40
BAB III METODE PENELITIAN
3.1.
Jenis dan Sumber Data Data yang akan dipakai dalam penelitian ini berupa data sekunder. Data
sekunder yang akan digunakan ialah data deret waktu bulanan (time series) dari bulan Mei 2006 – Desember 2010 yang merupakan data jumlah total nilai emisi sukuk, Indeks Harga Konsumen (IHK), jumlah pengangguran terbuka, Produk Domestik Bruto (PDB), jumlah uang beredar (M2), dan bonus Sertifikat Bank Indonesia Syariah (SBIS). Semua data ini diperoleh yang di peroleh dari instansi-instansi terkait, yaitu Statistik Ekonomi dan Keuangan Indonesia Bank Indonesia (SEKI-BI), Badan Pusan Statistik (BPS), Badan Pengawas Pasar Modal dan Lembaga Keuangan (Bapepam-LK), dan sumber lainnya. Table 3.1. Variabel, Notasi, dan Sumber Data Variabel Total Nilai Emisi Sukuk
Notasi
Satuan
LnSukuk Milyar Rupiah
Sumber Data Bapepam-LK dan Direktorat Utang Kemenkeu
Indeks Harga Konsumen LnIHK
Indeks
SEKI-BI
Pengangguran Terbuka
LnPT
Jiwa
BPS
Gross Domestic Product
LnPDB
Milyar Rupiah
SEKI-BI
Jumlah Uang Beredar
LnM2
Milyar Rupiah
SEKI-BI
Bonus SBIS
LnSBIS
Persen
SEKI-BI
41
3.2.
Metode Analisis Penelitian ini terdiri dari metode kuantitatif dan metode analisis deskriptif.
Metode analisis deskriptif digunakan untuk menjelaskan kondisi perkembangan sukuk di Indonesia dan kondisi makroekonomi di Indonesia sebelum diterbitkannya sukuk. Metode kuantitatif digunakan untuk pengujian model Vector Autoregressive (VAR) yang akan dipakai untuk menganalisis dampak penerbitan sukuk terhadap
indicator makroekonomi Indonesia. Jika variabel-variabel yang digunakan dalam penelitian ini stasioner pada first difference-nya maka akan menggunakan metode kuantitatif Vector Error Correction Model (VECM).
Menurut Arsana (2005) dalam Firdaus (2011), alat analisa yang disediakan oleh VAR/VECM dilakukan melalui empat macam penggunaannya, yakni : 1. Forecasting : ekstrapolasi nilai saat ini dan nilai masa depan seluruh variable dengan memanfaatkan seluruh informasi masa lalu dari variable tersebut. 2. Impulse Respons Function (IRF) : melacak respon saat ini dan masa depan dari setiap variable akibat shock atau perubahan suatu variable tertentu. 3. Forecast Error Variance Decomposition (FEVD) : sebagai prediksi kontribusi persentase varians setiap variable terhadap perubahan suatu variable tertentu. 4. Granger Causality Test : untuk mengetahui hubungan sebab akibat antar variable. Untuk melihat tahapan proses pengolahan data dengan menggunakan VAR/VECM dapat dilihat dari gambar di bawah ini :
42
Sumber : Azam Noer Achsani (2011)
Gambar 3.1. Proses Analisis VAR dan VECM Langkah pertama yang harus dilakukan adalah pengumpulan data yang akan digunakan dalam penelitian. Adapun data yang dikumpulkan adalah data-data yang secara umum dianggap relevan dan mempunyai hubungan dengan penelitian yang akan dilakukan. Langkah kedua adalah pengujian akar unit dari seluruh data yang sudah terkumpul. Seperti telah dijelaskan sebelumnya, pengujian akar unit ini biasannya dilakukan dengan uji Augmented Dickey-Fuller (ADF). Adapun tujuan dari pengujian akar unit ini adalah untuk menguji stasioneritas dan derajat integritas dari variabel tersebut. Jika seluruh data bersifat stasioner pada level, maka kita bisa langsung melakukan estimasi VAR terhadap data tersebut. Apabila data yang ada tidak stasioner pada level maka akan dilakukan uji kointegrasi pada level dan apabila
43
hasilnya terkointegrasi, maka dapat dilakukan estimasi terhadap data menggunakan estimasi VECM. Karena pada penelitian ini hampir semua data tidak stasioner pada data levelnya maka yang digunakan dalam penelitian ini adalah estimasi pada model VECM. Model VAR hanya digunakan untuk pengujian FEDV dan IRF. 3.2.1. Metode Vector Error Correction Model (VECM) Vector Error Correction Model (VECM) adalah VAR terestriksi yang digunakan untuk variabel yang nonstasioner tetapi memiliki potensi untuk terkointegrasi. Setelah dilakukan pengujian kointegrasi pada model yang digunakan maka dianjurkan untuk memasukkan persamaan kointegrasi ke dalam model yang digunakan. Pada data time series kebanyakan memiliki tingkat stasioneritas pada first difference atau I(1). VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. Oleh karena itu, VECM sering disebut sebagai desain VAR bagi series nonstasioner yang memiliki hubungan kointegrasi. Dengan demikian, dalam VECM terdapat speed of adjustment dari jangka pendek ke jangka panjang. Adapun spesifikasi model VECM secara umum adalah sebagai berikut :
Δyt = µ0x + µ1xt + πxyt-1 +
Δyt-I +
t ……………………………………
di mana : yt = vektor yang berisi variabel yang dianalisis dalam penelitian µ0x = vector intercept µ1x = vector koefisien regresi t = time trend πx = αx βy di mana b‟ mengandung persamaan kointegrasi jangka panjang yt-1 = variabel in-level
( 3.2 )
44
Γix = matriks koefisien regresi k -1 = ordo VECM dari VAR εt = error term 3.2.2. Pengujian Sebelum Estimasi Sebelum melakukan estimasi VAR atau VECM terlebih dahulu harus dilakukan beberapa pengujian. Berikut ini adalah beberapa pengujian yang harus dilakukan: 1.
Uji Stasioneritas Data Uji stasioneritas dapat dilakukan dengan metode Augmented Dickey Fuller
(ADF) sesuai dengan bentuk tren deterministik yang dikandung oleh setiap variabel. Apabila hasil dari pengujian ini menunjukkan nilai mutlak t-ADF lebih besar dari nilai mutlak MacKinnon critical values-nya maka data telah stasioner pada taraf nyata sebesar lima persen atau satu persen. Dapat juga dilihat pada nilai probabilitasnya. Apabila nilai probabilitasnya kurang dari taraf satu persen, lima persen, dan sepuluh persen maka data tersebut stasioner pada taraf tersebut. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series non stasioner akan berimplikasi pada dua pilihan VAR, yaitu VAR dalam bentuk first difference atau VECM. Keberadaan variabel non stasioner meningkatkan kemungkinan keberadaan hubungan kointegrasi antar variabel. Maka pengujian kointegrasi diperlukan untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi sebaiknya tetap dilakukan pada data stasioner, mengingat terdapatnya kemungkinan kesalahan pengambilan kesimpulan pengujian unit root terkait dengan the power of test.
45
Penentuan Lag Optimal
2.
Untuk memperoleh panjang selang yang tepat, maka perlu dilakukan tiga bentuk pengujian secara bertahap. Pada tahap pertama akan dilihat panjang selang maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots karakteristik AR polinomialnya. Suatu sistem VAR dikatakan stabil atau stasioner jika seluruh akar unitnya memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam unit circle (Lutkepohl, 1991). Pada tahap kedua, panjang selang optimal akan dicari dengan menggunakan kriteria informasi yang tersedia. Kandidat selang yang terpilih adalah panjang selang menurut kriteria Akaike Information Criterion (AIC) dan Schwarz Information Criterion (SC). Jika kriteria informasi hanya merujuk pada sebuah kandidat selang, maka kandidat selang tersebut optimal. Jika diperoleh lebih dari satu kandidat, maka pemilihan dilanjutkan pada tahap ketiga. Selain melalui kriteria AIC, pemillihan lag optimum juga dapat dilakukan berdasarkan Schwarz Information Criterion (SC). Pada tahap terakhir, nilai Adjusted R2 variabel VAR dari setiap kandidat selang dibandingkan dengan penekanan pada variabel-variabel penting dalam model VAR tersebut. Selang optimal akan dipilih dari sistem VAR dengan selang tertentu yang menghasilkan nilai Adjusted R2 terbesar pada variabel-variabel penting dalam sistem. 3.
Pengujian Hubungan Kointegrasi Kointegrasi adalah suatu hubungan jangka panjang antara variabel-variabel
yang meskipun secara individual tidak stasioner, tetapi kombinasi linier antara variabel tersebut dapat menjadi stasioner (Thomas, 1997). Salah satu syarat agar
46
tercapai keseimbangan jangka panjang adalah galat keseimbangan harus berfluktuasi di sekitar nol. Dengan kata lain, error term harus menjadi sebuah data time series yang stasioner. Ada beberapa metode yang dapat digunakan untuk melakukan uji kointegrasi, seperti Eagle-Granger Cointegration Test, Johansen Cointegration Test, dan Cointegration Regression Durbin-Watson Test. Suatu data time series dikatakan terintegrasi pada tingkat ke-d atau sering disebut I(d) jika data tersebut bersifat stasioner setelah pendiferensian sebanyak d kali. 4.
Uji Stabilitas Model VAR Dalam prakteknya, stabilitas sistem VAR dapat dilihat dari nilai inverse roots
karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di tabel AR roots-nya, jika seluruh nilai AR roots-nya di bawah satu, maka sistem tersebut stabil. 5.
Bentuk Urutan Variabel (ordering) Kebutuhan bentuk urutan variabel sesuai dengan uji kausalitas hanya terjadi
jika nilai korelasi residual antar variabel di dalam sistem secara mayoritas (lebih dari 50 persen) menjadi 0,2. Jika mayoritas nilai korelasi antar variabelnya bernilai di atas 0,2 maka spesifikasi urutan variabel sesuai dengan teori ekonomi atau uji kausalitas perlu dilakukan. Jika hasilnya yang ditemukan kontradiktif atau sebaliknya, maka bentuk urutan yang tepat tidak perlu dipermasalahkan. 3.3.
Model Penelitian Dalam penelitian ini akan mengkaji hubungan antara sukuk dengan indikator
makroekonomi Indonesia baik hubungan jangka pendek maupun hubungan jangka panjang sehingga model persamaannya adalah sebagai berikut :
47
LnSukukt =
LnSukukt-i +
LnIHKt-i +
t-i + +
LnPDBt-i LnSBISt-i
+
+
LnM2t-i
+
t
di mana : Ln Sukuk = Total Nilai Emisi Penerbitan Sukuk Ln PDB = Gross Domestic Product Ln M2
= Jumlah Uang Beredar Luas
Ln IHK
= Indeks Harga Konsumen
Ln PT
= Pengangguran Terbuka
Ln SBIS = Bonus Sertifikat Bank Indonesia Syariah 3.4.
Definisi Operasional Dalam penelitian ini defisnisi operasional dari setiap variabel yang dipakai,
yaitu : 1.
Penawaran Sukuk Variabel penawaran sukuk yang dipakai dalam penelitian ini merupakan total
jumlah nilai emisi sukuk yang diterbitkan oleh korporasi dan sukuk negara yang masih beredar (outstanding). Total nilai emisi sukuk korporasi terdiri dari sukuk yang sudah dilunasi dan sukuk yang masih beredar di pasar (outstanding). Total nilai emisi sukuk Negara (SBSN) hanya terdiri dari total sukuk yang masih beredar di pasar (outstanding) karena diterbitkan pertama kali pada tahun 2008 dan memiliki waktu jatuh tempo pada tahun 2015.
48
2.
Inflasi Variabel inflasi yang dipakai dalam penelitian ini merupakan indeks harga konsumen (IHK) gabungan di 66 kota di Indonesia. Sejak tahun 2004, IHK dihitung berdasarkan tahun dasar 2002 (2002 = 100) di 45 kota. Sejak bulan Juni 2008, IHK dihitung berdasarkan tahun dasar 2007 (2007 = 100) di 66 kota.
3.
Pengangguran Terbuka Setelah tahun 2000, yang dimaksud jumlah pengangguran terbuka merupakan
angkatan kerja yang mencari pekerjaan, yang mempersiapkan usaha, yang tidak mencari pekerjaan karena merasa tidak mungkin mendapatkan pekerjaan, dan yang sudah punya pekerjaan, tetapi belum mulai bekerja. Angkatan kerja mulai tahun 2000 dihitung berdasarkan penduduk usia kerja 15 tahun atau lebih. Data pengangguran terbuka dalam penelitian ini pun mendapatkan perlakuan karena data yang diterbitkan oleh BPS merupakan data semesteran. Perlakuan yang dilakukan untuk data semesteran tersebut menggunakan metode Qubic’s Plien pada software e-views, sehingga data semesteran tersebut menjadi data bulanan dan memudahkan dalam melakukan estimasi. 4.
Pertumbuhan Ekonomi Pertumbuhan ekonomi yang dipakai dalam penelitian ini merupakan indikasi
dari pendapatan nasional yang mengalami peningkatan atau penurunan yang dapat dilihat dari jumlah total GDP menurut lapangan usaha atas harga konstan 2000. Data GDP dalam penelitian ini pun mendapatkan perlakuan karena data yang diterbitkan oleh BPS merupakan data kuartalan. Perlakuan yang dilakukan untuk data kuartalan
49
tersebut menggunakan metode Qubic’s Plien pada software e-views, sehingga data kuartalan tersebut menjadi data bulanan dan memudahkan dalam melakukan estimasi. 5.
Jumlah Uang Beredar Variabel jumlah uang beredar yang dipakai dalam penelitian ini yaitu data
bulanan uang beredar luas (M2) yang merupakan penjumlahan antara uang beredar sempit (M1) dengan uang kuasi. Uang beredar sempit (M1) terdiri dari Uang Kartal di Luar Bank Umum dan BPR serta Simpanan Giro Rupiah. 6.
Bonus SBIS Variable Bonus SBIS yang digunakan dalam penelitian ini berupa data
bulanan dan dinyatakan dalam satuan persen.
