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