MACROECONOMIC CONDITION AND
BANKING INDUSTRY PERFORMANCE IN INDONESIA
Mahjus Ekananda1
Abstract
The ratio of
Keywords: Credit, PVAR, Banking, Interest Rate, Exchange Rate
JEL Classification: E51, C42, C33, E42, E43, F32
1 Mahjus Ekananda (m_ekananda@yahoo.com) is a lecturer and a researcher in Faculty of Economy and Bussines, University of Indonesia.
72Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
I. PENDAHULUAN
Kajian mengenai dampak ekonomi makro terhadap NPL dan CAR telah banyak dilakukan oleh peneliti di berbagai negara dan juga Indonesia. Sebagian besar bank yang ada di Indonesia masih mengandalkan kredit sebagai pemasukan utama dalam membiayai operasionalnya. Kondisi perekonomian di Indonesia saat ini, kredit masih dipertahankan sebagai sumber pendapatan utama.
Pemberian kredit merupakan aktivitas bank yang paling utama dalam menghasilkan keuntungan, meskipun disisi lain risiko yang terbesar bank juga bersumber dari kredit yang bermasalah. Kualitas kredit bermasalah biasanya dicerminkan oleh rasio
Tingginya tingkat rasio NPL menunjukkan rendahnya tingkat kesehatan bank yang disebabkan oleh banyaknya permasalahan dalam pengelolaan kredit oleh bank. Rasio NPL yang tinggi sebagai refleksi ketidakmampuan sektor riil memperoleh keuntungan guna mengembalikan pinjamannya ke sektor perbankan. Dari sudut pandang ini, minimalisasi NPL sangat diperlukan untuk mempertahankan perekonomian yang stabil. Perubahan rasio NPL dan CAR dipengaruhi oleh banyak faktor internal dan eksternal.
Dari aspek internal, Altunbas (2000) menemukan hasil bahwa Net Interest Margin (NIM) berpengaruh positif terhadap NPL. Hughes and Mester (1993) dan Girardone (2004) menemukan bahwa ada hubungan positif antara NIM dengan non performing loan. Begitupun Misra dan Dhal (2010) menemukan bahwa LDR berpengaruh positif terhadap NPL. Faktor lainnya yaitu Aset bank, pada penelitian Misra dan Dhal (2010) mengemukakan bahwa Aset berpengaruh negatif terhadap NPL. Sedangkan penelitian yang dilakukan oleh Ranjan dan Dhal (2003) menyatakan bahwa terdapat pengaruh negatif antara Operational Assets (OCTA) dan Capital Adequacy Ratio (CAR) dengan NPL.
Adapun faktor penyebab pembiayaan bermasalah dari sisi eksternal yang direpresentasikan dengan Gross Domestic Product (GDP) dan inflasi. Salas dan Saurina (2002) menunjukkan adanya hubungan antara GDP dengan NPL. Hasil penelitian itu ditegaskan oleh Jimenez dan Saurina (2004) bahwa NPL dipengaruhi oleh GDP. Wu (2003) dalam penelitiannya menunjukkan bahwa pertumbuhan GDP di beberapa negara berkembang Asia Timur dan Asia Tenggara berpengaruh negatif signifikan terhadap kredit bermasalah (NPL). Penelitiannya menggunakan persamaan NPL yang dipengaruhi oleh pertumbuhan GDP, perubahan harga perumahan, primary landing rate dan rasio corporate real estate loans terhadap individual real estate loans. Hasilnya menunjukkan bahwa peningkatan 1% pertumbuhan GDP akan menurunkan rasio NPL sebesar 0.122 %.
Macroeconomic Condition and Banking Industry Performance in Indonesia |
73 |
Jika dilihat dari studi empiris, bahwa faktor eksternal (Inflasi dan GDP) di atas ternyata berpengaruh pula terhadap NPL bank. Hasil penelitian Salas dan Saurina (2002) menunjukkan Nilai tukar berpengaruh positif terhadap NPL, dan menunjukkan bahwa inflasi berpengaruh negatif terhadap LDR. Sedangkan GDP yang merupakan jumlah produk yang dihasilkan masyarakat akan berdampak pada jumlah saving yang disimpan di bank. Simpanan itulah yang akan meningkatkan DPK dan otomatis meningkatkan likuiditas bank. Sehingga diprediksi GDP berpengaruh positif terhadap likuiditas. Salas and Saurina (2002) menemukan bahwa siklus bisnis mempengaruhi NPL ratio bank di Italia pada periode 1985 sampai 2002. Salas and Saurina (2002) mengestimasi dampak negatif contemporaneous GDP terhadap rasio NPL.
Analisis kredit perbankan di Indonesia dapat dilihat dari beberapa aspek, diantaranya kredit perbankan menurut sektor, menurut ukuran bank, ataupun menurut kepemilikan. Bank Indonesia (BI) mengklasifikasikan kegiatan usaha bank umum dalam empat kategori berdasarkan modal inti (Peraturan Bank Indonesia Nomor 14/26/PBI/2012 tanggal 27 Desember 2012 tentang Kegiatan Usaha dan Jaringan Kantor Berdasarkan Modal Inti Bank). BI memasukkan bank dengan modal inti mulai dari Rp100 miliar sampai di bawah Rp1 triliun dalam bank umum yang melaksanakan kelompok kegiatan usaha 1 (Buku 1), dari Rp1 triliun sampai di bawah Rp 5 triliun dalam Buku 2, dari Rp5 triliun hingga di bawah Rp30 triliun dalam Buku 3, sedangkan bank dengan modal inti Rp30 triliun atau lebih masuk dalam Buku 4.
Paper memiliki beberapa tujuan dan kontribusi untuk memecahkan masalah yang berkenaan dengan response NPL akibat adanya shock beberapa variabel ekonomi makro dan beberapa variabel internal bank dalam kelompok tertentu. Metode Panel VAR memungkinkan peneliti menganalisis keterkaitan antar bank, melakukan shock variabel ekonomi makro, kemudian dianalisis responsnya bank dalam kelompok tertentu. Panel VAR dapat menginvestigasi macrofinancial linkages (interaksi antara sektor keuangan dan ekonomi domestik/global), antara NPL dan
Bagian kedua dari paper ini mengulas teori dan literatur terkait hubungan antara kondisi ekonomi makro dengan kinerja industri perbankan. Bagian ini juga mengulas konstruksi model empiris yang akan diestimasi. Bagian ketiga mengulas data, teknik estimasi Panel Vector Autoregression, serta prosedur dan langkah penggunaanya. Bagian keempat menyajikan hasil perhitungan dan analisisnya, sementara bagian kelima menguraikan kesimpulan dan menjadi bagian penutup dari paper ini.
74Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
II. TEORI
2.1. Kinerja Bank dan Kondisi Ekonomi Makro
Perkembangan NPL sangat erat berhubungan dengan perkembangan ekonomi makro. Beberapa penulis seperti Long and Plosser (1983) mengatakan bahwa dampak spillovers dari sektor finansial terhadap ekonomi adalah kunci untuk memahami recent global crisis. Studi ini menyebutkan bahwa faktor ekonomi makro dipandang memainkan peran penting dalam krisis perbankan. Penelitian di negara berkembang antara lain oleh Shu (2002) yang melakukan penelitian pada data kuartal
Paper ini mendisain penelitian melalui konsep mekanisme jalur suku bunga dan jalur nilai tukar dalam mempengaruhi kinerja perbankan. Louis, Vouldis & Metaxas (2011) menjelaskan bahwa jalur suku bunga dilakukan oleh bank sentral untuk mempengaruhi suku bunga kredit dan deposito perbankan. Penurunan suku bunga BI Rate diharapkan segera diikuti dengan penurunan suku bunga kredit perbankan. Penelitian Gosh (2015) menjelaskan hubungan antara suku bunga dan nilai tukar sebagai determinan dari NPL dan kinerja bank.
Mekanisme kedua transmisi ini memerlukan waktu (time lag). Time lag
Peneliti Canovaa dan Ciccarelli (2004) menjelaskan bahwa metode ekonometrika yang digunakan untuk analisis interdependensi diantaranya adalah model dynamic stochastic general equilibrium (DSGE) yang dibangun dari multi sector, multi market, dimana agen ekonomi pada keadaan optimal dengan kendala yang full specified. Model DSGE mampu menghasilkan estimasi parameter dan simulasi impulse akibat shock yang terjadi pada satu atau lebih variabel eksogen. Batasan dan asumsi yang utama harus dipenuhi adalah exact identification pada model ekonomi. Jumlah persamaan harus sama dengan jumlah parameter endogen. Shock disusun berdasarkan proses stochastic dan dinamisasi transmisi dampak antar variabel dihubungkan melalui Impulse Response Function (IRF).
Pendekatan alternatif lain yang berurusan dengan interdependensi individu ekonomi dan adanya faktor shock menggunakan IRF adalah GVAR dan panel VAR. Panel VAR menangkap
Macroeconomic Condition and Banking Industry Performance in Indonesia |
75 |
dinamisasi interdependensi pada data menggunakan restriksi yang lebih sedikit. Identifikasi shock dapat ditransmisikan melalui reduced form kedalam persamaan structural melalui analisis impulse response. Struktural Panel VAR (SPVAR) dikembangkan kemudian untuk menanggulangi keterbatasan pada model struktural VAR standar. (lihat Faust dan Leeper (1997), Cooley dan Dweyer (1998)).
2.2. Identifikasi Jalur Transmisi dan Spesifikasi Model Empiris
Tujuan utama penelitian mendapatkan respon pada Variabel NIM, NPL dan CAR akibat adanya shock melalui suku bunga (IRD) dan adanya perubahan nilai tukar (DEPR).
Penelitian melakukan analisis pada 2 jenis model transmisi. Model pertama mengikuti konsep transmisi moneter melalui kebijakan suku bunga yang direspon oleh variabel NIM, NPL dan CAR. Variabel PVAR disusun menurut urutan Suku bunga domestik (IRD), Growth, NPL, NIM, dan CAR dengan variabel eksogen Aset Bank (ASSETS) dan Inflasi (INFLATION). Variabel eksogen pada model PVAR berperan variabel non dinamis, dalam arti variabel eksogen berperan sebagai kontrol (pengkondisi) lingkungan variabel dinamis yang diberlalukan dalam model.
Dengan demikian transmisi pertama menjelaskan tranmisi kebijakan moneter melalui jalur suku bunga. Kebijakan moneter melalui pengendalian suku bunga diharapkan akan mempengaruhi iklim perekonomian Indonesia, yang selanjutnya akan meningkatkan pertumbuhan ekonomi. Pertumbuhan ekonomi yang terjadi disebabkan oleh situasi perekonomian sektoral yang produktif menghasilkan barang dan jasa. Perkembangan ekonomi yang tinggi akan meningkatkan kemampuan perusahaan mengembalikan pinjaman kepada bank sehingga rasio non performing loan (NPL) akan berkurang. Selanjutnya semakin banyak kredit lancar terbentuk yang menghasilkan bunga dan keuntungan sehingga net interest margin (NIM) bank meningkat. Peningkatan NIM akan meningkatkan keuntungan bank sehingga pada akhirnya akan meningkatkan CAR bank. Hal ini sesuai dengan isu terkini mengenai kebijakan Bank Indonesia menurunkan suku bunga pada akhir Oktober 2016.
Model kedua yaitu jalur nilai tukar, dimulai dari adanya depresiasi rupiah menyebabkan harga produk ekspor relatif lebih murah dibandingkan produk non domestik. Terjadi aliran ekspor, meningkatkan produktivitas perusahaan dan meningkatkan kemampuan beli masyarakat dan kemampuan mengembalikan pinjaman bank. Perubahan ini akan mengurangi rasio NPL. Selanjutnya semakin banyak kredit lancar terbentuk yang menghasilkan bunga dan keuntungan sehingga net interest margin (NIM) bank meningkat. Peningkatan NIM akan meningkatkan
76Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
keuntungan bank sehingga pada akhirnya akan meningkatkan CAR bank. Struktur variabel PVAR disusun menurut urutan depresiasi nilai tukar Rupiah terhadap Dollar US (DEPR), Suku bunga domestik (IRD), NPL, NIM, dan CAR.
Perbedaan suku bunga yang semakin besar mendorong investor asing mengalir ke dalam
Transmisi teoritis ini tentunya tidak terjadi bersamaan pada setiap bank dari
III.METODOLOGI 3.1. Sumber Data
Populasi dalam penelitian ini adalah seluruh bank yang terdapat di Indonesia, sedangkan sampel yang digunakan dalam penelitian ini adalah beberapa bank yang memenuhi kecukupan/kelengkapan yang diperlukan untuk proses penghitungan ekonometrika panel VAR. Pengelompokan bank dibagi 4 menurut modal inti terdiri dari BUKU 1 sampai dengan BUKU 4. Data berasal dari seluruh bank dari tahun 2004 sampai dengan tahun 2014 (data semesteran) agar diperoleh informasi perilaku bank pada saat krisis keuangan tahun tahun 2008 (Stiglitz, 2010). Variabel ekonomi makro adalah sukubunga (IRD), dan perubahan nilai tukar riil (DEPR). Variabel internal bank adalah Net Interest Margin (NIM), Total Assets (ASSETS) dan Loan Deposit Ratio (LDR). Rasio NPL dihitung dari perbandingan jumlah kredit bermasalah terhadap total kredit. Aset Bank di hitung dalam logaritma natural.
|
Macroeconomic Condition and Banking Industry Performance in Indonesia |
77 |
||||
|
|
|
|
|
|
|
|
|
Tabel 1. |
|
|
|
|
|
Deskripsi Statistik Kelompok Bank |
|
|
|
||
Keterangan |
BUKU1 |
BUKU2 |
|
BUKU3 |
BUKU4 |
|
Jumlah bank |
24 |
27 |
|
14 |
|
5 |
3,279961 |
3,471268 |
|
4,108222 |
6,250600 |
||
Modal inti max (jutaan Rp) |
934.229,69 |
4.682.799,81 |
|
26.218.763,49 |
100.631.550,76 |
|
Modal inti min (jutaan Rp) |
110.705,32 |
1.046.294,77 |
|
5.352.304,53 |
31.818.634,16 |
|
Jumlah Kredit (jutaan Rp) |
2.475,44 |
11.239,25 |
|
58.152,94 |
29.8744,1 |
|
20,33 |
19,65 |
|
18,46 |
|
18,64 |
|
7,53 |
6,99 |
|
6,27 |
|
6,045 |
|
NIM Max (%) |
19,19 |
16,25 |
|
15,47 |
|
12,25 |
618.566,51 |
2.424.461,51 |
|
17.624.138,04 |
138.321.327,97 |
||
*) pada sample terakhir |
|
|
|
|
|
|
Data panel yang berhasil dikumpulkan sebanyak 70 buah bank dengan waktu observasi dari tahun 2004 sampai dengan akhir tahun 2014 agar diperoleh balanced panel yang diperlukan untuk estimasi PVAR. Deskripsi statistik kelompok bank dijelaskan pada Tabel 1. Jumlah bank terbesar pada kelompok BUKU 2 dengan Modal inti maksimum pada urutan ke tiga terbesar. Nilai
3.2. Teknik Estimasi
Paper ini menggunakan teknik estimasi Panel Vector Autoregression (PVAR). Beberapa aplikasi ekonometrika terkini belum menyediakan estimasi model PVAR sehingga penelitian ini menggunakan aplikasi terprogram.
Guna memahami perbedaan umum pada PVAR dibandingkan VAR, paper ini menjelaskan bangunan matriks data yang akan membantu peneliti melakukan analisis IRF dan Variance Decomposition. Perbedaan yang mendasar antara PVAR dan VAR terletak pada struktur data
78Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
yang mengadopsi perilaku antar individu sekaligus perilaku dinamis antar variabel. PVAR yang digunakan menggunakan konsep estimator yang dikemukakan oleh
t= 1,2,3,…T periode. Jika matriks W terdiri dari 3 variabel yit, zit dan pit, serta secara ringkas model PVAR(1) dinyatakan sebagai
(1)
Karena W merupakan vektor yang terdiri dari 3 variabel, maka persamaan PVAR terdiri dari 3 buah persamaan. Persamaan pertama
(2)
Dimana variabel dependen berupa vektor
,
(3)
Variabel yit disusun sebagai vektor kolom yang terdiri dari individu pertama sampai individu N pada tahun ke m+1, Kemudian susunan kolom berulang dibawahnya untuk individu pertama sampai individu N pada tahun ke m+3 dan seterusnya individu pertama sampai individu N pada tahun ke T. Dengan demikian vektor kolom memiliki dimensi
Dari uraian matriks (3) kita dapat dimengerti bahwa variabel dependen disusun berurutan sesuai dengan individu, kemudian berulang dengan waktu berbeda. Matriks disebelah kanan persamaan pertama (independen) dinotasikan sebagai
Macroeconomic Condition and Banking Industry Performance in Indonesia |
79 |
(4)
Matriks w terdiri data lag variabel yit, pit dan zit. yaitu
seterusnya sampai
(5)
Struktur persamaan pertama (2) diterapkan pula untuk persamaan kedua (zit) yaitu
(6)
persamaan ke tiga (pit)
(7)
vektor variabel dependen untuk persamaan (6) dan (7) adalah
(8)
80Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
Variabel independen persamaan (6) dan (7) memiliki struktur independen yang sama dengan persamaan (4) dinotasikan sebagai
(9)
Rangkaian semua vektor Wit adalah dependen dan vektor
(10)
Notasi M adalah jumlah variabel sebanyak 3. Greene (2008) menjelaskan bahwa parameter
βdapat diselesaikan dengan :
(11)
Estimator unbiased untukadalah
(12)
Dimana matriks V adalah matriks varian kovarian residual antara persamaan yit, zit dan pit. Korelasi antar waktu dan matriks error menjadi:
(13)
Impulse response function sebagaimana proses VAR standar dapat dibentuk sesudah proses estimasi. Ringkasnya, PVAR diiterasi dengan kondisi parameter PVAR stabil. Model PVAR diiterasi akan membentuk 3 bagian yaitu unsur
(14)
Macroeconomic Condition and Banking Industry Performance in Indonesia |
81 |
Jika dimisalkan, PVAR terdiri dari 2 variabel (M=2), dan β adalah parameter teresimasi PVAR dan α adalah parameter matriks parameter contemporaneous, maka menghasilkan bentuk IRF sebagai berikut.
(15)
Shock yang terjadi pada ruas kanan ε akan menghasilkan perubahan dinamis pada variable pada ruas kiri.
Paper ini disusun dengan menerapkan struktur ortogonalisasi Cholesky pada IRF agar diperoleh dampak transmisi antar variabel pada saat terjadinya shock (contemporaneous impact). Paper ini menganalisis impulse yang terjadi pada saat yang bersamaan dengan saat gangguan terjadi dan menganalisis dinamisasi yang terjadi sesudah gangguan terjadi beberapa periode yang akan datang (Hamilton, 1994). Dampak contemporaneous dengan struktur ortogonalisasi Cholesky menjadi
(16)
Penerapan ortogonalisasi Cholesky membuat susunan urutan variabel (orde) akan sangat menentukan hasil analisis IRF. Model PVAR yang digunakan juga memperhatikan adanya variabel eksogen yang agar diperoleh lingkungan dinamis yang sesuai dengan lingkungan ekonomi perbankan.
Transmisi dan urutan (order) menggunakan metode Cholesky akan menghasilkan dua macam analisis, yaitu analisis respon yang terjadi 1) seketika (contemporaneous) dan 2) respon yang terjadi pada periode berikutnya sesudah impulse terjadi. Variabel yang disusun untuk membentuk urutan pada struktur ortogonalisasi cholesky menunjukkan dampak total antar variabel saat terjadinya shock. Pada analisis selanjutnya, istilah dampak pada analisis PVAR dimaksudkan sebagai dampak total antar waktu (respon).
Respon yang terjadi pada periode selanjutnya akan merekam dampak gabungan antar waktu. Oleh sebab itu, respon pada periode selanjutnya sangat bergantung pada struktur lag, stationeritas variabel dan peran dari variabel eksogen pada model VAR. Penggunaan model Fixed Effect pada PVAR diharapkan mampu untuk menangkap unobserved variabel bank.
Estimasi PVAR mengadopsi prototipe program PVAR yang dibuat oleh Love (2002) menggunakan STATA programing. Love (2002) juga menerapkan struktur matriks yang dikemukakan oleh
82Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
data internal bank yang disusun menurut struktur data yang mempertimbangkan adanya perilaku bank menurut kelompok ukuran pinjaman (LOAN) selama waktu observasi. Parameter
βsebagai parameter yang menjelaskan dampak dinamis bank antar waktu.
Dalam penelitian ini diasumsikan bahwa perbankan hanya mempertimbangkan informasi dari 1 periode sebelumnya. Dengan demikian penelitian ini menggunakan PVAR(1). Melalui penjelasan tadi maka kita dapat memahami bahwa dampak pada periode 1 adalah contemporaneous response, sedangkan pada lag ke 2,3, dan selanjutnya adalah respon yang telah memgalami interaksi antar bank dan antar waktu. Sesuai aturan standar, shock pada variabel ekonomi makro dilakukan sebesar 1 % dimaksudkan untuk memudahkan penghitungan respon yang terjadi pada variabel NPL dan LOAN yang diamati pada penelitian ini. Jika pada saat itu nilai tukar pada tingkat Rp. 10.000 /US$, maka shock sebesar 1% menunjukkan terjadi peningkatan nilai tukar menjadi Rp. 10.100 /US$ dalam waktu yang singkat. Jika pada grafik, nilai respon NPL 0.8 berarti terjadi respon sebesar 0.8 % akibat dari shock pada variabel ekonomi makro sebesar 1%. Jika diandaikan terjadi shock sebesar 2.5 % pada nilai tukar, maka terjadi respon NPL 2% (0.8% x 2.5).
Meskipun dalam beberapa penelitian lain shock dihitung menggunakan 1 unit (perubahan sesuai dengan satuan dari data) atau satu standar deviasi (sebesar simpangan dari data historis), penelitian ini menggunakan shock dalam persentase agar sesuai dengan analisis elastisitas yang telah dijelaskan pada analisis data panel sebelumnya. Seluruh shock pada variabel ekonomi makro yang dijelaskan dalam penelitian ini diasumsikan terjadi sebesar 1%. Shock positif menunjukkan peningkatan sedangkan shock negatif menunjukkan penurunan dalam waktu singkat.
3.3. Pengujian Akar Unit Panel
Interaksi data berbagai bank dalam rentang waktu yang panjang dapat menimbulkan kecurigaan adanya hubungan kointegrasi antar data bank selama waktu observasi (Pedroni, 2000). Hubungan kointegrasi menjadi penting karena akan akan menentukan metode analisis dan interpretasi hasil penelitian (Breitung dan Pesaran, 2008). Perkembangan ilmu ekonometrika terkini telah berkembang dan menyiratkan perlunya melakukan uji akar unit panel pada analisis dinamisasi data panel (Pesaran, 2007). Berbagai literatur memulai analisis dengan melakukan pengujian akar unit panel (Kao, Chiang, and Chen, 1999). Terdapat beberapa metode pengujian untuk mengetahui keberadaan akar unit. Hadri (2000) dan Pesaran (2004) mengajukan pengujian akar unit panel yang dikembangkan dengan adanya asumsi
Macroeconomic Condition and Banking Industry Performance in Indonesia |
83 |
Hasil uji panel unit root disesuaikan dengan model PVAR yang digunakan. Variabel yang terlibat yaitu Growth, NIM, NPL, CAR dengan variabel eksogen suku bunga domestic (IRD), depresiasi nilai tukar Rp terhadap Dollar US (DEPR) dan Inflasi (INFLATION). Variabel ini berlaku untuk semua kelompok bank,
Tabel 2.
Uji Panel Unit Root BUKU 1 sampai BUKU 4
Variabel |
|
ADF - Fisher |
|
||
|
|
|
|
||
BUKU 1 |
BUKU 2 |
BUKU 3 |
BUKU 4 |
||
|
|||||
Aset |
88,6978 |
176,486 |
293,928 |
0,09772 |
|
CAR |
103,654 |
145,165 |
65,4372 |
16,4965 |
|
Depr |
367,831 |
399,149 |
206,434 |
73,5642 |
|
Growth |
170,672 |
161,441 |
87,7752 |
28,3638 |
|
Inflation |
207,372 |
229,842 |
115,312 |
43,9922 |
|
IRD |
86,7986 |
97,6484 |
50,6325 |
18,0830 |
|
NIM |
128,730 |
174,376 |
70,5783 |
32,0915 |
|
NPL |
189,087 |
471,771 |
92,1696 |
81,7557 |
|
|
|
|
|
|
Hasil yang serupa diperlihatkan pada pengujian unit root bank dalam kelompok Buku 2. Jumlah bank yang termasuk pada kelompok ini sebanyak 27 buah. Jumlahnya hampir sama dengan kelompok bank dengan modal inti terkecil. Hasil pengujian menunjukkan hasil dimana semua data dalam kondisi penolakan terhadap H0, berarti menunjukkan kondisi stasioner. Hasil uji stationeritas data panel menunjukkan bahwa semua data dalam kelompok ini menunjukkan adanya hubungan jangka panjang yang saling beriringan (co movement) dan situasi adanya hubungan ketergantungan linier (co integration). Variabel Bank dalam kelompok Buku 3 memperlihatkan perilaku yang sama, dimana semua variabel yang akan digunakan statrsioner pada tingkat level. Jumlah bank pada kelompok ini sebagian besar bank swasta nasional yang telah lama berdiri. Sebagian besar bank memiliki jumlah cabang yangbanyak dan tersebat keseluruh provinsi di Indonesia. Penggunakan data pada tingkat level akan dilakukan pada model 1 dan model 2 sebagaimana halnya dilakukan pada kelompok Buku lainnya.
Buku 4 hanya terdiri dari 6 bank terbesar dalam jumlah modal inti. Sebagian besar adalah bank milik pemerintah. Hanya variabel aset yang tidak stasioner. Dengan demikian, strategi estimasi khusus pada kelompok ini adalah mengestimasi aset pada tingkat differens.
Langkah berikutnya adalah pengujian
84Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
integrasi pada data panel mengikuti prosedur aplikasi Eviews, dimana data disusunan dalam bentuk stacked, kemudian variabel yang terlibat dalam model dikelompokkan sebagai Group. Pengujian menggunakan metode Maddala and Wu (1999). Data yang dikelompokkan adalah NPL, GROWTH, DEPRESIASI, NIM, ASSETL, CAR, IRD dan INFLATION. Tipe pengujian memakai Kao Residual Cointegration Test (Kao, 2000) Trend assumption: No deterministic trend, User- specified lag length: 1,
Tabel 3.
Koinetgrasi Panel
Kelompok BUKU |
Prob. |
|
BUKU 1 |
0.0000 |
|
BUKU 2 |
0.0000 |
|
BUKU 3 |
0.0000 |
|
BUKU 4 |
0.0108 |
|
|
|
|
Berdasarkan pada uji akar unit dan uji
IV. HASIL DAN ANALISIS
Analisis data panel menggunakan PVAR dengan mempertimbangkan struktur fixed effect, urutan variabel, struktur lag, stationeritas data panel dan adanya variabel eksogen dalam model. Aplikasi menggunakan programming STATA yang dikembangkan oleh Love (2002) dan Love (2006). Semua komponen ini dipertimbangkan agar dapat mengungkap respon pada variabel perbankan akibat adanya shock (impulse) variabel pertumbuhan ekonomi dan variabel interest rate domestik dibandingkan menggunakan VAR standar. Untuk itulah penelitian ini berupaya menggunakan semua faktor pembentuk model PVAR secara lengkap.
Model transmisi pertama menjelaskan respon pada beberapa variabel internal bank NPL, NIM dan CAR akibat adanya impulse pada suku bunga domestik (IRD). Kebijakan moneter diharapkan akan memberikan stimulus meningkatkan produktifitas perekonomian dalam menghasilkan barang dan jasa. Semua sektor akan meningkatkan produksinya membawa dampak positif bagi kemampuan kreditur mengembalikan pinjaman kepada bank.
Berikut ini adalah hasil visualisasi (grafik) dinamis respon dari beberapa variabel internal bank akibat impulse (shock) dari beberapa variabel ekonomi makro yaitu suku bunga domestik (IRD) dan Depresiasi (DEPR). Jika kita meninjau impulse response function (IRF) pada NIM, NPL dan CAR, maka hal ini menunjukkan adanya dampak gabungan antara parameter yang
Macroeconomic Condition and Banking Industry Performance in Indonesia |
85 |
dinamis (dampak antara variabel antar waktu), adanya dampak yang tidak langsung (adanya variabel lain yang memediasi dampak antara variabel ekonomi makro dengan variabel internal bank), adanya shock pada satu variabel yang memicu perubahan pada variabel internal bank dan iterasi antara parameter PVAR untuk menghasilkan respon pada
Peningkatan suku bunga domestik umumnya selalu direspon positif peningkatan suku bunga kredit. Suku bunga deposito biasanya tidak segera merespon peningkatan ini. Respon ini terjadi pada bank yang lebih intensif mengharapkan keuntungan melalui interest base income. Bank dengan modal inti lebih kecil umumnya mengandalkan keuntungan melalui interest base income. Bank dengan modal inti kecil umumnya belum memiliki produk andalan yang dikenal luas dan diminati masyarakan selain produk yang mengandalkan jasa bunga. Bank dengan modal inti besar umumnya telah lama berdiri dan memiliki pangsa pasar yang luas. Bank ini memiliki cukup banyak
Orthogonalized IRF
IRD : NIM |
IRD : NPL |
.004
.002
0
0 |
5 |
10 |
15 |
20 |
IRD : CAR
.004
.002
0
0 |
5 |
10 |
15 |
20 |
Step
Impluse : response
Grafik 1.
Impulse Response Function Model 1 BUKU1
86Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
Grafik 1 menjelaskan Impulse Response Function
NIM merespon negatif peningkatan suku bunga domestik akibat semakin tingginya NPL.
Orthogonalized IRF
IRD : NIM |
IRD : NPL |
|
.002
0
0 |
5 |
10 |
15 |
20 |
IRD : CAR
.002
0
0 |
5 |
10 |
15 |
20 |
Step
Impluse : response
Grafik 2.
Impulse Response Function Model 1 BUKU2
Macroeconomic Condition and Banking Industry Performance in Indonesia |
87 |
Grafik 2 menjelaskan Impulse Response Function
Orthogonalized IRF
IRD : NIM |
IRD : NPL |
0
0 |
5 |
10 |
15 |
20 |
IRD : CAR
0
0 |
5 |
10 |
15 |
20 |
Step
Impluse : response
Grafik 3.
Impulse Response Function Model 1 BUKU3
88Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
Grafik 3 menjelaskan Impulse Response Function
IRD : NIM |
IRD : NPL |
Orthogonalized IRF
0
0 |
5 |
10 |
15 |
20 |
IRD : CAR
0
0 |
5 |
10 |
15 |
20 |
Step
Impluse : response
Grafik 4.
Impulse Response Function Model 1 BUKU4
Grafik 4 menjelaskan Impulse Response Function
Macroeconomic Condition and Banking Industry Performance in Indonesia |
89 |
dibandingkan semua kelompok.
Paper ini membahas pula IRP akibat dari impulse depresiasi nilai tukar yang direspon variabel NPL, NIM dan CAR. Salah satu tugas utama Bank Indonesia menstabilkan harga melalui pengendalian nilai tukar. Depresiasi akan menyebabkan harga aset semakin tinggi, suku bunga tinggi dan selanjutnya akan kemampuan masyarakat mengkonsumsi barang. Bagi agen ekonomi yang memiliki pinjaman di bank akan menurunkan kemampuan pengembalian kredit, karena biaya operasi semakin besar.
Orthogonalized IRF
DEPR : NIM |
DEPR : NPL |
.01 |
|
|
|
|
.005 |
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
0 |
5 |
10 |
15 |
20 |
DEPR : CAR |
|
|
|
|
.01
.005
0
0 |
5 |
10 |
15 |
20 |
Step
Impluse : response
Grafik 5.
Impulse Response Function Model 2 BUKU 1
90Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
Perekonomian Indonesia sangat terpengaruh oleh stabilitas nilai tukar, mengingat perekonomian Indonesia sangat bergantung pada aktivitas ekspor dan impor. Grafik 5 menjelaskan Impulse Response Function
Orthogonalized IRF
DEPR : NIM |
DEPR : NPL |
.003
.002
.001
0
0 |
5 |
10 |
15 |
20 |
DEPR : CAR
.003
.002
.001
0
0 |
5 |
10 |
15 |
20 |
Step
Impluse : response
Grafik 6.
Impulse Response Function Model 2 BUKU2
Perilaku yang sama diperlihatkan pada Grafik 6, dimana Impulse Response Function
Macroeconomic Condition and Banking Industry Performance in Indonesia |
91 |
langsung meningkat positif pada periode ke 2. Respon lalu menurun
Orthogonalized IRF
DEPR : NIM |
DEPR : NPL |
.5
0
0 |
5 |
10 |
15 |
20 |
DEPR : CAR
.5
0
0 |
5 |
10 |
15 |
20 |
Step
Impluse : response
Grafik 7.
Impulse Response Function Model 2 BUKU3
Grafik 7 untuk BUKU 3 dan panel kanan untuk BUKU 4 memperlihatkan perilaku yang sama tetapi sangat berbeda dibandingkan dengan kelompok BUKU 1 dan BUKU 2. Perbedaan terjadi terutama pada respon negatif CAR di awal periode akibat depresiasi nilai tukar. Model kedua dimana orde transmisi dimulai dari Depresiasi dan diikuti dengan NPL, NIM dan CAR mengakibatkan penurunan CAR yang sukup besar. Penyebab dari perubahan ini berasal dari NPL yang merespon positif pada awal periode cukup besar. NPL kedua kelompok ini paling besar diantara 4 kelompok. Namun kedua kelompok ini merespon NIM positif diawal periode. Meskipun terjadi peningkatan NPL, bank ini masih mampu menghasilkan keuntungan dari difersifikasi produk yang berbasiskan suku bunga (interest based income).
92Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
DEPR : NIM |
DEPR : NPL |
Orthogonalized IRF
.5
0
0 |
5 |
10 |
15 |
20 |
DEPR : CAR
.5
0
0 |
5 |
10 |
15 |
20 |
Step
Impluse : response
Grafik 8.
Impulse Response Function Model 2 BUKU4
Bank pada kelompok ini tergolong bank yang besar dan memiliki produk berbasis valuta asing (exchange rate). Depresiasi tentunya akan menyebabkan kerugian pada produk ini sehingga akan menurunkan CAR secara sistematis. Hal ini berbeda dengan kelompok bank BUKU 1 dan 2, CAR merespon positif adanya depresiasi nilai tukar kemungkinan disebabkan sebagian besar bank tidak memiliki produk berbasis valuta asing.
Tabel dibawah ini menjelaskan peranan perubahan antar variabel dalam sistem dinamis akibat adanya impulse variabel suku bunga domestik pada model pertama BUKU 1 sampai dengan BUKU4. Pengukuran peran menggunakan variance decomposition dengan metode yang dikembangkan oleh Love (2002) dan Love (2006). Pada model ini urutan transmisi dimulai dari suku bunga domestik, pertumbuhan ekonomi, rasio NPL, net interest margin (NIM) lalu CAR. Pada semua BUKU, peranan IRD dalam sistem dinamis PVAR paling besar karena shock terjadi pada suku bunga domestik kemudian diikuti dengan variabel lain sesuai dengan model. Pada semua kelompok bank, peran variabel mulai stabil pada periode ke 11. Pada periode ini, komposisi peran variabel selain IRD semakin besar, namun komposisi terbesar tetap pada IRD.
|
|
Macroeconomic Condition and Banking Industry Performance in Indonesia |
93 |
||||
|
|
|
|
|
|
|
|
|
|
|
Tabel 4. |
|
|
|
|
|
|
Panel Variance Decomposition Model 1 |
|
|
|
||
Kelompok |
Periode |
IRD |
GROWTH |
NPL 5 |
NIM 3 |
CAR 4 |
|
BUKU 1 |
Periode |
IRD |
GROWTH |
NPL 5 |
NIM 3 |
CAR 4 |
|
|
1 |
0.87121 |
0.117977 |
0.001055 |
0.009232 |
0.000525 |
|
|
5 |
0.831903 |
0.144584 |
0.002415 |
0.016027 |
0.005071 |
|
|
10 |
0.830404 |
0.14476 |
0.002545 |
0.016558 |
0.005733 |
|
|
11 |
0.830384 |
0.144761 |
0.002546 |
0.016561 |
0.005747 |
|
|
|
|
|
|
|
|
|
BUKU 2 |
1 |
0.860024 |
0.123029 |
0.011442 |
0.000307 |
0.005198 |
|
|
5 |
0.763618 |
0.216974 |
0.013814 |
0.001565 |
0.004029 |
|
|
10 |
0.76319 |
0.216991 |
0.013864 |
0.00161 |
0.004345 |
|
|
|
|
|
|
|
|
|
BUKU 3 |
1 |
0.834646 |
0.126334 |
0.000886 |
0.006037 |
0.032096 |
|
|
5 |
0.723977 |
0.201704 |
0.001902 |
0.019154 |
0.053263 |
|
|
10 |
0.720428 |
0.201062 |
0.002153 |
0.019705 |
0.056652 |
|
|
11 |
0.720358 |
0.201048 |
0.002158 |
0.019711 |
0.056726 |
|
|
|
|
|
|
|
|
|
BUKU 4 |
1 |
0.740234 |
0.129473 |
0.006376 |
0.078755 |
0.045162 |
|
|
5 |
0.687559 |
0.211564 |
0.043366 |
0.039467 |
0.018044 |
|
|
10 |
0.688306 |
0.213118 |
0.048158 |
0.03479 |
0.015629 |
|
|
11 |
0.688344 |
0.213198 |
0.048285 |
0.034648 |
0.015524 |
|
|
|
|
|
|
|
|
|
Pada semua BUKU, urutan peran variabel terbesar pertama dan kedua adalah IRD dan Growth. Peran variabel NPL, NIM lalu CAR
Tabel dibawah ini menjelaskan peranan perubahan antar variabel dalam sistem dinamis akibat adanya impulse variabel depresiasi nilai tukar pada model kedua BUKU 1 sampai dengan BUKU 4. Pada model ini urutan transmisi dimulai dari depresiasi, suku bunga domestik, rasio NPL, Net Interest Margin (NIM) lalu CAR. Pada semua BUKU, peranan Depresiasi dalam sistem dinamis PVAR paling besar karena shock terjadi pada suku bunga domestik kemudian diikuti dengan variabel lain sesuai dengan model. Pada semua kelompok bank, peran variabel mulai stabil sesudah periode ke 10. Pada periode ini, komposisi peran variabel selain depresiasi semakin besar, namun komposisi terbesar tetap pada depresiasi.
94Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
Tabel 5.
Panel Variance Decomposition Model 2
Kelompok |
Periode |
DEPR |
NPL |
CAR |
NIM |
BUKU 1 |
1 |
0.754478 |
0.019597 |
0.002 |
|
|
5 |
0.55172 |
0.011644 |
0.01841 |
0.050639 |
|
10 |
0.566058 |
0.012437 |
0.016265 |
0.072227 |
|
20 |
0.576619 |
0.013266 |
0.015674 |
0.075791 |
|
|
|
|
|
|
BUKU 2 |
1 |
0.93346 |
0.000132 |
0.006832 |
0.003874 |
|
5 |
0.888544 |
0.03819 |
0.004857 |
0.008531 |
|
10 |
0.888241 |
0.038272 |
0.004791 |
0.008671 |
|
20 |
0.888241 |
0.038272 |
0.004791 |
0.008671 |
|
|
|
|
|
|
BUKU 3 |
1 |
0.940235 |
0.029022 |
0.018985 |
0.011758 |
|
5 |
0.905994 |
0.045419 |
0.024418 |
0.024169 |
|
10 |
0.905318 |
0.045628 |
0.024618 |
0.024435 |
|
20 |
0.905315 |
0.045629 |
0.02462 |
0.024436 |
|
|
|
|
|
|
BUKU 4 |
1 |
0.914083 |
0.000313 |
0.056857 |
0.028747 |
|
5 |
0.871205 |
0.035 |
0.074913 |
0.018882 |
|
10 |
0.863304 |
0.039606 |
0.080737 |
0.016353 |
|
20 |
0.860346 |
0.040174 |
0.082475 |
0.017005 |
|
|
|
|
|
|
Peran depresiasi terbesar pada BUKU 3, BUKU 4, BUKU 2 lalu terkecil pada BUKU 1. Peran NPL terbesar pada BUKU 3 dan terkecil pada BUKU 1. Demikian pula peran NIM terbesar pada BUKU 1 dan terkecil pada BUKU 2. Peran CAR dalam dampak dinamis PVAR terbesar pada BUKU 4, BUKU 3 dan terkecil ada BUKU2.
V. KESIMPULAN
Analisis panel VAR yang dilakukan pada paper ini mempertimbangkan kondisi hetogenitas (keberagaman) bank dalam kelompok BUKU dengan menggunakan fixed effect, dampak dinamis data internal bank, kondisi ko integrasi data panel
Respon dinamis merupakan dampak gabungan antar waktu dan antar variabel diperlihatkan pada grafik IRF pada periode 1 dan seterusnya. Respon dinamis menggambarkan bagaimana variabel ekonomi merespon perubahan variabel yang ditransmisikan kepada variabel lainnya dari
Macroeconomic Condition and Banking Industry Performance in Indonesia |
95 |
Beberapa kesimpulan dapat disampaikan melalui penelitian ini. Pada model pertama (jalur suku bunga) dampak seketika (contemporaneous) diperlihatkan pada grafik IRF pada saat t = 0, yang menunjukkan bahwa peningkatan suku bunga (shock) akan menyebabkan penurunan NIM dan peningkatan rasio NPL pada
Pada model ke dua (jalur nilai tukar) dampak seketika (contemporaneous) menunjukkan bahwa depresiasi nilai tukar rupiah terhadap dollar US akan menyebabkan penurunan NIM dan peningkatan rasio NPL pada
Secara umum bank dengan jumlah modal lebih kecil kurang mampu untuk segera menyesuaikan diri menghadapi peningkatan rasio NPL akibat dari depresiasi nilai tukar, oleh karenanya
96Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
DAFTAR PUSTAKA
Altunbas, Y., Liu, M. H., Molyneux, P., dan Seth, R. 2000. Efficiency and Risk in Japanese Banking. Journal of Banking and Finance. 24:
Benes, J. 2014. Estimate Panel VAR. The IRIS Toolbox Project.
Breitung, J. 2000. “The Local Power of Some Unit Root Tests for Panel Data” in B. Baltagi (2nd ed.), Advances in Econometrics, Vol. 15: Nonstationary Panels, Panel Cointegration, and Dynamic Panels. Amsterdam: JAI Press.
Breitung, J. dan Pesaran, M.H. 2008. “Unit Roots and Cointegration in Panels” in Mátyás, László and Patrick Sevestre, eds., The Econometrics of Panel Data, Berlin:
Buncic, D. dan Melecky, M., 2012. Macroprudential Stress Testing of Credit Risk – A
Canovaa. F. dan Ciccarelli. M. 2004. Forecasting and turning point predictions in a Bayesian panel VAR model. Journal of Econometrics. 120: 327 – 359.
Choi, I. 2001. Unit Root Tests for Panel Data. Journal of International Money and Finance. 20: 249– 272.
Cooley, T. dan Dwyer, M. 1998. Business Cycle Analysis without much Theory: A Look at Structural VARs. Journal of Econometrics. 83:
Ekananda, M. 2014. Time Series Analysis for Research in Economy and Business. Publisher : Mitra Wacana Media, Jakarta.
Ekananda, M. 2016. Data Panel Analysis for Research in Economy and Business. 2nd Ed, Publisher : Mitra Wacana Media, Jakarta.
Enders, W. 2005. Applied Econometrics Time Series. John Wiley and Sons, Inc, New York.
Faust, J. dan Leeper, E. 1997. Do Long Run Restrictions Really Identify Anything?. Journal of Business and Economic Statistics. 15:
Farhan, M. 2012. Economic Determinants of
Firmansyah, I. 2014. Determinant of Non Performing Loan: The Case Of Islamic Bank In Indonesia. Buletin Ekonomi Moneter dan Perbankan. 17 (2).
Girardone, C., Molyneux, P., dan Gardener, E. P. 2004. Analysing the Determinants of Bank Efficiency: The Case of Italian Bank. Applied Economics. 36:
Macroeconomic Condition and Banking Industry Performance in Indonesia |
97 |
Gosh, A. 2015.
Greene, W.H. 2008. Econometric Analysis, Macmillan Publishing Company, Fifth Edition, New York.
Hadri, K. 2000. Testing for Stationarity in Heterogeneous Panel Data. Econometric Journal.
Hamilton, D. 1994. Time Series Analysis. Princeton University Press.
Hughes, J. P., dan Mester, L. J. 1993. A Quality and
Im, K. S., M. H. Pesaran, dan Shin. 2003. Testing for Unit Roots in Heterogeneous Panels. Journal of Econometrics. 115:
Islam, M. S., dan Nishiyama, S.I. 2016. The determinants of bank net interest margins: A panel evidence from South Asian countries. Research in International Business and Finance. 37:
Jim´enez, G., J. dan Saurina. 2004. Collateral, Type of Lender and Relationship Banking as Determinants of Credit Risk. Journal of Banking and Finance. 28 (9):
Kao, C. dan Chiang, M. 2000. On the Estimation and Inference of a Cointegrated Regression in Panel Data. in Baltagi, B. H. et al. eds. Nonstationary Panels. Panel Cointegration and Dynamic Panels. 15. Amsterdam: Elsevier.
Kao, C., Chiang, M, dan Chen, B. 1999. International R&D Spillovers: An Application of Estimation and Inference in Panel Cointegration. Oxford Bulletin of Economics and Statistics. 61:
Levin, A., C. F. Lin, dan C. Chu. 2002. Unit Root Tests in Panel Data: Asymptotic and Finite- Sample Properties. Journal of Econometrics. 108:
Long J., dan Plosser, C. 1983. Real Business Cycles. Journal of Political Economy. 91:
Love, I. dan Zicchino, L. 2006. Financial development and dynamic investment behavior: Evidence from Panel VAR. Quarterly Review of Economics and Finance. 46 (2):
98Buletin Ekonomi Moneter dan Perbankan, Volume 20, Nomor 1, Juli 2017
Love, I., dan Zicchino, L. 2002. Financial development and dynamic investment behavior: Evidence from Panel VAR. The World Bank. Development Research Group. Finance.
Maddala, G. S. dan Wu, S. 1999. A Comparative Study of Unit Root Tests with Panel Data and a New Simple Test. Oxford Bulletin of Economics and Statistics. 6:
Misra, B.M., Sarat Dhal. 2010.
Pesaran, M. 2004. General Diagnostic Tests for Cross Section Dependence in Panels. Cambridge Working Papers in Economics no. 435 and
Pedroni, P. 2000. Fully Modified OLS for Heterogeneous Cointegrated Panels. in Baltagi, B. H. ed., Nonstationary Panels. Panel Cointegration and Dynamic Panels. 15. Amsterdam: Elsevier.
Pedroni, P. 2001. Purchasing Power Parity Tests in Cointegrated Panels. The Review of Economics and Statistics. 83:
Pesaran, M.H. 2007. A Simple Panel Unit Root Test in The Presence of Crosssection Dependence. Journal of Applied Econometrics. 27(2):
Ranjan, R. dan Dahl, S.C. 2003.
Salas, V. dan J. Saurina. 2002. Credit Risk in Two Institutional Regimes: Spanish Commercial and Savings Banks. Journal of Financial Services Research. 22 (3):
Shu, C. 2002. The Impact of macroeconomic environment on the asset quality of Hong Kong’s banking sector. Hong Kong Monetary Authority Research Memorandums.
Stiglitz, J.E. 2010. Lessons from the Global Financial Crisis of 2008. Seoul Journal of Economics. 23 (3).
Wu, Chang dan Selvili. 2003. Banking System, Real Estate Markets and Non Performing Loans. International Real Estate Review. 6 (1):