmATM

= logaritma natural dari jumlah mesin ATM,

lnvapmk

= logaritma natural dari nilai transaksi APMK.

Untuk persamaan yang menganalisis daya substitusi transaksi non tunai terhadap transaksi tunai dapat dirumuskan: lncash = α 0 + α 1lngdpt + α 2sbit + α 3lnvapmkt + α 4lnvrtgst + α5lnvkliringt + t dimana: lncash

= logaritma natural nilai transaksi tunai,

lngdp

= logaritma natural GDP nominal,

(3.10)

40

sbi

= tingkat suku bunga SBI 30 hari,

lnvapmk

= logaritma natural nilai transaksi APMK,

lnvrtgs

= logaritma natural nilai transaksi BI-RTGS,

lnvkliring

= logaritma natural nilai transaksi kliring.

Uji kointegrasi Engle-Granger biasanya dilakukan pada persamaan tunggal. Metode kointegrasi Engle-Granger sebetulnya menggunakan Augmented DickeyFuller (ADF) Test yang terdiri dari dua tahap. Pertama, meregresi persamaan OLS kemudian mendapatkan residual dari persamaan tersebut. Kedua, dengan menggunakan metode uji ADF, akar unit dari data dites terhadap residual dengan hipotesis yang sama dengan hipotesis uji akar unit variabel-variabel sebelumnya. Jika hipotesis nol ditolak atau signifikan, maka variabel residual adalah stasioner atau dalam hal ini kombinasi linier antar variabel adalah stasioner. Artinya meskipun variabel-variabel yang digunakan tidak stasioner, namun dalam jangka panjang variabel-variabel tersebut cenderung menuju pada keseimbangan. Oleh karena itu, kombinasi linier dari variabel-variabel tersebut disebut regresi kointegrasi. Parameter-parameter yang dihasilkan dari kombinasi tersebut dapat disebut sebagai koefisien-koefisien jangka panjang atau co-integrated parameters. 3.3.3. Error Correction Model (ECM) Error correction model digunakan untuk mengatasi masalah data deret waktu (time series) yang non stasioner dan spurious correlation. ECM adalah salah satu model dinamik yang diterapkan secara luas dalam analisis ekonomi. ECM lahir dan dikembangkan untuk mengatasi masalah perbedaan kekonsistenan hasil peramalan antara jangka pendek dengan jangka panjang dengan cara

41

proporsi disequillibrium pada satu periode dikoreksi pada periode selanjutnya sehingga tidak ada informasi yang dihilangkan hingga penggunaan untuk peramalan jangka panjang (Thomas, 1997). Thomas (1997) mengemukakan beberapa kelebihan dari ECM, diantaranya adalah : 1. Dengan dimasukkannya disequilibrium term ke dalam ECM, maka tidak ada informasi yang dikandung oleh variabel-variabel di tingkat level yang tidak dimanfaatkan. 2. Karena ECM diformulasi dalam bentuk first difference maka dapat mengeliminasi trend dari variabel. 3. ECM dapat diestimasi dengan menggunakan metode regresi klasik. 4. ECM mampu memberikan perbedaan yang jelas antara efek jangka pendek dan efek jangka panjang. 5. ECM mampu mengurangi masalah multikolinearitas. 6. ECM juga memungkinkan kita untuk mengeliminasi variabel-variabel yang tidak signifikan tanpa menimbulkan masalah terhadap diagnostic statistic, sehingga efisiensi estimasi dapat ditingkatkan. Seperti yang telah diungkapkan sebelumnya bahwa parameter ECM dapat dipaskan dari pendekatan yang dipakai oleh umum ke spesifik. Hal ini menimbulkan kelemahan dalam penggunaan alat analisis ini (Thomas, 1997). ECM tidak dapat memastikan pengkoreksian kesalahan dinamik hubungan jangka panjang yang dilakukannya benar-benar terjadi. Model ini juga tidak dapat memastikan bahwa hasil estimasinya itu merupakan model yang benar-benar

42

sesuai dengan kenyataan yang ada. Kemudian, ECM juga tidak dapat memastikan bahwa variabel yang digunakan dalam model itu benar-benar stasioner ataukah tidak. 3.3.4. Uji Kebaikan Model Uji Autokorelasi Dalam penerapan model regresi linier salah satu asumsi yang digunakan adalah bahwa nilai u antara satu pengamatan bersifat bebas (tidak tergantung) pada nilai u pengamatan lainnya. Hal ini berimplikasi kovarians u dua pengamatan sama dengan nol. Jika asumsi ini tidak terpenuhi, maka dikatakan terjadi autokorelasi atau korelasi serial. Untuk mendeteksi ada tidaknya autokorelasi, dalam penelitian ini menggunakan Breusch-godfrey Serial Correlation LM test. Adapun hipotesis dalam uji ini adalah (i) H0 : tidak terdapat autokorelasi, (ii) H1 : terdapat autokorelasi. Wilayah kritik penolakan H0 adalah Probability Obs*R-squared < α. Uji Heteroskedastisitas Asumsi yang dipakai dalam penerapan model regresi linier adalah bahwa varians dari setiap gangguan adalah konstan. Heteroskedastisitas adalah keadaan dimana asumsi tersebut tidak tercapai. Pelanggaran pada asumsi ini akan menyebabkan parameter yang diduga menjadi tidak efisien. Untuk mendeteksi heteroskedastisitas pada software E-views dapat dilakukan dengan uji White Heteroscedasticity atau Autoregressive Conditional Heteroscedasticity (ARCH) test. Hipotesis yang diuji adalah (i) H0 : tidak terdapat

43

heteroskedastisitas, (ii) H1 : terdapat heteroskedastisitas. Wilayah kritik penolakan H0 adalah Probability Obs*R-squared < α. Uji Normalitas Uji normalitas dilakukan untuk melihat apakah error term terdistribusi secara normal. Hipotesis yang diuji adalah (i) H0 : error term terdistribusi secara normal, (ii) H1 : error term tidak terdistribusi secara normal. Wilayah kritik penolakan H0 adalah Probability Obs*R-squared < α.

IV. GAMBARAN UMUM SISTEM PEMBAYARAN NASIONAL Sistem pembayaran di Indonesia terbagi menjadi dua, yaitu sistem pembayaran tunai dan non tunai. Dalam Undang-Undang (UU) No. 11/1953 ditetapkan bahwa Bank Indonesia (BI) hanya mengeluarkan uang kertas dengan nilai lima rupiah ke atas, sedangkan pemerintah berwenang mengeluarkan uang kertas dan uang logam dalam pecahan di bawah lima rupiah. Uang kertas pertama yang dikeluarkan oleh BI adalah uang kertas bertanda tahun 1952 dalam tujuh pecahan. Selanjutnya, berdasarkan UU No. 13/1968, BI mempunyai hak tunggal untuk mengeluarkan uang kertas dan uang logam sebagai alat pembayaran yang sah dalam semua pecahan. Sejak saat itu, pemerintah tidak lagi menerbitkan uang kertas dan uang logam. Uang logam pertama yang dikeluarkan oleh BI adalah emisi tahun 1970. Pada era 1990-an, BI mengeluarkan uang dalam pecahan besar, yaitu Rp 20.000 (1992), Rp 50.000 (1993), dan Rp 100.000 (1999). Hal itu dilakukan guna memenuhi kebutuhan uang pecahan besar seiring dengan perkembangan ekonomi yang tengah berlangsung saat itu (Bank Indonesia, 2006). Sementara itu, dalam bidang pembayaran non tunai, BI telah memulai langkahnya dengan menetapkan diri sebagai kantor perhitungan sentral menjelang akhir tahun 1954. Sebagai bank sentral, sejak awal BI telah berupaya keras dalam pengawasan dan penyehatan sistem pembayaran giral. BI juga terus berusaha untuk menyempurnakan berbagai sistem pembayaran giral dalam negeri dan luar negeri. Pada periode 1980 sampai dengan 1990-an, pertumbuhan ekonomi semakin membaik dan volume transaksi pembayaran non tunai juga semakin

45

meningkat. Oleh karena itu, BI mulai menggunakan sistem yang lebih efektif dan canggih dalam penyelesaian transaksi pembayaran non tunai. Berbagai sistem seperti Semi Otomasi Kliring Lokal (SOKL) dengan basis personal computer dan Sistem Transfer Dana Antar Kantor Terotomasi dan Terintegrasi (SAKTI) dengan sistem paperless transaction terus dikembangkan dan disempurnakan. Akhirnya, BI berhasil menciptakan berbagai perangkat sistem elektronik seperti BI-LINE, Sistem Kliring Elektronik Jakarta (SKEJ), Real Time Gross Settlement (RTGS), Sistem Informasi Kliring Jarak Jauh (SIKJJ), kliring warkat antar wilayah kerja (intercity clearing), dan Scriptless Securities Settlement System (S4) yang semakin mempermudah pelaksanaan pembayaran non tunai di Indonesia. Penggunaan sistem ini memungkinkan cara-cara tradisional dalam transfer dana (misalnya penggunaan piranti berbasis warkat untuk pembayaran berbagai tagihan) yang selama ini dipergunakan, mulai beralih kepada transaksi berbasis elektronik yang lebih maju. Hal ini dibuktikan dengan meningkatnya penggunaan pembayaran melalui EFTPOS pada berbagai pusat perbelanjaan dan gerai ritel, serta makin maraknya penggunaan fasilitas ATM dibandingkan dengan penarikan secara tunai pada counter bank. Transfer dana bernilai kecil (low value payments) pada umumnya dilakukan melalui lembaga kliring yang sebagian besar dimiliki dan dioperasikan oleh Bank Indonesia dengan melakukan setelmen antar rekening di BI. Sedangkan transaksi bernilai besar diwajibkan untuk melalui sistem BI-RTGS. Indonesia menyambut baik kehadiran sistem pembayaran yang memberikan kemudahan transaksi ini. Hal ini terlihat dari makin banyaknya fasilitas sistem pembayaran elektronik yang dikeluarkan bank. Keseriusan investasi pada produk

46

teknologi baru ini terlihat dari besarnya modal yang disisihkan bank untuk berinvestasi. BRI berani mengeluarkan dananya sebesar 100 juta US$ untuk berinvestasi di bidang teknologi informasi yang akan dihabiskan untuk jangka waktu tiga tahun (2001-2003). Sementara itu Bank Mandiri pun menginvestasikan dananya sebesar 200 juta US$. Keseriusan pihak bank mengeluarkan dana yang tidak sedikit memang bukanlah usaha yang sia-sia. Margin keuntungan bank yang besar makin sulit diraih pada era sekarang ini sehingga pendapatan bank harus diraih melalui peningkatan volume transaksi perbankan. Satu bank lagi yang juga berupaya keras mengembangkan pelayanan teknologinya adalah Bank Bukopin, yang juga mempunyai anggaran investasi TI sebesar Rp 20 milyar per tahunnya. Hal ini didorong oleh gejala semakin berkurangnya nasabah yang mengunjungi bank sehingga bank harus menyediakan fasilitas penggantinya. Dunia perbankan adalah sebagai pencipta inovasi teknologi baru dalam sistem pembayaran. Tidak kalah dengan perbankan, dunia usaha yang melibatkan transaksi nominal besar juga memilih untuk terus mengembangkan transaksi non tunai. Selain mudah, cepat, dan efisien, faktor keamanan dan kepraktisan juga menjadi pertimbangan. Bisnis mediasi perdagangan antar perusahaan melalui jaringan internet juga terus meningkat nilai transaksinya di Indonesia. Jenis bisnis yang dikenal dengan nama e-marketplace atau e-commerce B2B ini sudah 99 persen berjalan di Amerika dengan 1000 e-marketplace yang ada. Sementara di Asia sudah ada sekitar 750 e-marketplace.

47

Tabel 4.1. Nilai Transaksi e-commerce B2B Indonesia 1998-2005 Tahun

Nilai Transaksi (dalam US$ juta)

1998

3,63

1999

15,61

2000

110

2001

506,08

2002

1.899,53

2003

3.851,72

2004

10.283,62

2005

17.630,21

Sumber: Gartner Research, April 2001 dalam warta ekonomi, April 2001

Sebenarnya e-commerce B2B ini efektif untuk perusahaan berorientasi ekspor. Namun sayangnya, perkembangan jenis bisnis ini di Indonesia masih mengalami kendala karena beberapa hal. Kondisi ketidakstabilan masalah sosial dan politik dalam negeri membuat para pengusaha perlu berpikir ulang untuk memulai jenis bisnis ini, sementara itu pola bisnis tradisional yang melibatkan hubungan antar personal secara langsung masih sangat diminati masyarakat, dan faktor terakhir adalah rendahnya pertumbuhan jaringan internet di Indonesia. Nilai transaksi konvensional masih lima kali lebih besar daripada transaksi online. Penerimaan transaksi konvensional perusahaan Makro bisa mencapai milyaran rupiah per tahun, namun secara online hanya mencapai Rp 400-500 juta per tahun.

48

4.1.

Cara Pembayaran Indonesia Cara pembayaran yang terjadi di Indonesia melalui cara pembayaran tunai

dan non tunai. Pembayaran tunai diselenggarakan dengan menggunakan mata uang rupiah. Bank Indonesia mempunyai hak tunggal untuk mengeluarkan uang kartal yang memfasilitasi transaksi tunai masyarakat. Sementara, pembayaran non tunai dilayani terutama oleh sistem perbankan. Bank umum menawarkan nasabahnya pilihan yang sangat beragam dalam melakukan pembukaan rekening (giro, tabungan, deposito, dll.). Sementara itu, BPR hanya dapat menawarkan rekening tabungan saja. Sebagian besar bank umum yang berukuran menengah dan besar menyediakan akses pada rekening tabungan melalui fasilitas ATM. Sedangkan transaksi, baik kredit maupun debet, yang dilaksanakan secara elektronik hanya disediakan untuk transaksi antar rekening di dalam masingmasing bank. Pembayaran melalui kartu (kartu debet dan kartu kredit, ATM dan POS) saat ini menjadi semakin populer. Dalam ”Overview Sistem Pembayaran Nasional Indonesia” dijelaskan bahwa masyarakat Indonesia telah mengenal berbagai jenis kartu pembayaran; •

Kartu Kredit Kartu-kartu kredit utama dengan label terkenal sudah banyak digunakan dan

diterima secara luas di Indonesia, terutama di kota-kota besar. Hal ini dibuktikan dengan keberadaan kartu kredit VISA, Master, AMEX dan Diners serta banyaknya merchant yang menerima pembayaran menggunakan kartu kredit. Penyelenggaraan operasional kartu kredit, pada umumnya dilaksanakan oleh bank yang mengeluarkan (issuer), baik dengan label terkenal seperti VISA, Master dan

49

JCB maupun berbagai kartu berlabel khusus (private label cards). Sementara itu, Kartu American Express (AMEX) dan Diners dijalankan oleh lembaga keuangan bukan bank, dengan memperoleh izin dari Departemen Keuangan. Beberapa bank juga mengeluarkan kartu kredit atas nama sendiri. •

Kartu ATM dan Kartu Debit Saat ini ada lima jaringan ATM bersama yang didirikan di dalam negeri

(ALTO, ATM BERSAMA, CAKRA, FLASH dan BCA) dan dua jaringan ATM bersama yang internasional (CIRRUS dan PLUS). Sampai sekarang kelima jaringan ATM bersama tersebut, belum saling terkoneksi, sehingga beberapa bank terpaksa menjadi anggota lebih dari satu jaringan. Kartu ATM tidak hanya digunakan untuk penarikan uang tunai dan informasi saldo rekening, tetapi juga untuk memindahkan dana ke rekening lain pada bank yang sama, misalnya untuk tagihan telepon, listrik, kartu kredit, pembelian pulsa telepon seluler. Saat ini ada 23 lembaga keuangan yang menawarkan layanan kartu debet kepada nasabahnya. Kartu Debet adalah Alat Pembayaran dengan Menggunakan Kartu yang dapat digunakan untuk melakukan penarikan tunai dan atau pemindahan dana dimana kewajiban pemegang kartu dipenuhi seketika dengan mengurangi secara langsung simpanan pemegang kartu pada bank atau lembaga selain bank yang mendapat persetujuan untuk menghimpun dana (Bank Indonesia, 2004). •

Smart cards Ada beberapa bank yang telah merintis sistem smart card secara terbatas,

yang dapat digunakan pada mesin ATM atau POS di dalam jaringannya. PT

50

Telekomunikasi Indonesia (PT Telkom) telah menjual kartu telepon prabayar untuk penggunaan telepon umum. Pemakaian kartu telepon ini sudah cukup meluas di Indonesia. Melalui kerjasama yang terjalin dengan sebuah perusahaan swasta, PT Telkom juga telah meluncurkan kartu telepon dalam bentuk smart card (memori yang dilindungi).

4.2.

Sistem Penyelesaian Transaksi Antar Bank Sistem pembayaran antarbank yang ada di Indonesia adalah sistem

antarbank untuk transaksi retail dan sistem antarbank untuk pembayaran bernilai besar. Sebagian besar pembayaran retail dilaksanakan oleh bank umum dengan menggunakan berbagai instrumen, yaitu cek dan bilyet giro (yang mirip cek tetapi tidak berlaku untuk penarikan tunai), warkat pemindahan dana (nota kredit) dan wesel aksep (bank draft). Sistem transfer bernilai besar diselesaikan melalui sistem BI-RTGS. Cek dan pembayaran warkat bukan tunai lainnya diselesaikan melalui lembaga kliring yang diselenggarakan secara langsung oleh Bank Indonesia atau oleh bank umum yang memperoleh izin penyelenggaraan kliring dari Bank Indonesia. Semua lembaga kliring menggunakan metode penyelesaian secara netting atas transaksi multilateral (deferred multilateral net settlement method). Sementara transaksi ATM, EFTPOS dan kartu kredit serta sumber pembayaran lainnya, diselesaikan secara bilateral, baik bilateral secara netto maupun gross, menyerupai penyelesaian pengiriman dana antarbank secara bilateral (Bank Indonesia, 2006).

V. HASIL DAN PEMBAHASAN

5.1.

Persamaan untuk menganalisis pengaruh penggunaan pembayaran elektronik terhadap transaksi tunai

kartu

Model persamaan yang digunakan dalam penelitian ini ada dua, dimana masing-masing diantaranya ditujukan untuk menjawab permasalahan yang ingin dibahas. Untuk menjawab permasalahan yang menganalisis pengaruh penggunaan kartu pembayaran elektronik terhadap transaksi tunai di Indonesia maka model persamaan yang digunakan adalah: lncash = α0 + α 1lngdpt + α 2sbit + α 3lnjpkkt + α 4lnjpkdt + α 5lnjpatmt + α 6lnjmatmt + α 7lnvapmkt + t

(5.1)

Pengujian akar unit untuk semua variabel dalam persamaan yang digunakan sangat penting dalam analisis time series. Uji akar unit ini dilakukan untuk melihat kestasioneran data. Data yang stasioner adalah data yang mempunyai varians yang cenderung mendekati nilai rata-ratanya. Penggunaan data yang tidak stasioner akan menghasilkan regresi yang lancung. Uji akar unit yang digunakan dalam penelitian ini adalah menggunakan Augmented Dickey Fuller (ADF) Test. Sementara itu untuk mengetahui lag yang cocok pada uji ADF, maka kriteria yang digunakan adalah Schwarz Info Criterion (SIC) dan asumsi trend dan intercept. Tabel 5.1 berikut ini menunjukkan hasil pengujian akar unit pada tingkat level. Hasilnya hanya satu dari seluruh data yang digunakan dalam penelitian ini yang bersifat stasioner, yaitu variabel jumlah mesin ATM. Hal ini terlihat dari nilai ADF t-Statistiknya yang lebih kecil dari nilai kritis MacKinnonnya.

52

Tabel 5.1. Uji Akar Unit pada Level Variabel lncash lngdp sbi lnjpkk lnjpkd lnjpatm lnjmatm lnvapmk

Nilai ADF t-Statistics -0.338021 0.483534 3.397663 -0.866633 0.611435 -1.682304 -3.941550 -0.809936

Nilai Kritis MacKinnon 1% 5% 10% -4.165756 -3.508508 -3.184230 -4.192337 -3.520787 -3.191277 -4.165756 -3.508508 -3.184230 -4.170583 -3.510740 -3.185512 -4.165756 -3.508508 -3.184230 -4.170583 -3.510740 -3.185512 -4.165756 -3.508508 -3.184230 -4.165756 -3.508508 -3.184230

Keterangan Tidak stasioner Tidak stasioner Tidak stasioner Tidak stasioner Tidak stasioner Tidak stasioner Stasioner** Tidak stasioner

Keterangan: * data stasioner pada tingkat kepercayaan 1%, 5%, 10% ** data stasioner pada tingkat kepercayaan 5%, 10% *** data stasioner pada tingkat kepercayaan 10%

Sebagai konsekuensi dari tidak terpenuhinya asumsi stasioneritas data pada tingkat level atau derajat nol atau I(0) pengujian kestasioneran data dilanjutkan pada tingkat first difference. Hasil uji akar unit data pada first difference ditunjukkan oleh Tabel 5.2. Berdasarkan tabel tersebut dapat dilihat bahwa semua data yang digunakan telah stasioner sampai pada tingkat kepercayaan satu persen. Tabel 5.2. Uji Akar Unit pada First Difference

lncash lngdp

Nilai ADF t-Statistic -5.084921 -4.918058

Nilai Kritis MacKinnon 1% 5% 10% -4.170583 -3.510740 -3.185512 -4.192337 -3.520787 -3.191277

sbi

-4.951973

-4.170583

-3.510740 -3.185512

Stasioner*

lnjpkk lnjpkd lnjpatm

-7.501314 -5.064403 -4.624209

-4.170583 -4.170583 -4.170583

-3.510740 -3.185512 -3.510740 -3.185512 -3.510740 -3.185512

Stasioner* Stasioner* Stasioner*

lnjmatm

-8.477525

-4.170583

-3.510740 -3.185512

Stasioner*

lnvapmk

-7.712106

-4.170583

-3.510740 -3.185512

Stasioner*

Variabel

Keterangan: * data stasioner pada tingkat kepercayaan 1%, 5%, 10% ** data stasioner pada tingkat kepercayaan 5%, 10% *** data stasioner pada tingkat kepercayaan 10%

Keterangan Stasioner* Stasioner*

53

5.1.1. Uji Kointegrasi Setelah melakukan pengujian akar unit maka pengujian dilanjutkan ke uji kointegrasi. Uji kointegrasi Engle-Granger biasanya dilakukan pada persamaan tunggal. Pengujian kointegrasi ini dilakukan untuk melihat apakah residual dari persamaan jangka panjang dalam penelitian ini stasioner. Metode kointegrasi Engle-Granger sebetulnya menggunakan metode ADF yang terdiri dari dua tahap. Pertama, meregresi persamaan awal (dalam hal ini variabel lncash, lngdp, sbi, lnjpkk, lnjpkd, lnjpatm, lnjmatm dan lnvapmk) kemudian diperolah residual (katakan u) dari persamaan tersebut. Kedua, dengan menggunakan metode ADF diuji akar-akar unit terhadap u dengan hipotesis yang sama dengan hipotesis uji akar-akar unit ADF sebelumnya. Tabel 5.3. Persamaan Jangka Panjang Pengaruh Penggunaan Kartu Pembayaran Elektronik terhadap Transaksi Tunai Variabel

Koefisien Std. Error t-statistik C -0.242369 0.465070 -0.521146 lngdp 0.959651 0.127019 7.555159 sbi -0.000234 0.001501 -0.156111 lnjpkk -0.085911 0.093219 -0.921601 lnjpkd 0.000555 0.011222 0.049464 lnjpatm 0.104408 0.015816 6.601564 lnjmatm 0.129078 0.098364 1.312249 lnvapmk -0.091143 0.009821 -9.280075 R-squared 0.989440 Akaike info criterion Adjusted R-squared 0.987592 Schwarz criterion

Probabilitas 0.6051 0.0000 0.8767 0.3623 0.9608 0.0000 0.1969 0.0000 -5.827025 -5.515158

Setelah mendapatkan hasil estimasi persamaan jangka panjang yang menunjukkan pengaruh penggunaan kartu pembayaran terhadap transaksi tunai maka dilakukan uji kointegrasi dengan menggunakan nilai residualnya. Uji

54

kointegrasi ini dilakukan untuk melihat hubungan jangka panjang antara variabelvariabel yang digunakan. Tabel 5.4. Uji Kointegrasi Persamaan Pengaruh Penggunaan Kartu Pembayaran Elektronik terhadap Transaksi Tunai Variabel U

Nilai ADF t-Statistics -5.590205

Nilai Kritis MacKinnon 1% 5% 10 % -4.175640 -3.513075 -3.186854

Keterangan Stasioner*

Keterangan: * data stasioner pada tingkat kepercayaan 1%, 5%, 10% ** data stasioner pada tingkat kepercayaan 5%, 10% *** data stasioner pada tingkat kepercayaan 10%

Hasil uji kointegrasi persamaan jangka panjang pada tabel di atas menunjukkan bahwa nilai residualnya stasioner pada tingkat kepercayaan sampai satu persen. Dengan demikian berarti variabel-variabel dalam persamaan ini mempunyai hubungan jangka panjang. Hal ini ditunjukkan dari nilai ADF tStatistiknya yang lebih kecil dari nilai kritis MacKinnon. 5.1.2. Hasil Estimasi Model Persamaan Jangka Panjang Estimasi persamaan jangka panjang yang digunakan adalah persamaan kointegrasi. Dari hasil estimasi tersebut terlihat ada tiga variabel yaitu variabel GDP, jumlah pemegang kartu ATM dan jumlah transaksi non tunai APMK yang bernilai signifikan secara statistik, dan empat dari tujuh variabel independen tidak signifikan yaitu variabel SBI, jumlah pemegang kartu kredit, jumlah pemegang kartu debit dan jumlah mesin ATM. Empat variabel yang disebutkan terakhir memiliki nilai probabilitas yang lebih besar dari taraf nyata sepuluh persen, dengan demikian perubahan variabel yang dimaksud tidak berpengaruh terhadap perubahan variabel dependen yaitu transaksi tunai.

55

Hasil estimasi menunjukkan hubungan yang positif antara GDP dengan transaksi tunai. Koefisien GDP menunjukkan elastisitasnya, artinya bahwa peningkatan GDP sebesar satu persen akan meningkatkan transaksi tunai sebesar 0.959651 persen. Peningkatan satu persen jumlah pemegang kartu ATM akan meningkatkan transaksi tunai 0.104408 persen. Dan terakhir hubungan negatif ditunjukkan antara jumlah nilai transaksi APMK terhadap nilai transaksi tunai yaitu penurunan 0.091143 persen nilai transaksi tunai untuk setiap kenaikan satu persen transaksi non tunai APMK. Koefisien hasil estimasi menunjukkan tanda yang sesuai dengan teori yang ada. Sesuai dengan teori kuantitas uang Irving Fisher maka jumlah uang yang diminta adalah proporsional dengan jumlah total pembelian barang dan jasa. Dengan demikian, peningkatan pendapatan akan meningkatkan konsumsi dan mempengaruhi secara positif permintaan uang tunai. Sedangkan tingkat suku bunga nominal merefleksikan opportunity cost dalam memegang sejumlah uang tunai. Sehingga ketika nilai suku bunga nominal meningkat kecenderungan masyarakat untuk memegang uang tunai akan menurun dan lebih memilih untuk menyimpan sejumlah dananya dalam bentuk tabungan di bank. Meskipun hasil estimasi untuk variabel ini tidak signifikan secara statistik namun koefisien negatifnya menunjukkan pengaruh suku bunga nominal terhadap permintaan uang tunai untuk transaksi tunai yang sesuai teori ekonomi. Penggunaan kartu pembayaran elektronik, dalam hal ini kartu kredit, kartu debit, dan kartu ATM ternyata belum mampu secara signifikan mensubstitusi transaksi tunai. Peningkatan jumlah pemegang kartu kredit memang akan

56

menurunkan transaksi tunai namun ini tidak signifikan terjadi. Dengan demikian kepemilikan kartu kredit hanya merupakan pola baru gaya hidup dan bukan cara transaksi andalan masyarakat meskipun pembayaran yang melibatkan kartu kredit cenderung ke jenis pembelian barang bernominal besar (Snellman, Vesala, dan Humphray, 2000). Keamanan transaksi yang terjadi antar bank memudahkan pemilik kartu kredit untuk membeli barang dan jasa tanpa resiko kehilangan dan kesulitan menjinjing sejumlah nominal uang yang besar. Namun kepemilikan kartu kredit yang diproksi dari jumlah pemegang kartu kredit tidak signifikan mensubstitusi transaksi tunai. Jumlah pemegang kartu ATM memiliki hubungan yang positif dengan jumlah nilai transaksi tunai. Dengan mengasumsikan setiap rupiah yang ditransaksikan melalui ATM, baik transfer maupun penarikan uang tunai, semuanya digunakan untuk kegiatan konsumsi, maka semakin banyak jumlah pemegang kartu ATM akan memperbesar tingkat konsumsi masyarakat dan dengan demikian pula akan meningkatkan jumlah transaksi tunai. Secara signifikan hubungan positif antara jumlah pemegang kartu ATM dan transaksi tunai terjadi. Hal ini menunjukkan bahwa kepemilikan kartu ATM ini memudahkan masyarakat mengakses penarikan dana dari rekeningnya dan mendorong peningkatan konsumsi melalui transaksi tunai. Variabel jumlah mesin ATM yang ada juga merupakan pendekatan yang digunakan untuk mengindikasikan efek substitusi transaksi pembayaran. Hasil estimasi menunjukkan koefisien yang bernilai positif. Hasilnya sesuai dengan data yang diperoleh dari Bank Indonesia, mengenai jumlah mesin ATM dan jumlah

57

volume transaksi ATM. Namun, dari hasil regresi dalam penelitian ini jumlah mesin ATM tidak signifikan secara statistik mempengaruhi nilai transaksi tunai. Berikut ini perkembangan jumlah mesin ATM dan volume transaksinya ditunjukkan dalam bentuk grafik. Perkembangan jumlah mesin ATM 2002-2005 16000 14000 12000

unit

10000 8000

Jmesin ATM

6000 4000 2000 0 2002M1

2003M1

2004M1

2005M1

tahun

Volume Transaksi ATM 2002-2005 40000.00 35000.00

Rp milyar

30000.00 25000.00 20000.00

VTATM(Rp milyar)

15000.00 10000.00 5000.00 0.00 2000M1

2001M1

2002M1

2003M1

Tahun

Sumber: Data Bank Indonesia (2005), diolah

Gambar 5.1. Jumlah mesin dan volume transaksi ATM Indonesia

58

Pada gambar di atas dapat dilihat adanya kecenderungan peningkatan volume transaksi tunai melalui mesin ATM. Hubungan positif antara jumlah pemegang kartu ATM dan jumlah mesin ATM terhadap transaksi tunai menunjukkan bahwa fasilitas pembayaran elektronik ini belum mampu mensubstitusi pola transaksi tunai di Indonesia dalam jangka panjang. Fasilitas ini hanya mempermudah akses nasabah memperoleh uang tunai dalam jangka panjang. Hasil serupa disimpulkan oleh Mutaqqin (2006), bahwa jumlah ATM hanya merupakan upaya pihak bank memberikan pelayanan kemudahan kepada nasabahnya. Sementara itu Rahmat (2005) menyimpulkan bahwa jumlah mesin ATM hanya berpengaruh secara negatif (mensubstitusi) terhadap permintaan uang M1 dalam jangka pendek sedangkan dalam jangka panjang belum mampu mensubstitusi transaksi tunai. Hasil penelitian ini menghasilkan kesimpulan yang berbeda dengan hasil penelitian yang dilakukan di Eropa. Snellman, Vesala, dan Humphrey (2000) pada penelitiannya di sepuluh negara di Eropa menemukan bahwa kehadiran fasilitas ATM mampu mengurangi biaya transaksi penarikan tunai, sehingga dengan demikian frekuensi penarikan tunai meningkat namun secara rata-rata nilai penarikannya menurun dari waktu ke waktu. Artinya keberadaan ATM mengurangi jumlah uang tunai yang dipegang, yang diasumsikan berkorelasi positif dengan nilai transaksi tunai, masyarakat di kesepuluh negara di Eropa. Stix (2004) juga menyimpulkan dari hasil penelitiannya di Austria bahwa pemegang ATM ternyata memegang nilai tunai 42 persen lebih sedikit daripada orang yang menarik tunai dari bank. Analisis data penarikan tunai menunjukkan bahwa 53

59

persen transaksi penarikan dilakukan melalui ATM dan 37 persen melalui bank. Artinya bahwa kehadiran kartu pembayaran elektronik, dalam hal ini kartu ATM, di Austria mengurangi keinginan masyarakat memegang uang tunai. Kemudahan mengakses dana melalui fasilitas pembayaran elektronik (dalam hal ini kartu ATM) mampu meningkatkan frekuensi penarikan tunai namun secara bertahap justru menurunkan nilai penarikannya. Kedua hasil penelitian ini membuktikan bahwa di negara maju kecenderungan pensubstitusian transaksi non tunai dengan memanfaatkan kartu pembayaran elektronik terhadap transaksi tunai sudah terjadi. Sementara, fenomena yang terjadi di Indonesia berbeda. Keberadaan kartu pembayaran elektronik hanya mempermudah akses nasabah memperoleh uang tunai namun belum mampu mensubstitusi transaksi tunai yang terjadi dalam jangka panjang. Kartu pembayaran elektronik belum menjadi fasilitas pembayaran andalan dalam bertransaksi karena pola pembayaran secara tunai masih merupakan kebudayaan masyarakat Indonesia. Keberadaan fasilitas pembayaran elektronik pada dasarnya bertujuan untuk memudahkan akses nasabah atau pengguna untuk mentransaksikan sejumlah dana tanpa harus mendatangi kantor cabang. EFT-POS dan mesin ATM memudahkan pengguna menyelesaikan proses transaksi dalam waktu yang lebih cepat. Dengan kehadiran fasilitas pembayaran ini pengguna mendapat kemudahan akses dana, kenyamanan dalam bertransaksi, penghematan biaya dan waktu penyelesaian transaksi. Sedangkan pihak bank sendiri mendapat keuntungan dari segi biaya, yaitu penghematan dalam hal penyediaan pelayanan. Dengan adanya EFT-POS

60

dan mesin ATM, bank dapat mengurangi biaya pembangunan kantor cabang, pembayaran tenaga pekerja, sewa gedung, pembelian kertas dan pendistribusian. Dengan kata lain kehadiran fasilitas pembayaran elektronik memberikan keuntungan bagi pihak bank dan pengguna atau nasabah. Variabel nilai transaksi non tunai APMK berkolerasi negatif dan signifikan terhadap transaksi tunai. Dari nilai transaksi non tunai, peningkatan satu persennya akan menurunkan transaksi tunai sebesar 0.091143 persen. APMK dalam hal ini kartu kredit, kartu debit dan kartu ATM adalah kartu pembayaran elektronik yang paling sering digunakan. Hubungan negatif ini menunjukkan adanya pensubstitusian transaksi non tunai terhadap transaksi tunai, namun daya substitusinya masih sangat rendah. Peningkatan jumlah pemegang ATM dan mesin ATM secara positif mempengaruhi transaksi tunai. Artinya keberadaan kartu ATM dan mesinnya ternyata belum mampu mensubstitusi transaksi tunai. Namun hasil estimasi dalam penelitian ini menunjukkan bahwa variabel nilai transaksi APMK mampu mensubstitusi transaksi tunai. Dan dari ketiga kartu pembayaran elektronik yang paling sering digunakan tersebut yang mampu mensubstitusi transaksi tunai adalah nilai transaksi ATM (Mutaqqin, 2006). Kartu kredit dan kartu debit belum mampu mensubstitusi transaksi tunai, baik dari segi jumlah pemegang maupun dari nilai transaksinya. 5.1.3. Uji Kebaikan Model Persamaan Jangka Pendek Uji kebaikan model persamaan jangka pendek dilakukan untuk mencapai asumsi BLUE (Best Linier Unbiased Estimator) artinya bahwa persamaan ini bebas dari pelanggaran asumsi OLS. Hasil estimasi persamaan jangka pendek

61

yang signifikan dapat dilihat pada Tabel 5.9. Pengujian ini dilakukan melalui uji autokorelasi, heteroskedastisitas, dan normalitas. Tabel 5.5. Hasil Uji Autokorelasi dengan Breusch-Godfrey Serial Correlation LM Test Variabel Dependen D(LNCASH)

Obs*R-squared 1.311100

Probability 0.519156

Dari hasil uji autokorelasi dengan Breusch-Godfrey Serial Correlation LM Test maka dapat disimpulkan bahwa persamaan ini bebas dari masalah autokorelasi. Hal ini terlihat dari nilai probabilitas Obs*R-squared yang lebih besar dari taraf nyata sepuluh persen. Tabel 5.6. Hasil Uji Heteroskedastisitas ARCH Test Variabel dependen Obs*R-squared D(LNCASH) 0.247088 White Heteroskedasticity Test Variabel dependen Obs*R-squared D(LNCASH) 36.60380

Probability 0.619133 Probability 0.263534

Hasil pengujian heteroskedastisitas menunjukkan bahwa model persamaan jangka pendek ini bebas dari masalah heteroskedastisitas. Hal ini terlihat dari nilai probabilitas Obs*R-squared yang lebih besar dari taraf nyata sepuluh persen. Tabel 5.7. Hasil Uji Normalitas dengan Histogram-Normality Test Variabel Dependen D(LNCASH)

Jarque-Bera 0.299371

Probability 0.860979

Hasil pengujian normalitas menunjukkan bahwa error term model persamaan jangka pendek terdistribusi secara normal. Hal ini terlihat dari nilai probabilitasnya yang lebih besar dari taraf nyata sepuluh persen. Hasil pengujian normalitas selengkapnya dapat dilihat pada Lampiran 8.

62

5.1.4. Hasil Estimasi Jangka Pendek Setelah melakukan uji kointegrasi yang menunjukkan hubungan jangka panjang antara variabel maka selanjutnya untuk melihat hubungan jangka pendek dari variabel-variabel ini digunakan model koreksi kesalahan (ECM). Hasil estimasi persamaan jangka pendek digunakan untuk melihat perilaku jangka pendek dari persamaan regresi dengan mengestimasi dinamika error correction term yaitu u(-1). Tabel 5.8. Hasil Estimasi Persamaan Jangka Pendek Pengaruh Penggunaan Kartu Pembayaran Elektronik terhadap Transaksi Tunai Variabel D(LNCASH(-1)) D(LNCASH(-2)) D(LNGDP) D(LNGDP(-1)) D(LNGDP(-2)) D(SBI) D(SBI(-1)) D(SBI(-2)) D(LNJPKK) D(LNJPKK(-1)) D(LNJPKK(-2)) D(LNJPKD) D(LNJPKD(-1)) D(LNJPKD(-2)) D(LNJPATM) D(LNJPATM(-1)) D(LNJPATM(-2)) D(LNJMATM) D(LNJMATM(-1)) D(LNJMATM(-2)) D(LNVAPMK) D(LNVAPMK(-1)) D(LNVAPMK(-2)) U(-1) R-squared Adjusted R-squared

Koefisien

Std. Error

-0.505942 0.261071 1.196662 0.297410 0.028288 -0.001643 0.000229 -0.000960 -0.101024 -0.098847 -0.076824 0.008188 -0.013760 -0.042438 0.042105 0.018989 0.064506 0.078538 -0.032830 -0.103167 -0.084192 -0.034627 0.023799 -0.579189 0.991466 0.982120

t-statistik

0.265597 -1.904921 0.191597 1.362608 0.184595 6.482623 0.398184 0.746917 0.275209 0.102789 0.001961 -0.837957 0.002493 0.091901 0.002369 -0.405304 0.058362 -1.730973 0.065091 -1.518588 0.074179 -1.035661 0.005461 1.499176 0.009994 -1.376837 0.015779 -2.689464 0.013426 3.136095 0.023674 0.802106 0.030825 2.092651 0.049863 1.575089 0.041231 -0.796256 0.039447 -2.615376 0.004555 -18.48209 0.022011 -1.573204 0.016561 1.437094 0.195953 -2.955756 Akaike info criterion Schwarz criterion

Probabilitas 0.0706 0.1874 0.0000 0.4634 0.9191 0.4115 0.9276 0.6894 0.0981 0.1438 0.3121 0.1487 0.1831 0.0137 0.0050 0.4315 0.0487 0.1302 0.4348 0.0162 0.0000 0.1306 0.1654 0.0075 -7.936481 -6.972927

63

Hasil estimasi persamaan jangka pendek pada Tabel 5.8 di atas memperlihatkan bahwa banyak variabel yang tidak signifikan. Dengan demikian, untuk mengefisiensikan hasil estimasi, maka variabel yang tidak signifikan dapat dihilangkan (Thomas, 1997). Tabel 5.9 berikut memperlihatkan hasil estimasi persamaan jangka pendek pengaruh penggunaan kartu pembayaran elektronik terhadap transaksi tunai yang signifikan. Tabel 5.9. Hasil Estimasi Persamaan Jangka Pendek Pengaruh Penggunaan Kartu Pembayaran Elektronik terhadap Transaksi Tunai yang Signifikan Variabel D(LNCASH(-1)) D(LNCASH(-2)) D(LNGDP) D(LNJPKK) D(LNJPKK(-1)) D(LNJPKD) D(LNJPKD(-1)) D(LNJPKD(-2)) D(LNJPATM) D(LNJPATM(-2)) D(LNJMATM) D(LNJMATM(-2)) D(LNVAPMK) D(LNVAPMK(-1)) D(LNVAPMK(-2)) U(-1) R-squared Adjusted R-squared

Koefisien Std. Error t-statistik Probabilitas -0.344068 0.079501 -4.327859 0.0002 0.366259 0.071839 5.098349 0.0000 1.242236 0.091210 13.61958 0.0000 -0.148749 0.044343 -3.354510 0.0022 -0.101613 0.043465 -2.337833 0.0265 0.009025 0.004392 2.054822 0.0490 -0.013073 0.005530 -2.363901 0.0250 -0.043004 0.005735 -7.498762 0.0000 0.049344 0.008104 6.088932 0.0000 0.047149 0.007707 6.118072 0.0000 0.076939 0.029863 2.576418 0.0153 -0.109401 0.031912 -3.428174 0.0018 -0.087403 0.003613 -24.18931 0.0000 -0.021745 0.008296 -2.621070 0.0138 0.033883 0.008370 4.048316 0.0004 -0.704191 0.090958 -7.741953 0.0000 0.989637 Akaike info criterion -8.097770 0.984276 Schwarz criterion -7.455401

Hasil regresi persamaan jangka pendek menunjukkan korelasi yang berbeda terhadap perubahan nilai transaksi tunai jangka panjang. Dari Tabel 5.9 terlihat bahwa jumlah pemegang kartu elektronik berpengaruh signifikan secara statistik terhadap jumlah transaksi tunai yang diminta. Jumlah pemegang kartu kredit pada bulan yang sama dan satu bulan sebelumnya berpengaruh negatif terhadap

64

permintaan transaksi tunai. Sementara itu jumlah pemegang kartu debet pada bulan yang sama berpengaruh positif terhadap transaksi tunai, dan jumlah pemegang satu dan dua bulan sebelumnya berpengaruh negatif. Penggunaan kartu debit di bulan pertama mendorong masyarakat untuk meningkatkan konsumsinya atas kemudahan akses penarikan uang dan pendebetan sehingga pengguna menikmati transfer dan pendebetan langsung. Namun fungsi kartu debit bagi pengguna lambat laun menjadi lebih efektif digunakan untuk pendebetan langsung dan bukan penarikan tunai. Jumlah pemegang kartu ATM pada bulan yang sama dan lag 2 berpengaruh positif terhadap nilai transaksi tunai. Nilai transaksi tunai berhubungan positif terhadap jumlah mesin ATM pada bulan yang sama. Sedangkan untuk jumlah mesin ATM pada lag 2 berpengaruh negatif terhadap permintaan transaksi tunai. Variabel lain yang signifikan mempengaruhi nilai transaksi tunai adalah nilai transaksi tunai pada satu dan dua bulan sebelumnya. Nilai transaksi APMK pada bulan yang sama dan satu bulan sebelumnya mensubstitusi transaksi tunai dan nilai transaksi APMK dua bulan sebelumnya berpengaruh positif terhadap nilai transaksi tunai.

5.2.

Persamaan untuk menganalisis daya substitusi transaksi non tunai terhadap transaksi tunai yang terjadi di Indonesia Hasil estimasi dari persamaan pertama seperti yang telah dijelaskan di atas

menjawab permasalahan pertama dalam penelitian ini. Artinya dengan memasukkan variabel jumlah pemegang APMK, jumlah mesin ATM, dan total

65

nilai transaksi APMK maka dapat dilihat bagaimana faktor-faktor ini mempengaruhi

transaksi

tunai

yang

ada.

Kemudian,

untuk

menjawab

permasalahan kedua yaitu menganalisis daya substitusi transaksi non tunai terhadap transaksi tunai maka variabel nilai transaksi kliring dan BI-RTGS ditambahkan. Model persamaan yang digunakan adalah: lncash = α 0 + α 1lngdpt + α 2sbit + α 3lnvapmkt + α 4lnvrtgst + α5lnvkliringt + t

(5.2)

Pada tahap awal dilakukan pengujian akar unit untuk melihat kestasioneran data. Data yang tidak stasioner akan menghasilkan regresi yang semu (spurius regresion), dan demikian sebaliknya. Tabel 5.10. Uji Akar Unit pada Level

lncash

-4.453887

Nilai Kritis MacKinnon Keterangan 1% 5% 10% -4.165756 -3.508508 -3.184230 Stasioner*

lngdp

0.483534

-4.192337

-3.520787 -3.191277 Tidak Stasioner

sbi

3.397663

-4.165756

-3.508508 -3.184230 Tidak Stasioner

lnvapmk

-0.809936

-4.165756

-3.508508 -3.184230 Tidak Stasioner

lnvrtgs

-3.539492

-4.165756

-3.508508 -3.184230 Stasioner**

Variabel

Nilai ADF t-Statistic

lnvkliring -3.820452 -4.165756 -3.508508 -3.184230 Stasioner** Keterangan: * data stasioner pada tingkat kepercayaan 1%, 5%, 10% ** data stasioner pada tingkat kepercayaan 5%, 10% *** data stasioner pada tingkat kepercayaan 10%

Tabel 5.10 di atas menunjukkan masih ada data yang tidak stasioner. Hal ini terlihat dari nilai ADF t-Statistiknya yang lebih besar dari nilai kritis MacKinnon, sementara data yang lain menunjukkan sebaliknya. Sebagai konsekuensi dari tidak terpenuhinya asumsi stasioneritas data pada tingkat level atau derajat nol atau I(0) pengujian kestasioneran data dilanjutkan pada tingkat first difference.

66

Hasil uji akar unit data pada first difference ditunjukkan pada Tabel 5.11 dan dapat diketahui bahwa semua data yang digunakan telah stasioner pada tingkat kepercayaan satu persen. Tabel 5.11. Uji Akar Unit pada First Difference

lncash

-9.417246

Nilai Kritis MacKinnon 1% 5% 10% -4.170583 -3.510740 -3.185512

lngdp

-4.918058

-4.192337

-3.520787 -3.191277

Stasioner*

sbi

-4.951973

-4.170583

-3.510740 -3.185512

Stasioner*

lnvapmk

-7.712106

-4.170583

-3.510740 -3.185512

Stasioner*

lnvrtgs

-7.709658

-4.175640

-3.513075 -3.186854

Stasioner*

lnvkliring

-6.883718

-4.180911

-3.515523 -3.188259

Stasioner*

Variabel

Nilai ADF t-Statistic

Keterangan Stasioner*

Keterangan: * data stasioner pada tingkat kepercayaan 1%, 5%, 10% ** data stasioner pada tingkat kepercayaan 5%, 10% *** data stasioner pada tingkat kepercayaan 10%

5.2.1. Uji Kointegrasi Pengujian kointegrasi dilakukan untuk melihat apakah nilai residual dari persamaan jangka panjangnya stasioner. Pengujian kestasioneran residual ini diawali dengan meregresikan persamaan awal, dalam hal ini lngdp, sbi, lnvapmk, lnvrtgs, lnvkliring. Hasil regresi persamaan awal dirangkum dalam tabel berikut. Tabel 5.12. Persamaan Jangka Panjang Daya Substitusi Transaksi Non Tunai terhadap Transaksi Tunai Variabel Koefisien Std. Error t-statistik C 12.34297 4.285948 2.879869 lngdp 1.342274 0.169972 7.897019 sbi -0.008697 0.003614 -2.406713 lnvapmk -0.176315 0.030926 -5.701213 lnvrtgs -0.569992 0.037920 -15.03129 lnvkliring -0.013685 0.062227 -0.219925 R-squared 0.883663 Akaike info criterion Adjusted R-squared 0.869814 Schwarz criterion

Probabilitas 0.0062 0.0000 0.0206 0.0000 0.0000 0.8270 -3.064068 -2.830168

67

Setelah mendapatkan hasil estimasi persamaan jangka panjang maka dilakukan uji kointegrasi dengan menggunakan nilai residualnya. Uji kointegrasi ini dilakukan untuk melihat hubungan jangka panjang antara variabel. Tabel 5.13. Uji Kointegrasi Persamaan Daya Substitusi Transaksi Non Tunai terhadap Transaksi Tunai Variabel U

Nilai ADF t-Statistics -4.916640

Nilai Kritis MacKinnon 1% 5% 10 % -4.165756 -3.508508 -3.184230

Keterangan Stasioner*

Keterangan: * data stasioner pada tingkat kepercayaan 1%, 5%, 10% ** data stasioner pada tingkat kepercayaan 5%, 10% *** data stasioner pada tingkat kepercayaan 10%

Hasil uji kointegrasi persamaan jangka panjang pada tabel di atas menunjukkan bahwa nilai residualnya stasioner pada tingkat kepercayaan satu persen. Hal ini ditunjukkan dari nilai ADF t-Statistiknya yang lebih kecil dari nilai kritis MacKinnon. 5.2.2. Hasil Estimasi Model Persamaan Jangka Panjang Persamaan jangka panjang yang diestimasi adalah persamaan kointegrasi. Dari hasil regresi yang ditunjukkan pada Tabel 5.12 hanya ada satu variabel yang tidak signifikan mempengaruhi transaksi tunai, yaitu variabel nilai transaksi kliring. Empat dari lima variabel independen mempengaruhi secara signifikan. Kenaikan satu persen GDP akan meningkatkan transaksi tunai sebesar 1.342274 persen. Tiga variabel lain yang signifikan menunjukkan hubungan yang negatif. Kenaikan satu persen suku bunga nominal akan menurunkan transaksi tunai sebesar

0.008697 persen. Dalam jangka panjang, kenaikan satu persen nilai

transaksi APMK akan menurunkan transaksi tunai sampai 0.176315 persen dan

68

kenaikan satu persen nilai transaksi BI-RTGS akan menurunkan pula transaksi tunai sebesar 0.569992 persen. Variabel nilai transaksi APMK, kliring dan BI-RTGS menjadi pendekatan nilai transaksi non tunai. Nilai transaksi non tunai dalam jangka panjang ternyata secara signifikan mampu mensubsitusi transaksi tunai Indonesia. Hal ini terlihat dari adanya korelasi negatif antara variabel nilai transaksi non tunai (nilai transaksi APMK, kliring, BI-RTGS) terhadap nilai transaksi tunai. Nilai pensubstitusian terbesar terjadi dalam transaksi BI-RTGS. Penyelesaian transaksi melalui BI-RTGS yang diluncurkan pada tanggal 17 November 2000 dilaksanakan untuk seluruh transaksi antarbank bernilai besar melalui sistem elektronis secara gross. Saat ini pangsa penggunaan BI-RTGS sudah mencapai sekitar 90 persen dari nilai lalu lintas pembayaran di seluruh Indonesia (Bank Indonesia, 2006). Pengembangan sistem RTGS di Indonesia diawali dengan meningkatnya kesadaran akan perlunya menurunkan risiko sistemik pada sistem pemindahan dana dalam bernilai besar. Sistem BI-RTGS menyediakan kecepatan, keandalan dan kepastian dalam mengirim dan menerima dana. Hal tersebut menjadi penting, terutama untuk memacu pemulihan industri keuangan di Indonesia. Bagi Bank Indonesia, sistem ini berperan sangat penting dalam mengurangi risiko di dalam sistem pembayaran. Disamping itu, sistem RTGS juga mampu menjadi sumber informasi yang sangat bermanfaat, baik dalam rangka pengawasan bank maupun pelaksanaan kebijakan moneter.

69

Nilai transaksi APMK juga memberikan nilai substitusi yang signifikan terhadap transaksi tunai. Penggunaan APMK, dalam hal ini kartu kredit, kartu debit, dan kartu ATM, mengalami pertumbuhan pesat. Penggunaan kartu kredit sudah berkembang pesat dengan pertumbuhan yang mencapai 40 persen pada tahun 2000 dan 72 persen pada tahun 1999. Saat ini kartu kredit dilayani oleh lebih dari 35.000 penjual atau merchant di Indonesia. Jumlah pemegang kartu kredit pada tahun 2005 mencapai sekitar 6.502.753 orang, dengan total nilai transaksi Rp 9.664 milyar untuk jumlah transaksi yang mencapai 8,9 juta kali. Total nilai transaksi APMK, termasuk kartu debit dan kartu ATM, mencapai Rp 230.453 milyar pada tahun 2005 untuk jumlah transaksi yang mencapai 8 juta kali. Nilai transaksi kliring tidak signifikan mempengaruhi perubahan transaksi tunai. Hal ini mungkin dikarenakan adanya peralihan sistem penyelesaian transaksi ke sistem BI-RTGS. Dewasa ini terdapat sejumlah penyelenggara kliring. Masing-masing penyelenggara kliring tersebut menerapkan teknologi yang cukup bervariasi, mulai dari elektronik hingga manual. Di antara semua lembaga kliring tersebut, yang terbesar (dari segi jumlah peserta dan volume serta nilai transaksi) adalah Sistem Kliring Elektronik Jakarta. Nilai akhir (netto) yang diselesaikan melalui sistem kliring (dihitung dari posisi penutupan harian) di seluruh Indonesia (termasuk Jakarta) sebelum peluncuran sistem RTGS (menurut data sampai dengan tanggal 27 November 2000) secara harian mencapai IDR 7,3 trilyun (sekitar USD 730 juta). Setelah pelaksanaan sistem BI-RTGS, terjadi pergeseran pangsa nilai kliring yang cukup besar ke BI-RTGS. Sistem kliring

70

dilaksanakan berdasarkan penyelesaian transaksi secara tertunda netto di akhir hari transaksi (Bank Indonesia, 2006). 5.2.3. Uji Kebaikan Model Persamaan Jangka Pendek Uji kebaikan model persamaan jangka pendek ini dilakukan untuk mencapai asumsi BLUE (Best Linier Unbiased Estimator) artinya bahwa persamaan ini bebas dari pelanggaran asumsi OLS. Pengujian ini dilakukan melalui uji autokorelasi, heteroskedasitas, dan normalitas. Tabel 5.14. Hasil Uji Autokorelasi dengan Breusch-Godfrey Serial Correlation LM Test Variabel Dependen D(LNCASH)

Obs*R-squared 1.426820

Probability 0.489971

Dari hasil uji autokorelasi dengan Breusch-Godfrey Serial Correlation LM Test maka dapat disimpulkan bahwa persamaan ini bebas dari masalah autokorelasi. Hal ini terlihat dari nilai probabilitas Obs*R-squared yang lebih besar dari taraf nyata sepuluh persen. Tabel 5.15. Hasil Uji Heteroskedastisitas ARCH Test Variabel dependen D(LNCASH)

Obs*R-squared 0.024678

Probability 0.875171

Pengujian heteroskedastisitas pada persamaan kali ini tidak dilanjutkan pada White Heteroskedasticity Test karena jumlah observasi yang digunakan tidak mencukupi

(insufficient

number

of

observation).

Hasil

pengujian

heteroskedastisitas dengan ARCH Test menunjukkan bahwa model persamaan jangka pendek ini bebas dari masalah heteroskedastisitas, hal ini terlihat dari nilai probabilitas Obs*R-squared yang lebih besar dari taraf nyata sepuluh persen.

71

Tabel 5.16. Hasil Uji Normalitas dengan Histogram-Normality Test Variabel Dependen D(LNCASH)

Jarque-Bera 1.771831

Probability 0.412337

Hasil pengujian normalitas menunjukkan bahwa error term model persamaan jangka pendek terdistribusi secara normal. Hal ini terlihat dari nilai probabilitas Jarque-Bera yang lebih besar dari taraf nyata sepuluh persen. Hasil pengujian normalitas selengkapnya dapat dilihat pada Lampiran 16. 5.2.4. Hasil Estimasi Jangka Pendek Salah satu keunggulan dari ECM pada penelitian ini ialah model ini dapat melakukan formulasi pengkoreksian kesalahan dinamik hubungan jangka panjang antara nilai transaksi tunai yang terjadi dengan penggunaan APMK, dalam persamaan yang menangkap variasi dan dinamika dalam jangka pendeknya dengan baik. Hasil estimasi persamaan jangka pendek kali ini digunakan untuk melihat perilaku jangka pendek daya substitusi transaksi non tunai terhadap transaksi tunai di Indonesia, yang secara lengkap dapat dilihat pada Lampiran 13. Untuk mengefisiensikan hasil estimasi, maka variabel yang tidak signifikan dapat dihilangkan (Thomas, 1997). Dengan demikian dalam Tabel 5.17 dapat dilihat hasil estimasi persamaan jangka pendek daya substitusi transaksi non tunai terhadap transaksi tunai yang signifikan. Hasil estimasi persamaan jangka pendek menunjukkan hampir seluruh variabel dependen mempengaruhi transaksi tunai dalam jangka pendek. Nilai transaksi tunai lima bulan sebelumnya berturut-turut pada tiap periode mempengaruhi transaksi tunai secara positif, artinya bahwa tingkat konsumsi tunai pada bulan ini masih relatif sama dengan konsumsi tunai

72

lima bulan berturut-turut sebelumnya. Demikian pula dengan variabel lainnya dalam jangka pendek pengaruhnya signifikan terhadap transaksi tunai. Tabel 5.17. Hasil Estimasi Persamaan Jangka Pendek Daya Substitusi Transaksi Non Tunai terhadap Transaksi Tunai yang Signifikan Variabel D(LNCASH(-1)) D(LNCASH(-2)) D(LNCASH(-3)) D(LNCASH(-4)) D(LNCASH(-5)) D(LNGDP) D(LNGDP(-1)) D(LNGDP(-5)) D(SBI) D(SBI(-2)) D(SBI(-3)) D(SBI(-4)) D(SBI(-5)) D(LNVAPMK) D(LNVAPMK(-1)) D(LNVAPMK(-2)) D(LNVRTGS) D(LNVRTGS(-1)) D(LNVRTGS(-2)) D(LNVRTGS(-3)) D(LNVRTGS(-4)) D(LNVRTGS(-5)) D(LNVKLIRING) D(LNVKLIRING(-2)) D(LNVKLIRING(-3)) U(-1) R-squared Adjusted R-squared

Koefisien Std. Error t-statistik Probabilitas 2.744797 0.293077 9.365445 0.0000 2.142023 0.249620 8.581133 0.0000 2.064573 0.252946 8.162114 0.0000 1.324304 0.208372 6.355471 0.0000 1.609759 0.196921 8.174634 0.0000 12.95418 1.618263 8.004987 0.0000 -12.46447 1.609066 -7.746404 0.0000 -7.935333 0.996304 -7.964768 0.0000 0.105456 0.018383 5.736550 0.0000 -0.058859 0.015564 -3.781695 0.0016 0.034284 0.017051 2.010675 0.0615 -0.106238 0.017851 -5.951513 0.0000 0.071104 0.016284 4.366565 0.0005 -0.280877 0.025886 -10.85045 0.0000 0.301837 0.041442 7.283433 0.0000 0.149933 0.036460 4.112278 0.0008 -0.600770 0.026321 -22.82513 0.0000 1.260720 0.142439 8.850922 0.0000 0.921410 0.113438 8.122575 0.0000 0.886420 0.110360 8.032105 0.0000 0.501625 0.094646 5.300032 0.0001 0.743279 0.097334 7.636407 0.0000 0.183898 0.045803 4.014994 0.0010 0.219682 0.040497 5.424705 0.0001 0.157404 0.045206 3.481926 0.0031 -3.222467 0.300412 -10.72682 0.0000 0.989199 Akaike info criterion -4.422435 0.972322 Schwarz criterion -3.346735

Variabel nilai transaksi APMK berpengaruh signifikan terhadap perubahan nilai transaksi tunai dalam jangka pendek yaitu pada bulan yang sama, lag 1 dan lag 2. Nilai transaksi APMK mensubstitusi transaksi tunai pada bulan yang sama namun tidak demikian pada lag 1 dan lag 2. Peningkatan nilai transaksi APMK

73

sebesar satu persen akan menurunkan nilai transaksi tunai sebesar 0.280877 persen pada periode yang sama. Korelasi negatif yang ditunjukkan dalam jangka pendek ini memiliki kesamaan dengan korelasi jangka panjang antara nilai transaksi APMK terhadap nilai transaksi tunai. Variabel nilai transaksi BI-RTGS memiliki hubungan yang signifikan dan positif terhadap nilai transaksi tunai untuk nilai transaksi lag 1 sampai lag 5 berturut-turut. Sedangkan untuk periode yang sama, nilai transaksi BI-RTGS mensubstitusi transaksi tunai sebesar 0.600770 persen untuk setiap peningkatan satu persennya. Kemampuan pensubstitusian transaksi BI-RTGS dalam jangka panjang menunjukkan angka yang lebih besar yaitu mencapai 0.569992 persen. Semakin besarnya proporsi penggunaan BI-RTGS dalam proses transaksi non tunai antar bank menunjukkan semakin tingginya penggunaan transaksi non tunai elektronik untuk transfer antar bank. Variabel nilai transaksi kliring menunjukkan korelasi positif pada bulan yang sama, lag 2 dan lag 3. Ketidakmampuan pensubstitusian transaksi kliring dalam jangka pendek memiliki hasil yang sama dalam jangka panjang. Peningkatan satu persen nilai transaksi kliring pada lag 3 misalnya akan meningkatkan nilai transaksi tunai sebesar 0.157404 persen. Demikian pula yang terjadi pada lag 2 dan pada periode transaksi yang sama, transaksi kliring belum mampu mensubstitusi transaksi tunai. Sementara itu hasil estimasi jangka panjang memperlihatkan

bahwa

nilai

kliring

tidak

signifikan

secara

statistik

mempengaruhi nilai transaksi tunai. Hal ini mungkin disebabkan peningkatan yang signifikan atas penggunaan fasilitas BI-RTGS dalam transaksi antar bank.

VI. KESIMPULAN DAN SARAN

6.1. Kesimpulan Potensi pengembangan instrumen sistem pembayaran non tunai di Indonesia masih sangat besar. Adanya peningkatan penggunaan APMK (card based payment instruments) yang sangat signifikan dalam beberapa tahun terakhir, adanya kemudahan dalam penggunaan dan pengembangan teknologi, kecenderungan dan tuntutan masyarakat untuk bertransaksi dengan menggunakan instrumen yang lebih efisien dan aman, serta beberapa keunggulan instrumen non tunai dibandingkan dengan penggunaan uang tunai, telah mendorong Bank Indonesia

untuk

lebih

mengupayakan

terciptanya

masyarakat

yang

berkecenderungan non tunai. Perkembangan teknologi informasi dan inovasi sistem pembayaran mengarah pada penggunaan alat pembayaran yang makin efisien, aman, nyaman dan cepat. Hal ini dapat dilihat dari perkembangan jumlah pemegang kartu pembayaran elektronik, jumlah mesin ATM yang tersedia, nilai transaksi APMK, nilai transaksi kliring, dan nilai transaksi BI-RTGS. Berdasarkan tujuan awal penelitian ini, permasalahan dapat terjawab dengan menggunakan variabel-variabel yang sesuai ke dalam model. Dari hasil estimasi persamaan maka dapat disimpulkan bahwa hubungan jangka panjang penggunaan kartu pembayaran elektronik terhadap transaksi tunai signifikan dari perkembangan jumlah pemegang kartu ATM dan nilai transaksi APMKnya. Peningkatan jumlah pemegang kartu ATM secara positif mempengaruhi transaksi tunai dengan nilai elastisitas sebesar 0.104408 persen. Peningkatan volume

75

transaksi secara signifikan pula mampu merefleksikan pensubstitusian transaksi non tunai terhadap transaksi tunai sebesar 0.091143 persen untuk setiap peningkatan satu persennya. Sedangkan dalam jangka pendek, jumlah pemegang kartu kredit, kartu debit, kartu ATM, jumlah mesin ATM, dan volume transaksi APMK secara signifikan mempengaruhi nilai transaksi tunai Indonesia dengan tingkat signifikansi dan hubungan yang berbeda-beda. Persamaan yang menggunakan variabel nilai transaksi APMK, kliring, dan BI-RTGS menjawab permasalahan kedua. Kesimpulannya, dari hasil estimasi nilai transaksi non tunai yaitu transaksi APMK dan BI-RTGS telah mensubstitusi transaksi tunai secara signifikan. Meskipun proporsi pensubstitusiannya (hubungan negatifnya) masih relatif sedikit namun dalam jangka panjang korelasi negatif ini signifikan secara statistik. Nilai transaksi BI-RTGS mampu mensubstitusi transaksi tunai sebesar 0.569992 persen untuk setiap peningkatan satu persennya. Nilai transaksi APMK hanya mampu mensubstitusi 0.176315 persen transaksi non tunai untuk setiap peningkatan penggunaan satu persennya.

6.2. Saran Hasil pengujian hipotesis menunjukkan bahwa transaksi non tunai elektronik mampu mensubstitusi transaksi tunai Indonesia (yaitu transaksi APMK dan BI-RTGS). Kenyataan ini memberi peluang bagi BI dan dunia perbankan untuk meningkatkan nilai transaksinya. Kiranya BI dan pihak bank lebih giat mempromosikan keunggulan dan kemudahan penggunaan kartu kredit dan kartu debet, yang dalam jangka panjang belum mampu mempengaruhi transaksi tunai

76

secara signifikan, tanpa melupakan penetapan persyaratan yang baik untuk kepemilikan APMK. Misalnya dengan mengeluarkan jenis kartu kredit dan kartu debet yang berbunga rendah. Selain itu promosi penggunaan kartu ATM sebaiknya lebih mengarahkan pengguna memanfaatkan fasilitas transfer dan transaksi secara non tunai serta mengurangi nilai penarikan transaksi tunai. Dengan demikian hal ini akan meningkatkan nilai transaksi APMK, yang dalam jangka panjang terbukti memiliki kontribusi dalam pensubstitusian transaksi tunai. Selanjutnya diharapkan Bank Indonesia mampu membingkai kemajuan teknologi ini dengan fasilitas hukum yang baik pula, yaitu dengan menyiapkan UU perbankan dan jenis peraturan lainnya yang mengatur dan melindungi pihakpihak yang terlibat dalam transaksi non tunai elektronik. Penelitian mengenai sistem pembayaran non tunai elektronik masih jarang dilakukan di Indonesia. Mengingat bahwa transaksi non tunai elektronik ini adalah bentuk inovasi sistem pembayaran yang efisien maka penulis berharap akan semakin banyak penelitian mengenai keadaan dan kemampuan sistem pembayaran elektronik di negara ini. Dengan demikian hal ini akan mempermudah BI mengatur dan menyesuaikan inovasi sistem pembayaran Indonesia.

DAFTAR PUSTAKA

Adrianto, Fadjar. 2001a. “Mengelak Dari Suratan Nasib”. Warta Ekonomi, No.17: 10-17, April 2001. _____________. 2001b. “Ambisi BCA di Mobile Banking”. Warta Ekonomi, No.44: 28-35, November 2001. Bank Indonesia. 2001. Laporan Tahunan Bank Indonesia Tahun 2000-2001 Tentang Alat Pembayaran Non Tunai Elektronik. _____________. 2004. Peraturan Bank Indonesia Nomor 6/30/PBI/2004 tentang Penyelenggaraan Alat Pembayaran dengan Menggunakan Kartu. _____________. 2005. Laporan Tahunan Bank Indonesia Tahun 2005 Tentang Alat Pembayaran Non Tunai Elektronik. _____________. 2006a. Data Base APMK, kliring, dan BI-RTGS. Direktorat Akunting dan Sistem Pembayaran, Jakarta. _____________. 2006b. “Overview Sistem Pembayaran Nasional di Indonesia”. www.bi.go.id/biweb/utama/publikasi/upload/sistem-pembayaran.pdf [19 Februari 2006] Enders.W. 1995. Applied Econometric Time Series. John Wiley & Sons,Inc, USA. Febriyenny, R. 2006. Analisis Faktor-Faktor Yang Mempengaruhi Perusahaan Retail Kecil Dalam Menerima Sistem Pembayaran Elektronik (Studi Kasus 5 Propinsi di Indonesia). [Skripsi]. Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor. Global Insight Visa Internasional. 2003. The Virtuous Circle: Electronic Payments and Economic Growth. Visa International & Global Insight, California. Humphrey, D. B. 2001. Payment Systems: Principles, Practice, and Improvements. The World Bank, Washington, D. C. Humphrey, D. B, L. B. Pulley, dan J. M. Vessala. 1996. “Cash, Paper, and Electronic Payments: A Cross-Country Analysis”. Journal of Money, Credit and Banking, 28: 914-939.

78

Humphrey, D, M. Kim, dan B. Vale. 2001. “Realizing The Gain from Electronic Payments: Costs, Pricing, and Payment Choice”. Journal of money, Credit and Banking, 33: 2001. Listfield, R. dan F. Montes-Negret. 1994. “Modernizing Payment System in Emerging Economies”. World Bank Policy Research Working Paper, 1336. Markose, S. M. dan Y. J. Loke. 2003. “Network Effects on Cash-Card Substitution in Transactions and Low Interest Rate Regimes”. Economic Journal 113. April. 456—476. Mishkin, F. S. 2001. The Economic of Money Banking, and Financial Markets. Sixth Edition. Addison Wesley Longman: Columbia University, Columbia. Muttaqin, Z. 2006. Analisis Pengaruh Penggunaan Alat Pembayaran dengan Menggunakan Kartu dan Variabel-Variabel Makroekonomi terhadap Permintaan Uang di Indonesia. [Skripsi]. Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor. Pasaribu, S. H. 2003. “Eviews untuk Analisis Runtut Waktu (Time Series Analysis”. Departemen Ilmu Ekonomi:Institut Pertanian Bogor, Bogor. Rachmat, W. 2005. Pengaruh Jumlah Anjungan Tunai Mandiri (ATM) terhadap Permintaan Uang di Indonesia. [Skripsi]. Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor. Rinaldi, L. 2001. “Payments Cards and Money Demand in Belgium”. CES Discussion Paper KULeuven. DPS 01.16. Snellman, J, J. Vessala, dan D. Humphrey. 2000. “Substitution of Noncash Payment Instruments for Cash in Europe”. Bank of Finland Discussion Paper. 9/2000. Sridawati. 2006. Analisis Faktor-Faktor Yang Mempengaruhi Preferensi Masyarakat Terhadap Penggunaan Kartu Pembayaran Elektronik di Propinsi DKI Jakarta dan Jawa Barat. [Skripsi]. Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor. Stix. 2004. “The Impact of ATM Transactions and Cashless Payments On Cash Demand In Austria”. Monetary Policy and The Economy Q1/04. 2004. Thomas, R. L. 1997. Modern Econometrics an Introduction. Addison Wesley Longman, England.

80

Lampiran 1. Data-Data Penelitian (data mentah), persamaan pertama TAHUN

Cash

GDP

SBI

JPKK

JPKD

JPATM

JMATM

2002M1

410048.75

435055.2

16.93

3489169

13037299

19556033

8302

25006.45083

VAPMK

2002M2

423145.57

445234.5

16.86

3537164

13028017

19646638

8434

22088.93336

2002M3

429393.19

454395.3

16.76

3590567

13340683

19855243

8553

25002.1135

2002M4

433412.78

459063.9

16.61

3674694

13663909

20921150

8625

25651.11615

2002M5

436255.92

461987.1

15.51

3762271

13542070

21133396

8701

25731.18491

2002M6

439954.26

466922.4

15.11

3818216

13501124

21537178

8780

26968.143

2002M7 2002M8

445444.07 456290.32

475649.1 485300.1

14.93 14.35

3868437 3942030

13454873 13474424

21813721 22102066

8934 9048

30205.02733 29009.78079 29047.21304

2002M9

461982.79

491030

13.22

4036827

13619732

22394825

9048

2002M10

459288.81

490231.6

13.1

4115930

13724610

23135970

9540

30942.7877

2002M11 2002M12

453671.5 455776.75

486446.1 485452.2

13.06 12.93

4093371 4111571

12930161 12421871

22601098 22410879

9779 9752

32774.60011 29675.45002

2003M1

460334.93

491340.8

12.69

4145266

11951917

22138070

9916

31005.87

2003M2

472527.93

500378.2

12.24

4206131

12023005

22251114

9975

27850.27

2003M3

474768.15

507143

11.4

4162876

12115319

22474977

10037

32374.85

2003M4

475576.74

507631.3

11.06

4223687

11949102

22731864

10093

32054.56

2003M5

471969.36

505262.7

10.44

4321810

11982456

22935232

10172

33293.34

2003M6

470813.31

504874.8

9.53

4365600

12015063

23090705

10223

34061.49

2003M7

472566.45

509786.1

9.1

4389084

12100493

23561911

10343

37219.65

2003M8

480872.15

516818.5

9.1

4436561

11709940

23921443

10387

35946.35

2003M9

484853.53

521275.1

8.66

4286966

11423684

24328087

10556

36421.57

2003M10 2003M11

481059.14 476657.65

519809.9 515446.7

8.48 8.48

4275386 4353568

6044436 6059626

18496648 20279707

10944 10944

38750.76 38789.05

2003M12

470204.65

512560.6

8.31

4515624

6101369

20475786

10944

42355.95

2004M1

473181.85

515622.1

7.86

4423052

6140548

20898490

10944

42440.25

2004M2

485375.44

522491.8

7.48

4462870

6200361

21044315

11978

37116.36

2004M3

486700.9

531125.9

7.42

4501582

6251241

20573340

11978

44425

2004M4

476378.1

539512.9

7.33

4543605

6125347

20723970

11978

63134.8

2004M5

503951.99

548690.6

7.32

4647625

6334661

21035211

11978

44738.61

2004M6

512120.86

559729

7.34

4701143

6397808

21919620

12333

47608.14

2004M7

517490.15

571672.8

7.36

4793968

6446735

22635411

12333

54182.65

2004M8

554608.58

582974.5

7.37

4896749

6477691

22631318

12333

28365.92051

2004M9

561528.45

590061.5

7.39

5023294

6508883

23059237

12725

28533.04821

2004M10

560845.87

591636.9

7.41

5068555

6544095

23573188

12725

30791.03429

2004M11

562909.88

590624.8

7.41

5324017

6542865

25319996

12725

27714.92

2004M12 2005M1

554975.64 542834.94

592225.1 601046.9

7.43 7.42

5324017 5577892

6542865 6573699

25319996 26529065

12725 13398

37249.46 58211.95541

2005M2

559072.5

614195.1

7.43

5690029

6601875

26047722

13398

55122.5989

2005M3

565350.47

628183.8

7.44

5806259

6645723

26845065

14009

62833.33181

2005M4

578767.35

639530.3

7.7

5895928

6624381

26992058

14009

60762.95473

2005M5

585722.22

649979.1

7.95

5944616

6650950

27389415

14009

64256.88392

2005M6

601211.44

661277.6

8.25

6045608

6686901

27845356

14358

60066.16035

2005M7

609665.35

674752.8

8.49

6153518

6722397

28357771

14371

65087.44885

2005M8

601433.34

689320.6

9.51

6335533

6771853

28690011

14371

87887.25968

2005M9

628796.27

703476.2

10

6382319

14064925

21886533

14776

74679.92689

2005M10

560716.98

715639.3

11

6382319

21758528

11107572

14791

154922.3167

2005M11

526772.54

726524.4

12.25

6719486

23405334

9444363

14731

199751.8626

2005M12

496652.34

736770.6

12.75

6502753

24263202

9113809

14776

240118.2566

81

Keterangan: Cash GDP SBI JPKK JPKD JPATM JMATM

= Nilai Transaksi Tunai (Rp milyar) = Pendapatan Nasional (Rp milyar) = Suku Bunga Bank Indonesia = Jumlah Pemegang Kartu Kredit (orang) = Jumlah Pemegang Kartu Debit (orang) = Jumlah Pemegang Kartu ATM (orang) = Jumlah Mesin ATM (unit)

82

Lampiran 2. Uji Kestasioneran data Ln cash level Null Hypothesis: LNCASH has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-0.338021 -4.165756 -3.508508 -3.184230

0.9871

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNCASH) Method: Least Squares Date: 10/02/06 Time: 01:22 Sample(adjusted): 2002:02 2005:12 Included observations: 47 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNCASH(-1) C @TREND(2002:01)

-0.037956 0.508624 -0.000272

0.112287 1.452905 0.000905

-0.338021 0.350074 -0.300962

0.7370 0.7280 0.7649

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.072202 0.030029 0.028631 0.036069 101.8632 1.479816

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.004077 0.029071 -4.206944 -4.088849 1.712054 0.192299

Ln cash 1st diff Null Hypothesis: D(LNCASH) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNCASH,2) Method: Least Squares Date: 10/02/06 Time: 01:23

t-Statistic

Prob.*

-5.084921 -4.170583 -3.510740 -3.185512

0.0008

83

Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNCASH(-1)) C @TREND(2002:01)

-0.786775 0.012848 -0.000430

0.154727 0.009082 0.000321

-5.084921 1.414604 -1.339854

0.0000 0.1644 0.1873

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.376488 0.347488 0.028290 0.034414 100.2814 2.015772

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.001963 0.035022 -4.229626 -4.110367 12.98212 0.000039

Lngdp level Null Hypothesis: LNGDP has a unit root Exogenous: Constant, Linear Trend Lag Length: 5 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

0.483534 -4.192337 -3.520787 -3.191277

0.9989

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNGDP) Method: Least Squares Date: 10/02/06 Time: 01:23 Sample(adjusted): 2002:07 2005:12 Included observations: 42 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNGDP(-1) D(LNGDP(-1)) D(LNGDP(-2)) D(LNGDP(-3)) D(LNGDP(-4)) D(LNGDP(-5)) C @TREND(2002:01)

0.006074 1.793018 -1.140179 -0.554975 1.252916 -0.660386 -0.078085 3.61E-05

0.012562 0.120985 0.251116 0.303908 0.237516 0.119290 0.162637 0.000115

0.483534 14.82012 -4.540440 -1.826127 5.275078 -5.535958 -0.480122 0.314239

0.6318 0.0000 0.0001 0.0766 0.0000 0.0000 0.6342 0.7553

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.970311 0.964198 0.001776 0.000107 210.8482 1.776414

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.010860 0.009385 -9.659440 -9.328456 158.7429 0.000000

84

Lngdp 1st diff Null Hypothesis: D(LNGDP) has a unit root Exogenous: Constant, Linear Trend Lag Length: 4 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-4.918058 -4.192337 -3.520787 -3.191277

0.0014

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNGDP,2) Method: Least Squares Date: 10/02/06 Time: 01:24 Sample(adjusted): 2002:07 2005:12 Included observations: 42 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNGDP(-1)) D(LNGDP(-1),2) D(LNGDP(-2),2) D(LNGDP(-3),2) D(LNGDP(-4),2) C @TREND(2002:01)

-0.282220 1.068849 -0.055001 -0.595777 0.635971 0.000554 8.98E-05

0.057384 0.111592 0.162554 0.145937 0.106888 0.000700 2.77E-05

-4.918058 9.578150 -0.338354 -4.082437 5.949887 0.791920 3.240869

0.0000 0.0000 0.7371 0.0002 0.0000 0.4337 0.0026

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.940261 0.930021 0.001756 0.000108 210.7043 1.747756

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

8.04E-05 0.006639 -9.700206 -9.410595 91.81441 0.000000

Sbi level Null Hypothesis: SBI has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(SBI) Method: Least Squares

t-Statistic

Prob.*

3.397663 -4.165756 -3.508508 -3.184230

1.0000

85

Date: 10/02/06 Time: 01:24 Sample(adjusted): 2002:02 2005:12 Included observations: 47 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

SBI(-1) C @TREND(2002:01)

0.072805 -1.745702 0.037701

0.021428 0.324805 0.004965

3.397663 -5.374619 7.593092

0.0015 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.620506 0.603257 0.296307 3.863111 -7.971253 1.769119

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.088936 0.470422 0.466862 0.584956 35.97199 0.000000

Sbi 1st diff Null Hypothesis: D(SBI) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-4.951973 -4.170583 -3.510740 -3.185512

0.0011

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(SBI,2) Method: Least Squares Date: 10/02/06 Time: 01:25 Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(SBI(-1)) C @TREND(2002:01)

-0.685372 -0.515372 0.018695

0.138404 0.136098 0.004818

-4.951973 -3.786781 3.880208

0.0000 0.0005 0.0004

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.365702 0.336200 0.305626 4.016525 -9.192012 2.024768

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.012391 0.375122 0.530087 0.649347 12.39575 0.000056

86

Lnjpkk level Null Hypothesis: LNJPKK has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-0.866633 -4.170583 -3.510740 -3.185512

0.9511

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNJPKK) Method: Least Squares Date: 10/02/06 Time: 01:25 Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNJPKK(-1) D(LNJPKK(-1)) C @TREND(2002:01)

-0.054824 -0.198764 0.837877 0.000828

0.063260 0.173976 0.951758 0.000808

-0.866633 -1.142481 0.880348 1.025514

0.3911 0.2597 0.3837 0.3110

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.069541 0.003080 0.016975 0.012103 124.3173 1.834757

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.013237 0.017001 -5.231186 -5.072173 1.046337 0.382057

Lnjpkk 1st diff Null Hypothesis: D(LNJPKK) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNJPKK,2) Method: Least Squares Date: 10/02/06 Time: 01:26 Sample(adjusted): 2002:03 2005:12

t-Statistic

Prob.*

-7.501314 -4.170583 -3.510740 -3.185512

0.0000

87

Included observations: 46 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNJPKK(-1)) C @TREND(2002:01)

-1.243272 0.013066 0.000148

0.165741 0.005434 0.000192

-7.501314 2.404669 0.774394

0.0000 0.0206 0.4429

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.568985 0.548938 0.016926 0.012319 123.9096 1.821183

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.001010 0.025202 -5.256940 -5.137680 28.38223 0.000000

Lnjpkd level Null Hypothesis: LNJPKD has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

0.611435 -4.165756 -3.508508 -3.184230

0.9993

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNJPKD) Method: Least Squares Date: 10/02/06 Time: 01:26 Sample(adjusted): 2002:02 2005:12 Included observations: 47 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNJPKD(-1) C @TREND(2002:01)

0.039820 -0.721566 0.003985

0.065126 1.066843 0.001854

0.611435 -0.676357 2.149545

0.5441 0.5024 0.0371

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.098488 0.057510 0.152869 1.028234 23.13406 1.561836

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.013216 0.157464 -0.856769 -0.738674 2.403449 0.102181

88

Lnjpkd 1st diff Null Hypothesis: D(LNJPKD) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-5.064403 -4.170583 -3.510740 -3.185512

0.0008

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNJPKD,2) Method: Least Squares Date: 10/02/06 Time: 01:26 Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNJPKD(-1)) C @TREND(2002:01)

-0.746663 -0.056660 0.002733

0.147434 0.047722 0.001748

-5.064403 -1.187295 1.563195

0.0000 0.2416 0.1253

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.373620 0.344486 0.149879 0.965943 23.58455 1.955225

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.000798 0.185119 -0.894980 -0.775721 12.82421 0.000043

Lnjpatm level Null Hypothesis: LNJPATM has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNJPATM) Method: Least Squares Date: 10/02/06 Time: 01:27 Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints

t-Statistic

Prob.*

-1.682304 -4.170583 -3.510740 -3.185512

0.7431

89

Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNJPATM(-1) D(LNJPATM(-1)) C @TREND(2002:01)

-0.189999 0.558937 3.234553 -0.001189

0.112940 0.193436 1.902654 0.001325

-1.682304 2.889522 1.700022 -0.897898

0.0999 0.0061 0.0965 0.3744

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.249847 0.196265 0.107994 0.489833 39.20249 2.083222

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.016698 0.120460 -1.530543 -1.371531 4.662859 0.006688

Lnjpatm 1st diff Null Hypothesis: D(LNJPATM) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-4.624209 -4.170583 -3.510740 -3.185512

0.0029

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNJPATM,2) Method: Least Squares Date: 10/02/06 Time: 01:27 Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNJPATM(-1)) C @TREND(2002:01)

-0.664365 0.034230 -0.001862

0.143671 0.034965 0.001289

-4.624209 0.978991 -1.444006

0.0000 0.3331 0.1560

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.332125 0.301061 0.110268 0.522840 37.70263 1.900545

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.000875 0.131896 -1.508810 -1.389551 10.69166 0.000170

90

Lnjmatm level Null Hypothesis: LNJMATM has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-3.941550 -4.165756 -3.508508 -3.184230

0.0178

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNJMATM) Method: Least Squares Date: 10/02/06 Time: 01:28 Sample(adjusted): 2002:02 2005:12 Included observations: 47 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNJMATM(-1) C @TREND(2002:01)

-0.561349 5.074151 0.007180

0.142418 1.283652 0.001855

-3.941550 3.952903 3.871468

0.0003 0.0003 0.0004

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.264829 0.231413 0.016201 0.011548 128.6269 1.915037

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.012266 0.018479 -5.345827 -5.227733 7.925027 0.001150

Lnjmatm 1st diff Null Hypothesis: D(LNJMATM) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNJMATM,2) Method: Least Squares Date: 10/02/06 Time: 01:28 Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints

t-Statistic

Prob.*

-8.477525 -4.170583 -3.510740 -3.185512

0.0000

91

Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNJMATM(-1)) C @TREND(2002:01)

-1.252959 0.018126 -0.000114

0.147798 0.006090 0.000205

-8.477525 2.976426 -0.553680

0.0000 0.0048 0.5827

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.625680 0.608270 0.018444 0.014628 119.9590 2.118890

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.000277 0.029469 -5.085172 -4.965913 35.93748 0.000000

Lnvapmk level Null Hypothesis: LNVAPMK has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-0.809936 -4.165756 -3.508508 -3.184230

0.9573

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNVAPMK) Method: Least Squares Date: 11/08/06 Time: 20:45 Sample(adjusted): 2002:02 2005:12 Included observations: 47 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNVAPMK(-1) C @TREND(2002:01)

-0.085861 0.823788 0.005659

0.106009 1.058830 0.003544

-0.809936 0.778017 1.596761

0.4223 0.4407 0.1175

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.067114 0.024710 0.197188 1.710853 11.16904 2.150679

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.048128 0.199670 -0.347619 -0.229524 1.582720 0.216887

92

Lnvapmk 1st diff Null Hypothesis: D(LNVAPMK) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-7.712106 -4.170583 -3.510740 -3.185512

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNVAPMK,2) Method: Least Squares Date: 11/08/06 Time: 20:46 Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNVAPMK(-1)) C @TREND(2002:01)

-1.159030 -0.028925 0.003591

0.150287 0.061421 0.002249

-7.712106 -0.470927 1.596949

0.0000 0.6401 0.1176

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.580401 0.560885 0.197821 1.682721 10.81810 1.991666

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.006698 0.298526 -0.339918 -0.220658 29.73944 0.000000

93

Lampiran 3. Hasil Estimasi Jangka Panjang Persamaan Pertama Dependent Variable: LNCASH Method: Least Squares Date: 11/04/06 Time: 20:39 Sample: 2002:01 2005:12 Included observations: 48 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C LNGDP SBI LNJPKK LNJPKD LNJPATM LNJMATM LNVAPMK

-0.242369 0.959651 -0.000234 -0.085911 0.000555 0.104408 0.129078 -0.091143

0.465070 0.127019 0.001501 0.093219 0.011222 0.015816 0.098364 0.009821

-0.521146 7.555159 -0.156111 -0.921601 0.049464 6.601564 1.312249 -9.280075

0.6051 0.0000 0.8767 0.3623 0.9608 0.0000 0.1969 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.989440 0.987592 0.012180 0.005934 147.8486 1.143173

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

13.12075 0.109346 -5.827025 -5.515158 535.4232 0.000000

94

Lampiran 4. Uji Kointegrasi Persamaan Pertama Null Hypothesis: U has a unit root Exogenous: Constant, Linear Trend Lag Length: 2 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-5.590205 -4.175640 -3.513075 -3.186854

0.0002

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(U) Method: Least Squares Date: 10/02/06 Time: 01:31 Sample(adjusted): 2002:04 2005:12 Included observations: 45 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

U(-1) D(U(-1)) D(U(-2)) C @TREND(2002:01)

-1.347313 1.039896 0.568930 0.000240 -2.21E-05

0.241013 0.224764 0.241079 0.003054 0.000110

-5.590205 4.626609 2.359937 0.078557 -0.200465

0.0000 0.0000 0.0232 0.9378 0.8421

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.479722 0.427694 0.009328 0.003481 149.1586 1.814375

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.001147 0.012331 -6.407051 -6.206311 9.220478 0.000022

95

Lampiran 5. Hasil Estimasi Jangka Pendek Persamaan Pertama Dependent Variable: D(LNCASH) Method: Least Squares Date: 11/04/06 Time: 20:41 Sample(adjusted): 2002:04 2005:12 Included observations: 45 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNCASH(-1)) D(LNCASH(-2)) D(LNGDP) D(LNGDP(-1)) D(LNGDP(-2)) D(SBI) D(SBI(-1)) D(SBI(-2)) D(LNJPKK) D(LNJPKK(-1)) D(LNJPKK(-2)) D(LNJPKD) D(LNJPKD(-1)) D(LNJPKD(-2)) D(LNJPATM) D(LNJPATM(-1)) D(LNJPATM(-2)) D(LNJMATM) D(LNJMATM(-1)) D(LNJMATM(-2)) D(LNVAPMK) D(LNVAPMK(-1)) D(LNVAPMK(-2)) U(-1)

-0.505942 0.261071 1.196662 0.297410 0.028288 -0.001643 0.000229 -0.000960 -0.101024 -0.098847 -0.076824 0.008188 -0.013760 -0.042438 0.042105 0.018989 0.064506 0.078538 -0.032830 -0.103167 -0.084192 -0.034627 0.023799 -0.579189

0.265597 0.191597 0.184595 0.398184 0.275209 0.001961 0.002493 0.002369 0.058362 0.065091 0.074179 0.005461 0.009994 0.015779 0.013426 0.023674 0.030825 0.049863 0.041231 0.039447 0.004555 0.022011 0.016561 0.195953

-1.904921 1.362608 6.482623 0.746917 0.102789 -0.837957 0.091901 -0.405304 -1.730973 -1.518588 -1.035661 1.499176 -1.376837 -2.689464 3.136095 0.802106 2.092651 1.575089 -0.796256 -2.615376 -18.48209 -1.573204 1.437094 -2.955756

0.0706 0.1874 0.0000 0.4634 0.9191 0.4115 0.9276 0.6894 0.0981 0.1438 0.3121 0.1487 0.1831 0.0137 0.0050 0.4315 0.0487 0.1302 0.4348 0.0162 0.0000 0.1306 0.1654 0.0075

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

0.991466 0.982120 0.003929 0.000324 202.5708

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

0.003234 0.029381 -7.936481 -6.972927 2.299260

96

Lampiran 6. Uji Autokorelasi Persamaan ECM Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared

0.418426 1.311100

Probability Probability

0.662606 0.519156

Test Equation: Dependent Variable: RESID Method: Least Squares Date: 11/08/06 Time: 21:15 Presample missing value lagged residuals set to zero. Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNCASH(-1)) D(LNCASH(-2)) D(LNGDP) D(LNJPKK) D(LNJPKK(-1)) D(LNJPKD) D(LNJPKD(-1)) D(LNJPKD(-2)) D(LNJPATM) D(LNJPATM(-2)) D(LNJMATM) D(LNJMATM(-2)) D(LNVAPMK) D(LNVAPMK(-1)) D(LNVAPMK(-2)) U(-1) AR(1) RESID(-1) RESID(-2)

0.008695 -0.022026 0.004181 0.008366 -3.90E-05 0.000585 -0.002496 0.001019 -0.003190 -5.69E-05 -0.002769 0.001380 0.000663 0.000431 -0.002522 -0.011816 0.299973 -0.263291 0.337836

0.138147 0.108509 0.107636 0.045228 0.050071 0.004520 0.006597 0.007734 0.008456 0.008089 0.030202 0.033602 0.003595 0.012875 0.011254 0.121578 0.759098 0.773652 0.411297

0.062942 -0.202987 0.038841 0.184965 -0.000779 0.129413 -0.378408 0.131709 -0.377205 -0.007034 -0.091669 0.041065 0.184528 0.033483 -0.224128 -0.097186 0.395171 -0.340322 0.821392

0.9503 0.8408 0.9693 0.8547 0.9994 0.8981 0.7083 0.8963 0.7092 0.9944 0.9277 0.9676 0.8551 0.9736 0.8245 0.9234 0.6961 0.7365 0.4192

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

0.029798 -0.668748 0.003653 0.000334 196.9396

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

-0.000145 0.002828 -8.088162 -7.317717 1.954210

97

Lampiran 7. Uji Heteroskedastisitas Persamaan ECM ARCH Test: F-statistic Obs*R-squared

0.236957 0.247088

Probability Probability

0.629005 0.619133

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 11/08/06 Time: 21:18 Sample(adjusted): 2002:06 2005:12 Included observations: 43 after adjusting endpoints Variable C RESID^2(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient

Std. Error

t-Statistic

Prob.

7.31E-06 0.076043

2.26E-06 0.156215

3.234487 0.486783

0.0024 0.6290

0.005746 -0.018504 1.24E-05 6.26E-09 425.9800 1.995962

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

7.92E-06 1.22E-05 -19.72000 -19.63809 0.236957 0.629005

White Heteroskedasticity Test: F-statistic Obs*R-squared

1.701219 36.60380

Probability Probability

0.175624 0.263534

98

Lampiran 8. Uji Normalitas Persamaan ECM

10 Series: Residuals Sample 2002:05 2005:12 Observations 44

8

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

6

4

-0.000145 -0.000198 0.006235 -0.007579 0.002828 -0.130334 3.308780

2 Jarque-Bera Probability

0 -0.005

0.000

0.005

0.299371 0.860979

99

Lampiran 9. Data-Data Penelitian (data mentah), persamaan kedua TAHUN

Cash

GDP

SBI

VAPMK

VRTGS

VKLIRING

2002M1

270726.77

435055.2

16.93

25006.45

139321.97

7990.36

2002M2

317283.93

445234.5

16.86

22088.93

105861.63

6225.41

2002M3

272447.47

454395.3

16.76

25002.11

156945.71

6861.24

2002M4

228626.07

459063.9

16.61

25651.12

204786.71

6646.99

2002M5

276473.88

461987.1

15.51

25731.18

159782.03

6600.39

2002M6

295094.30

466922.4

15.11

26968.14

144859.95

6564.21

2002M7 2002M8

299044.11 342896.58

475649.1 485300.1

14.93 14.35

30205.03 29009.78

146399.95 113393.74

6445.33 6363.47

2002M9

346497.76

491030

13.22

29047.21

115485.02

6487.97

2002M10

306396.61

490231.6

13.1

30942.79

152892.19

4974.03

2002M11 2002M12

315506.27 350372.39

486446.1 485452.2

13.06 12.93

32774.60 29675.45

138165.23 105404.36

4954.67 5521.05

2003M1

327627.81

491340.8

12.69

31005.87

132707.11

4680.54

2003M2

367580.22

500378.2

12.24

27850.27

104947.71

4461.15

2003M3

344012.09

507143

11.4

32374.85

130756.05

4597.79

2003M4

313040.70

507631.3

11.06

32054.56

162536.03

4628.35

2003M5

338111.42

505262.7

10.44

33293.34

133857.94

4626.64

2003M6

320268.65

504874.8

9.53

34061.49

150544.66

4538.21

2003M7

314140.45

509786.1

9.1

37219.65

158425.99

4370.26

2003M8

365817.79

516818.5

9.1

35946.35

115054.35

4788.41

2003M9

348187.21

521275.1

8.66

36421.57

136666.31

4904.87

2003M10 2003M11

295404.65 357500.39

519809.9 515446.7

8.48 8.48

38750.76 38789.05

185654.48 119157.25

4713.04 5162.89

2003M12

347192.71

512560.6

8.31

42355.95

123011.94

5396.51

2004M1

342005.46

515622.1

7.86

42440.25

131176.39

4928.01

2004M2

295306.09

522491.8

7.48

37116.36

190069.35

4917.32

2004M3

294926.69

531125.9

7.42

44425.00

191774.21

4869.16

2004M4

243168.73

539512.9

7.33

63134.80

233209.37

4370.26

2004M5

309328.13

548690.6

7.32

44738.61

194623.86

4788.41

2004M6

322949.28

559729

7.34

47608.14

189171.58

4713.04

2004M7

292762.34

571672.8

7.36

54182.65

224727.80

7505.89

2004M8

280066.58

582974.5

7.37

28365.92

274541.99

5308.86

2004M9

267266.70

590061.5

7.39

28533.05

294261.75

5247.60

2004M10

272466.81

591636.9

7.41

30791.03

288379.05

3943.85

2004M11

310113.66

590624.8

7.41

27714.92

252796.21

5880.20

2004M12 2005M1

237246.93 252096.87

592225.1 601046.9

7.43 7.42

37249.46 58211.96

317728.70 290738.07

5467.41 5346.08

2005M2

302038.83

614195.1

7.43

55122.60

257033.67

5400.05

2005M3

258708.83

628183.8

7.44

62833.33

306641.64

5468.91

2005M4

250771.47

639530.3

7.7

60762.95

327995.87

5481.24

2005M5

218158.32

649979.1

7.95

64256.88

367563.89

5528.77

2005M6

236439.52

661277.6

8.25

60066.16

364771.92

5184.09

2005M7

333717.02

674752.8

8.49

65087.45

275948.33

5080.58

2005M8

293483.03

689320.6

9.51

87887.26

307950.31

5504.01

2005M9

313855.12

703476.2

10

74679.93

314941.15

5516.28

2005M10

256194.07

715639.3

11

154922.32

304522.90

5243.39

2005M11

309150.31

726524.4

12.25

199751.86

217622.22

5464.10

2005M12

227903.53

736770.6

12.75

240118.26

268748.81

6682.38

100

Keterangan: Cash GDP SBI VAPMK

= Nilai Transaksi Tunai (Rp milyar) = Pendapatan Nasional (Rp milyar) = Suku Bunga Bank Indonesia = Nilai transaksi APMK (Rp milyar)

VRTGS VKLIRING

= Nilai transaksi BI-RTGS (Rp milyar) = Nilai transaksi Kliring (Rp ribu)

101

Lampiran 10. Uji Kestasioneran Data Lncash level Null Hypothesis: LNCASH has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-4.453887 -4.165756 -3.508508 -3.184230

0.0046

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNCASH) Method: Least Squares Date: 10/02/06 Time: 05:38 Sample(adjusted): 2002:02 2005:12 Included observations: 47 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNCASH(-1) C @TREND(2002:01)

-0.622556 20.81597 -0.002907

0.139778 4.669281 0.001350

-4.453887 4.458067 -2.152658

0.0001 0.0001 0.0369

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.317152 0.286113 0.119028 0.623381 34.89439 1.991505

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.003664 0.140876 -1.357208 -1.239113 10.21800 0.000227

Lncash 1st diff Null Hypothesis: D(LNCASH) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNCASH,2) Method: Least Squares Date: 10/02/06 Time: 05:38

t-Statistic

Prob.*

-9.417246 -4.170583 -3.510740 -3.185512

0.0000

102

Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNCASH(-1)) C @TREND(2002:01)

-1.384465 0.010001 -0.000657

0.147014 0.041212 0.001479

-9.417246 0.242663 -0.443979

0.0000 0.8094 0.6593

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.673646 0.658467 0.133120 0.762003 29.03908 2.097790

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.010078 0.227786 -1.132134 -1.012874 44.37934 0.000000

Lnvrtgs level Null Hypothesis: LNVRTGS has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-3.539492 -4.165756 -3.508508 -3.184230

0.0466

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNVRTGS) Method: Least Squares Date: 10/02/06 Time: 05:41 Sample(adjusted): 2002:02 2005:12 Included observations: 47 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNVRTGS(-1) C @TREND(2002:01)

-0.437902 14.15813 0.010251

0.123719 3.997494 0.003484

-3.539492 3.541750 2.942688

0.0010 0.0010 0.0052

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.221703 0.186326 0.185791 1.518797 13.96727 1.989613

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.013979 0.205967 -0.466692 -0.348598 6.266836 0.004029

103

Lnvrtgs 1st diff Null Hypothesis: D(LNVRTGS) has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-7.709658 -4.175640 -3.513075 -3.186854

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNVRTGS,2) Method: Least Squares Date: 10/02/06 Time: 05:42 Sample(adjusted): 2002:04 2005:12 Included observations: 45 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNVRTGS(-1)) D(LNVRTGS(-1),2) C @TREND(2002:01)

-1.697095 0.398212 0.017077 0.000263

0.220126 0.140859 0.059634 0.002111

-7.709658 2.827027 0.286358 0.124744

0.0000 0.0072 0.7760 0.9013

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.681134 0.657802 0.183192 1.375932 14.61722 2.083875

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.004061 0.313161 -0.471876 -0.311284 29.19355 0.000000

Lnvkliring level Null Hypothesis: LNVKLIRING has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNVKLIRING) Method: Least Squares Date: 10/02/06 Time: 05:43 Sample(adjusted): 2002:02 2005:12

t-Statistic

Prob.*

-3.820452 -4.165756 -3.508508 -3.184230

0.0240

104

Included observations: 47 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNVKLIRING(-1) C @TREND(2002:01)

-0.475201 7.353200 0.000161

0.124383 1.936816 0.001359

-3.820452 3.796541 0.118615

0.0004 0.0004 0.9061

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.270972 0.237834 0.120527 0.639181 34.30619 2.219145

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.003803 0.138058 -1.332178 -1.214084 8.177169 0.000956

Lnvkliring 1st diff Null Hypothesis: D(LNVKLIRING) has a unit root Exogenous: Constant, Linear Trend Lag Length: 2 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-6.883718 -4.180911 -3.515523 -3.188259

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNVKLIRING,2) Method: Least Squares Date: 10/02/06 Time: 05:43 Sample(adjusted): 2002:05 2005:12 Included observations: 44 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNVKLIRING(-1)) D(LNVKLIRING(-1),2) D(LNVKLIRING(-2),2) C @TREND(2002:01)

-2.367381 0.806643 0.442288 -0.079797 0.002818

0.343910 0.263392 0.143272 0.039735 0.001386

-6.883718 3.062514 3.087041 -2.008212 2.033007

0.0000 0.0040 0.0037 0.0516 0.0489

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.773100 0.749829 0.113761 0.504719 35.86144 2.015170

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.005295 0.227444 -1.402793 -1.200044 33.22055 0.000000

105

Lampiran 11. Hasil Estimasi Jangka Panjang Persamaan Kedua Dependent Variable: LNCASH Method: Least Squares Date: 10/02/06 Time: 05:44 Sample: 2002:01 2005:12 Included observations: 48 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C LNGDP SBI LNVAPMK LNVRTGS LNVKLIRING

12.34297 1.342274 -0.008697 -0.176315 -0.569992 -0.013685

4.285948 0.169972 0.003614 0.030926 0.037920 0.062227

2.879869 7.897019 -2.406713 -5.701213 -15.03129 -0.219925

0.0062 0.0000 0.0206 0.0000 0.0000 0.8270

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.883663 0.869814 0.049331 0.102208 79.53763 1.512388

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

33.32450 0.136721 -3.064068 -2.830168 63.80420 0.000000

106

Lampiran 12. Uji Kointegrasi Persamaan Kedua Null Hypothesis: U has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-4.916640 -4.165756 -3.508508 -3.184230

0.0012

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(U) Method: Least Squares Date: 10/02/06 Time: 05:45 Sample(adjusted): 2002:02 2005:12 Included observations: 47 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

U(-1) C @TREND(2002:01)

-0.805921 0.000801 -6.78E-05

0.163917 0.014077 0.000513

-4.916640 0.056932 -0.132264

0.0000 0.9549 0.8954

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.358487 0.329327 0.047405 0.098878 78.16432 1.745152

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-0.003081 0.057885 -3.198482 -3.080387 12.29394 0.000057

107

Lampiran 13. Hasil Estimasi Persamaan Jangka Pendek Persamaan Kedua Dependent Variable: D(LNCASH) Method: Least Squares Date: 10/02/06 Time: 06:15 Sample(adjusted): 2002:07 2005:12 Included observations: 42 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNCASH(-1)) D(LNCASH(-2)) D(LNCASH(-3)) D(LNCASH(-4)) D(LNCASH(-5)) D(LNGDP) D(LNGDP(-1)) D(LNGDP(-2)) D(LNGDP(-3)) D(LNGDP(-4)) D(LNGDP(-5)) D(SBI) D(SBI(-1)) D(SBI(-2)) D(SBI(-3)) D(SBI(-4)) D(SBI(-5)) D(LNVAPMK) D(LNVAPMK(-1)) D(LNVAPMK(-2)) D(LNVAPMK(-3)) D(LNVAPMK(-4)) D(LNVAPMK(-5)) D(LNVRTGS) D(LNVRTGS(-1)) D(LNVRTGS(-2)) D(LNVRTGS(-3)) D(LNVRTGS(-4)) D(LNVRTGS(-5)) D(LNVKLIRING) D(LNVKLIRING(-1)) D(LNVKLIRING(-2)) D(LNVKLIRING(-3)) D(LNVKLIRING(-4)) D(LNVKLIRING(-5)) U(-1)

2.994889 2.402605 2.192914 1.538814 2.023550 17.74219 -16.81405 -4.161559 10.07307 -8.070318 -7.448661 0.107392 0.017946 -0.077640 0.043383 -0.134556 0.086804 -0.233139 0.272991 0.155253 -0.108067 0.054570 0.058457 -0.617370 1.348444 0.961693 0.951371 0.567702 0.989021 0.152440 -0.032199 0.268411 0.223305 -0.045242 0.024146 -3.335771

0.728100 0.637826 0.587026 0.579858 0.509457 8.223998 15.74024 15.92427 17.73731 16.83931 6.453739 0.027868 0.031133 0.028268 0.027806 0.031550 0.029154 0.065873 0.104138 0.115358 0.131726 0.140045 0.080601 0.051960 0.387028 0.323590 0.332899 0.284127 0.285080 0.108443 0.074672 0.088836 0.113371 0.103734 0.081012 0.687929

4.113294 3.766866 3.735636 2.653776 3.971975 2.157368 -1.068220 -0.261334 0.567903 -0.479255 -1.154162 3.853578 0.576416 -2.746594 1.560198 -4.264872 2.977387 -3.539208 2.621434 1.345829 -0.820389 0.389660 0.725266 -11.88167 3.484100 2.971948 2.857837 1.998062 3.469272 1.405714 -0.431212 3.021419 1.969682 -0.436137 0.298061 -4.849007

0.0063 0.0093 0.0097 0.0378 0.0074 0.0743 0.3265 0.8026 0.5907 0.6487 0.2923 0.0084 0.5853 0.0334 0.1697 0.0053 0.0247 0.0122 0.0395 0.2270 0.4434 0.7102 0.4956 0.0000 0.0131 0.0249 0.0289 0.0927 0.0133 0.2094 0.6814 0.0234 0.0964 0.6780 0.7757 0.0029

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

0.992975 0.951993 0.030461 0.005567 127.9032

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

-0.006152 0.139026 -4.376341 -2.886910 3.335740

108

Lampiran 14. Uji Autokorelasi Persamaan ECM Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared

0.217134 1.426820

Probability Probability

0.807916 0.489971

Test Equation: Dependent Variable: RESID Method: Least Squares Date: 10/02/06 Time: 06:18 Presample missing value lagged residuals set to zero. Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNCASH(-1)) D(LNCASH(-2)) D(LNCASH(-3)) D(LNCASH(-4)) D(LNCASH(-5)) D(LNGDP) D(LNGDP(-1)) D(LNGDP(-5)) D(SBI) D(SBI(-2)) D(SBI(-3)) D(SBI(-4)) D(SBI(-5)) D(LNVAPMK) D(LNVAPMK(-1)) D(LNVAPMK(-2)) D(LNVRTGS) D(LNVRTGS(-1)) D(LNVRTGS(-2)) D(LNVRTGS(-3)) D(LNVRTGS(-4)) D(LNVRTGS(-5)) D(LNVKLIRING) D(LNVKLIRING(-2)) D(LNVKLIRING(-3)) U(-1) AR(1) RESID(-1) RESID(-2)

-0.096828 -0.038869 -0.109582 -0.061763 -0.077150 -0.487482 0.479161 0.370367 -0.004659 0.000723 0.005655 -0.006790 0.003941 0.009051 -0.010118 -0.000507 0.001254 -0.040585 -0.010854 -0.054674 -0.022710 -0.041013 0.005565 -0.003959 0.007136 0.045857 0.751281 -0.729049 0.571177

0.373336 0.365128 0.377859 0.278218 0.284353 2.226003 2.172012 1.416223 0.022651 0.026779 0.027872 0.026537 0.018922 0.037458 0.049590 0.038649 0.028484 0.161169 0.172356 0.161221 0.120996 0.135563 0.065812 0.049105 0.050708 0.389116 1.202538 1.148422 0.957992

-0.259360 -0.106453 -0.290008 -0.221996 -0.271320 -0.218994 0.220607 0.261517 -0.205690 0.027013 0.202880 -0.255883 0.208278 0.241628 -0.204042 -0.013122 0.044011 -0.251816 -0.062977 -0.339127 -0.187692 -0.302538 0.084557 -0.080626 0.140719 0.117848 0.624746 -0.634827 0.596223

0.7998 0.9170 0.7768 0.8281 0.7908 0.8303 0.8291 0.7981 0.8405 0.9789 0.8426 0.8024 0.8385 0.8131 0.8417 0.9897 0.9656 0.8054 0.9508 0.7404 0.8543 0.7674 0.9340 0.9371 0.8904 0.9081 0.5438 0.5375 0.5621

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

0.034800 -2.217332 0.024223 0.007041 119.5503

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

0.000152 0.013504 -4.417089 -3.205050 2.014471

109

Lampiran 15. Uji Heteroskedastisitas Persamaan ECM ARCH Test: F-statistic Obs*R-squared

0.023459 0.024678

Probability Probability

0.879080 0.875171

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 11/08/06 Time: 21:37 Sample(adjusted): 2002:09 2005:12 Included observations: 40 after adjusting endpoints Variable C RESID^2(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient

Std. Error

t-Statistic

Prob.

0.000171 0.024989

4.14E-05 0.163155

4.130001 0.153163

0.0002 0.8791

0.000617 -0.025683 0.000182 1.26E-06 288.6483 1.933194

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.000175 0.000180 -14.33242 -14.24797 0.023459 0.879080

110

Lampiran 16. Uji Normalitas Persamaan ECM

7 Series: Residuals Sample 2002:08 2005:12 Observations 41

6 5

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

4 3 2 1

Jarque-Bera Probability

0 -0.02

-0.01

0.00

0.01

0.02

0.000152 0.000227 0.023209 -0.024499 0.013504 -0.026509 1.982966 1.771831 0.412337