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
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
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. Variabel-variabel 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 cash-
less 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
Tahun Kartu Kredit
Kartu Debit
Kartu Smart
Kartu ATM
EFT/ 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 2002-2005
0.00
100.00
200.00
300.00
400.00
500.00
600.00
700.00
800.00
2002
M1
2002
M4
2002
M7
2002
M10
2003
M1
2003
M4
2003
M7
2003
M10
2004
M1
2004
M4
2004
M7
2004
M10
2005
M1
2005
M4
2005
M7
2005
M10
Tahun
Rp
Trily
un GDPCASHNON CASH
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.
Sumber: Humphrey (2001)
Buyer
Payor
Seller
Payee
Transfer of goods or services
Transfer of value through a payment system
Gambar 2.1. Ilustrasi sederhana proses sistem pembayaran
13
Menu ran adalah
prosed
rut Listfield dan Montes-Negret (1994), sistem pembaya
ur, 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
subjek
Sistem pembayaran telah mengalami evolusi selama berabad-abad,
terma
enuhi persyaratan
terten
tif 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
suk 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 mem
tu. 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
pengg
untuk
meng
k kemudian diatasi dengan evolusi
pembayaran elektronik. Perkembangan ini ditunjang pula dengan kemajuan
unaan 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
atasi 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 Montes-
Negret, 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 ce
15
tekno
hap baru dalam
tronik adalah uang yang disetor secara
elektr
logi 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 ta
evolusi sistem pembayaran. Uang elek
onik 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
menur
lat Pembayaran dengan Menggunakan Kartu yang dapat
mbayaran atas kewajiban yang timbul dari
ut Bank Indonesia:
a. KARTU KREDIT
Kartu Kredit adalah A
digunakan untuk melakukan pe
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).
KARTU DEBIT
Kartu Debit adalah
b.
Alat Pembayaran dengan Menggunakan Kartu yang dapat
lakukan pembayaran atas kewajiban yang timbul dari
c.
ran dengan Menggunakan Kartu yang dapat
lakukan penarikan tunai dan atau pemindahan dana
nsaksi.
Proses ini (terdapat pada Gambar 2.2) meliputi lima pihak utama, yaitu:
digunakan untuk me
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”.
KARTU ATM
Kartu ATM adalah Alat Pembaya
digunakan untuk me
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 tra
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
kartu) atau sebagai technical acquirer (menyediakan sarana yang
•
pemegang
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.
ri ekonomi klasik dan dikembangkan
leh dua pendekatan, yaitu pendekatan oleh Irving Fisher (ekonom Universitas
idge (cash balance approach) yang dikembangkan
oleh Marshall dan Pigou.
Teori Kuantitas Uang
Teori ini masih termasuk dalam teo
o
Yale), serta pendekatan Cambr
19
Jaringan Penyedia Kartu Kredit
(Visa/Mastercard)
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 YP× . Konsep yang menghubungkan M dan
YP× disebut velositas uang (velocity of money). Velositas uang adalah tingkat
perputaran uang yang didefinisikan sebagai berikut :
MYPV ×
= (2.1)
Card issuer (cardholder’s bank)
Retailer
Card holder (you)
Acquirer
Transaksi data
Penarikan account
Transaksi data
Kartu untuk pembayaran barang
dan jasa
20
dengan :
= Velositas uang,
= Tingkat harga,
V
P
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 :
YPVM ×=× (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
ikian, teori kuantitas uang mengemukakan bahwa jika pendek. Dengan dem M
berubah maka juga akan berubah dalam jangka pendek (karena dan P V 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 ipegan
untuk tingkat pendapatan tertentu, sehingga teori ini juga merupakan teori
permintaan uang (theory of the demand for money). Hal tersebut dapat
ditunjukkan dengan membagi
d g
kedua sisi dari persamaan teori kuantitas uang
dengan V , sehingga diperoleh :
PYM ×=1 (2.3) V
Dimana PY adalah YP× , yang merupakan pendapatan nominal. Ketika
pasar uang dalam ekuilib aka kuantitas uang (rium m M ) akan sama dengan
jumlah uang yang diminta ( dM dapat diganti dengan dM), sehingga M . Dengan
demikian persamaan (2.3) dapat dituliskan :
PYkPYV
M d .1× (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 m
Sehin
emegang uang hanya untuk melakukan transaksi.
gga 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 mo eld
ui juga fungsi uang sebagai alat penyimpan kekayaan (store of
wealth
emegang uang tunai adalah
kehila
a para ekonom Cambridge berpendapat
bahwa
Cambridge mengak
). 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 m
ngan 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. Karen
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 :
bPYM d = (2.5)
23
dimana :
dM = Permintaan uang,
P = Tingkat harga,
Y = Tingkat
jangka pendek dianggap konstan.
pintas sama dengan persamaan (2.4). Hal ini bermakna
ba sependapat dengan Fisher tentang fungsi uang
se a sekali mengabaikan
fu n, sehingga tidak ada alternatif selain
menyi
.
output riil (PDB riil),
b dalam
Persamaan (2.5) se
hwa para ekonom Cambridge
bagai alat tukar. Letak perbedaannya adalah Fisher sam
ngsi uang sebagai alat penyimpan kekayaa
mpan 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 proporsional-
konstan
24
2.3. Penelitian Terdahulu
Penelitian yang menganalisis penggunaan kartu pembayaran elektronik dan
ensubstitusian transaksi non tunai terhadap transaksi tunai telah banyak
ilakukan. Beberapa diantaranya adalah sebagai berikut:
mphrey (2000), Eropa.
ni menyimpulkan bahwa
adap transaksi tunai di
b.
ya menunjukkan bahwa keseluruhan variabel dalam penelitian
tif antara
gerai-gerai EFT-POS dan ATM terhadap jumlah uang tunai yang beredar,
p
d
a. Snellman, Vesala, dan Hu
Menganalisis pensubstitusian transaksi non tunai terhadap transaksi tunai di
Eropa. Penelitian ini menganalisis perbedaan kemampuan pensubstitusian
antara sepuluh negara di Eropa. Hasil penelitian i
ada pensubstitusian transaksi non tunai terh
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.
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
penelitiann
terkointegrasi. Dalam jangka panjang, terdapat hubungan nega
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.
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 signifika
c.
n berpengaruh negatif
M1 sebesar 0,078601 persen. Sementara itu,
d.
io konsumsi masyarakat dengan uang kartal (CP/CUR) serta rasio
an ATM (CP/ATM). Dari kedua indikator
terhadap permintaan uang
jumlah ATM dalam jangka panjang tidak mempengaruhi permintaan uang
M1. Jumlah ATM juga berpengaruh kepada kebijakan moneter secara
umum.
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 non-
tunai, ras
konsumsi masyarakat deng
tersebut menunjukkan hasil yang sama, dimana pembayaran non tunai
mengurangi permintaan untuk M1.
26
e.
permintaan uang tunai membuktikan
danya hubungan jangka panjang antara penggunaan ATM terhadap
ermintaan 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
2.4. Kerangka Pemikiran
substi
melih p 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 BI-
RTGS
Permasalahan pertama mengenai pengaruh penggunaan kartu pembayaran
elektronik terhadap transaksi tunai dijelaskan dengan menggunakan variabel
Muttaqin (2006), Indonesia.
Menganalisis pengaruh penggunaan alat pembayaran menggunakan kartu
dan variabel makroekonomi terhadap
a
p
perubahan permintaan terhadap M1 hanya dipengaruhi oleh perubahan
penggunaan kartu ATM dan kartu debet. Sedangkan perubahan permintaan
uang tunai tidak dipengaruhi oleh penggunaan APMK.
Analisis pengaruh penggunaan kartu pembayaran elektronik dan daya
tusi transaksi non tunai elektronik terhadap transaksi tunai ditujukan untuk
at potensi pensubstitusian transaksi non tunai terhada
, dan nilai transaksi kliring antar bank. Variabel-variabel inilah yang
digunakan untuk menjawab permasalahan kedua dalam penelitian ini.
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
Engel Granger Cointegration,
ECM, Diagnostic Test
Bank Indonesia mengupayakan terwujudnya cash-less society
Perkembangan penggunaan kartu prmbayaran elektronik (APMK)
dalam transaksi mas
Peningkatan nilai transaksi non tunai elektronik
yarakat
Jumlah pemegang APMK
Jumlah mesin ATM
Nilai transaksi APMK
Nilai transaksi APMK
Nilai transaksi BI-RTGS
Nilai transaksi kliring
Bagaimana pengaruh penggunaan kartu pembayaran elektronik
terhadap transaksi tunai Indonesia
Bagaimana daya substitusi transaksi non tunai elektronik terhadap
transaksi tunai Indonesia
Transaksi tunai (cash payment)
yang masih merupakan budaya
masy akat ar
Engel Granger Cointegration, ECM, Diagnostic Test
Gambar 2.3. Kerangka Pemikiran
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
kartu
ungan yang negatif atau mampu
2. Transaksi non tunai yang didekati dari nilai transaksi APMK, nilai BI-
RTGS, dan nilai kliring mempunyai hubungan negatif (mampu
2.5. Hipotesis Penelitian
1. Pengaruh penggunaan kartu pembayaran elektronik (kartu kredit,
debet, kartu ATM) menunjukkan hub
mensubstitusi transaksi tunai Indonesia.
mensubstitusi) terhadap transaksi tunai.
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 30 hari % SBI BI
Jumlah Pemegang Kartu Kredit orang JPKK BI
Jumlah Pemegang Kartu Debet orang JPKD BI
Jumlah Pemegang Kartu ATM orang JPATM BI
Jumlah Mesin ATM unit JMATM BI
Jumlah nilai transaksi APMK Rp M VAPMK BI
Jumlah nilai transaksi kliring Rp Juta VKLIRING BI
Jumlah nilai transaksi BI-RTGS Rp M VRTGS BI
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, (3.2’)
Dimana ∆ adalah differencenya dan adalah f’
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, (3.7)
Persamaan inilah yang melengkapi 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 (3.8)
dimana:
lncash = logaritma natural jumlah nilai transaksi tunai,
lngdp = logaritma natural GDP nominal,
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 long-
run 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 t-
statistik 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 (3.10)
dimana:
lncash = logaritma natural nilai transaksi tunai,
lngdp = logaritma natural GDP nominal,
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 Dickey-
Fuller (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 masing-
masing 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 kartu pembayaran elektronik terhadap transaksi tunai
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
Nilai Kritis MacKinnon Variabel Nilai ADF t-Statistics 1% 5% 10% Keterangan
lncash -0.338021 -4.165756 -3.508508 -3.184230 Tidak stasionerlngdp 0.483534 -4.192337 -3.520787 -3.191277 Tidak stasionersbi 3.397663 -4.165756 -3.508508 -3.184230 Tidak stasionerlnjpkk -0.866633 -4.170583 -3.510740 -3.185512 Tidak stasionerlnjpkd 0.611435 -4.165756 -3.508508 -3.184230 Tidak stasionerlnjpatm -1.682304 -4.170583 -3.510740 -3.185512 Tidak stasionerlnjmatm -3.941550 -4.165756 -3.508508 -3.184230 Stasioner** lnvapmk -0.809936 -4.165756 -3.508508 -3.184230 Tidak stasionerKeterangan: * 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
Nilai Kritis MacKinnon Variabel Nilai ADF t-Statistic 1% 5% 10%
Keterangan
lncash -5.084921 -4.170583 -3.510740 -3.185512 Stasioner* lngdp -4.918058 -4.192337 -3.520787 -3.191277 Stasioner* sbi -4.951973 -4.170583 -3.510740 -3.185512 Stasioner* lnjpkk -7.501314 -4.170583 -3.510740 -3.185512 Stasioner* lnjpkd -5.064403 -4.170583 -3.510740 -3.185512 Stasioner* lnjpatm -4.624209 -4.170583 -3.510740 -3.185512 Stasioner* lnjmatm -8.477525 -4.170583 -3.510740 -3.185512 Stasioner* lnvapmk -7.712106 -4.170583 -3.510740 -3.185512 Stasioner*
Keterangan: * data stasioner pada tingkat kepercayaan 1%, 5%, 10% ** data stasioner pada tingkat kepercayaan 5%, 10% *** data stasioner pada tingkat kepercayaan 10%
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 Probabilitas
C -0.242369 0.465070 -0.521146 0.6051lngdp 0.959651 0.127019 7.555159 0.0000sbi -0.000234 0.001501 -0.156111 0.8767lnjpkk -0.085911 0.093219 -0.921601 0.3623lnjpkd 0.000555 0.011222 0.049464 0.9608lnjpatm 0.104408 0.015816 6.601564 0.0000lnjmatm 0.129078 0.098364 1.312249 0.1969lnvapmk -0.091143 0.009821 -9.280075 0.0000R-squared 0.989440 Adjusted R-squared 0.987592
Akaike info criterion -5.827025 Schwarz criterion -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 variabel-
variabel yang digunakan.
Tabel 5.4. Uji Kointegrasi Persamaan Pengaruh Penggunaan Kartu Pembayaran Elektronik terhadap Transaksi Tunai
Nilai Kritis MacKinnon Variabel Nilai ADF
t-Statistics 1 % 5 % 10 % Keterangan
U -5.590205 -4.175640 -3.513075 -3.186854 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 t-
Statistiknya 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
0
2000
4000
6000
8000
10000
12000
14000
16000
2002M1 2003M1 2004M1 2005M1
tahun
unit
Jmesin ATM
Volume Transaksi ATM 2002-2005
0.00
5000.00
10000.00
15000.00
20000.00
25000.00
30000.00
35000.00
40000.00
2000M1 2001M1 2002M1 2003M1
Tahun
Rp
mily
ar
VTATM(Rp milyar)
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 Obs*R-squared Probability D(LNCASH) 1.311100 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 Probability
D(LNCASH) 0.247088 0.619133 White Heteroskedasticity Test
Variabel dependen Obs*R-squared Probability D(LNCASH) 36.60380 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 Jarque-Bera Probability D(LNCASH) 0.299371 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 Koefisien Std. Error t-statistik Probabilitas
D(LNCASH(-1)) -0.505942 0.265597 -1.904921 0.0706D(LNCASH(-2)) 0.261071 0.191597 1.362608 0.1874D(LNGDP) 1.196662 0.184595 6.482623 0.0000D(LNGDP(-1)) 0.297410 0.398184 0.746917 0.4634D(LNGDP(-2)) 0.028288 0.275209 0.102789 0.9191D(SBI) -0.001643 0.001961 -0.837957 0.4115D(SBI(-1)) 0.000229 0.002493 0.091901 0.9276D(SBI(-2)) -0.000960 0.002369 -0.405304 0.6894D(LNJPKK) -0.101024 0.058362 -1.730973 0.0981D(LNJPKK(-1)) -0.098847 0.065091 -1.518588 0.1438D(LNJPKK(-2)) -0.076824 0.074179 -1.035661 0.3121D(LNJPKD) 0.008188 0.005461 1.499176 0.1487D(LNJPKD(-1)) -0.013760 0.009994 -1.376837 0.1831D(LNJPKD(-2)) -0.042438 0.015779 -2.689464 0.0137D(LNJPATM) 0.042105 0.013426 3.136095 0.0050D(LNJPATM(-1)) 0.018989 0.023674 0.802106 0.4315D(LNJPATM(-2)) 0.064506 0.030825 2.092651 0.0487D(LNJMATM) 0.078538 0.049863 1.575089 0.1302D(LNJMATM(-1)) -0.032830 0.041231 -0.796256 0.4348D(LNJMATM(-2)) -0.103167 0.039447 -2.615376 0.0162D(LNVAPMK) -0.084192 0.004555 -18.48209 0.0000D(LNVAPMK(-1)) -0.034627 0.022011 -1.573204 0.1306D(LNVAPMK(-2)) 0.023799 0.016561 1.437094 0.1654U(-1) -0.579189 0.195953 -2.955756 0.0075R-squared 0.991466 Adjusted R-squared 0.982120
Akaike info criterion -7.936481 Schwarz criterion -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 Koefisien Std. Error t-statistik Probabilitas
D(LNCASH(-1)) -0.344068 0.079501 -4.327859 0.0002D(LNCASH(-2)) 0.366259 0.071839 5.098349 0.0000D(LNGDP) 1.242236 0.091210 13.61958 0.0000D(LNJPKK) -0.148749 0.044343 -3.354510 0.0022D(LNJPKK(-1)) -0.101613 0.043465 -2.337833 0.0265D(LNJPKD) 0.009025 0.004392 2.054822 0.0490D(LNJPKD(-1)) -0.013073 0.005530 -2.363901 0.0250D(LNJPKD(-2)) -0.043004 0.005735 -7.498762 0.0000D(LNJPATM) 0.049344 0.008104 6.088932 0.0000D(LNJPATM(-2)) 0.047149 0.007707 6.118072 0.0000D(LNJMATM) 0.076939 0.029863 2.576418 0.0153D(LNJMATM(-2)) -0.109401 0.031912 -3.428174 0.0018D(LNVAPMK) -0.087403 0.003613 -24.18931 0.0000D(LNVAPMK(-1)) -0.021745 0.008296 -2.621070 0.0138D(LNVAPMK(-2)) 0.033883 0.008370 4.048316 0.0004U(-1) -0.704191 0.090958 -7.741953 0.0000R-squared 0.989637 Adjusted R-squared 0.984276
Akaike info criterion -8.097770 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
Nilai Kritis MacKinnon Variabel Nilai ADF t-Statistic 1% 5% 10%
Keterangan
lncash -4.453887 -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** 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
Nilai Kritis MacKinnon Variabel Nilai ADF t-Statistic 1% 5% 10%
Keterangan
lncash -9.417246 -4.170583 -3.510740 -3.185512 Stasioner*
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* 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 Probabilitas
C 12.34297 4.285948 2.879869 0.0062 lngdp 1.342274 0.169972 7.897019 0.0000 sbi -0.008697 0.003614 -2.406713 0.0206 lnvapmk -0.176315 0.030926 -5.701213 0.0000 lnvrtgs -0.569992 0.037920 -15.03129 0.0000 lnvkliring -0.013685 0.062227 -0.219925 0.8270 R-squared 0.883663 Adjusted R-squared 0.869814
Akaike info criterion -3.064068 Schwarz criterion -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
Nilai Kritis MacKinnon Variabel Nilai ADF
t-Statistics 1 % 5 % 10 % Keterangan
U -4.916640 -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%
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 Obs*R-squared Probability D(LNCASH) 1.426820 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 Obs*R-squared Probability
D(LNCASH) 0.024678 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 Jarque-Bera Probability D(LNCASH) 1.771831 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 Koefisien Std. Error t-statistik Probabilitas
D(LNCASH(-1)) 2.744797 0.293077 9.365445 0.0000D(LNCASH(-2)) 2.142023 0.249620 8.581133 0.0000D(LNCASH(-3)) 2.064573 0.252946 8.162114 0.0000D(LNCASH(-4)) 1.324304 0.208372 6.355471 0.0000D(LNCASH(-5)) 1.609759 0.196921 8.174634 0.0000D(LNGDP) 12.95418 1.618263 8.004987 0.0000D(LNGDP(-1)) -12.46447 1.609066 -7.746404 0.0000D(LNGDP(-5)) -7.935333 0.996304 -7.964768 0.0000D(SBI) 0.105456 0.018383 5.736550 0.0000D(SBI(-2)) -0.058859 0.015564 -3.781695 0.0016D(SBI(-3)) 0.034284 0.017051 2.010675 0.0615D(SBI(-4)) -0.106238 0.017851 -5.951513 0.0000D(SBI(-5)) 0.071104 0.016284 4.366565 0.0005D(LNVAPMK) -0.280877 0.025886 -10.85045 0.0000D(LNVAPMK(-1)) 0.301837 0.041442 7.283433 0.0000D(LNVAPMK(-2)) 0.149933 0.036460 4.112278 0.0008D(LNVRTGS) -0.600770 0.026321 -22.82513 0.0000D(LNVRTGS(-1)) 1.260720 0.142439 8.850922 0.0000D(LNVRTGS(-2)) 0.921410 0.113438 8.122575 0.0000D(LNVRTGS(-3)) 0.886420 0.110360 8.032105 0.0000D(LNVRTGS(-4)) 0.501625 0.094646 5.300032 0.0001D(LNVRTGS(-5)) 0.743279 0.097334 7.636407 0.0000D(LNVKLIRING) 0.183898 0.045803 4.014994 0.0010D(LNVKLIRING(-2)) 0.219682 0.040497 5.424705 0.0001D(LNVKLIRING(-3)) 0.157404 0.045206 3.481926 0.0031U(-1) -3.222467 0.300412 -10.72682 0.0000R-squared 0.989199 Adjusted R-squared 0.972322
Akaike info criterion -4.422435 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 pihak-
pihak 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 VAPMK
2002M1 410048.75 435055.2 16.93 3489169 13037299 19556033 8302 25006.45083 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 445444.07 475649.1 14.93 3868437 13454873 21813721 8934 30205.02733 2002M8 456290.32 485300.1 14.35 3942030 13474424 22102066 9048 29009.78079 2002M9 461982.79 491030 13.22 4036827 13619732 22394825 9048 29047.21304
2002M10 459288.81 490231.6 13.1 4115930 13724610 23135970 9540 30942.7877 2002M11 453671.5 486446.1 13.06 4093371 12930161 22601098 9779 32774.60011 2002M12 455776.75 485452.2 12.93 4111571 12421871 22410879 9752 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 481059.14 519809.9 8.48 4275386 6044436 18496648 10944 38750.76 2003M11 476657.65 515446.7 8.48 4353568 6059626 20279707 10944 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 554975.64 592225.1 7.43 5324017 6542865 25319996 12725 37249.46
2005M1 542834.94 601046.9 7.42 5577892 6573699 26529065 13398 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 = Nilai Transaksi Tunai (Rp milyar) GDP = Pendapatan Nasional (Rp milyar) SBI = Suku Bunga Bank Indonesia JPKK = Jumlah Pemegang Kartu Kredit (orang) JPKD = Jumlah Pemegang Kartu Debit (orang) JPATM = Jumlah Pemegang Kartu ATM (orang) JMATM = 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.338021 0.9871 Test critical values: 1% level -4.165756
5% level -3.508508 10% level -3.184230
*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) -0.037956 0.112287 -0.338021 0.7370
C 0.508624 1.452905 0.350074 0.7280 @TREND(2002:01) -0.000272 0.000905 -0.300962 0.7649
R-squared 0.072202 Mean dependent var 0.004077 Adjusted R-squared 0.030029 S.D. dependent var 0.029071 S.E. of regression 0.028631 Akaike info criterion -4.206944 Sum squared resid 0.036069 Schwarz criterion -4.088849 Log likelihood 101.8632 F-statistic 1.712054 Durbin-Watson stat 1.479816 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -5.084921 0.0008 Test critical values: 1% level -4.170583
5% level -3.510740 10% level -3.185512
*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
83
Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. D(LNCASH(-1)) -0.786775 0.154727 -5.084921 0.0000
C 0.012848 0.009082 1.414604 0.1644 @TREND(2002:01) -0.000430 0.000321 -1.339854 0.1873
R-squared 0.376488 Mean dependent var -0.001963 Adjusted R-squared 0.347488 S.D. dependent var 0.035022 S.E. of regression 0.028290 Akaike info criterion -4.229626 Sum squared resid 0.034414 Schwarz criterion -4.110367 Log likelihood 100.2814 F-statistic 12.98212 Durbin-Watson stat 2.015772 Prob(F-statistic) 0.000039 Lngdp level Null Hypothesis: LNGDP has a unit root Exogenous: Constant, Linear Trend Lag Length: 5 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic 0.483534 0.9989 Test critical values: 1% level -4.192337
5% level -3.520787 10% level -3.191277
*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) 0.006074 0.012562 0.483534 0.6318
D(LNGDP(-1)) 1.793018 0.120985 14.82012 0.0000 D(LNGDP(-2)) -1.140179 0.251116 -4.540440 0.0001 D(LNGDP(-3)) -0.554975 0.303908 -1.826127 0.0766 D(LNGDP(-4)) 1.252916 0.237516 5.275078 0.0000 D(LNGDP(-5)) -0.660386 0.119290 -5.535958 0.0000
C -0.078085 0.162637 -0.480122 0.6342 @TREND(2002:01) 3.61E-05 0.000115 0.314239 0.7553
R-squared 0.970311 Mean dependent var 0.010860 Adjusted R-squared 0.964198 S.D. dependent var 0.009385 S.E. of regression 0.001776 Akaike info criterion -9.659440 Sum squared resid 0.000107 Schwarz criterion -9.328456 Log likelihood 210.8482 F-statistic 158.7429 Durbin-Watson stat 1.776414 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.918058 0.0014 Test critical values: 1% level -4.192337
5% level -3.520787 10% level -3.191277
*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)) -0.282220 0.057384 -4.918058 0.0000
D(LNGDP(-1),2) 1.068849 0.111592 9.578150 0.0000 D(LNGDP(-2),2) -0.055001 0.162554 -0.338354 0.7371 D(LNGDP(-3),2) -0.595777 0.145937 -4.082437 0.0002 D(LNGDP(-4),2) 0.635971 0.106888 5.949887 0.0000
C 0.000554 0.000700 0.791920 0.4337 @TREND(2002:01) 8.98E-05 2.77E-05 3.240869 0.0026
R-squared 0.940261 Mean dependent var 8.04E-05 Adjusted R-squared 0.930021 S.D. dependent var 0.006639 S.E. of regression 0.001756 Akaike info criterion -9.700206 Sum squared resid 0.000108 Schwarz criterion -9.410595 Log likelihood 210.7043 F-statistic 91.81441 Durbin-Watson stat 1.747756 Prob(F-statistic) 0.000000 Sbi level Null Hypothesis: SBI has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic 3.397663 1.0000 Test critical values: 1% level -4.165756
5% level -3.508508 10% level -3.184230
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(SBI) Method: Least Squares
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) 0.072805 0.021428 3.397663 0.0015
C -1.745702 0.324805 -5.374619 0.0000 @TREND(2002:01) 0.037701 0.004965 7.593092 0.0000
R-squared 0.620506 Mean dependent var -0.088936 Adjusted R-squared 0.603257 S.D. dependent var 0.470422 S.E. of regression 0.296307 Akaike info criterion 0.466862 Sum squared resid 3.863111 Schwarz criterion 0.584956 Log likelihood -7.971253 F-statistic 35.97199 Durbin-Watson stat 1.769119 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.951973 0.0011 Test critical values: 1% level -4.170583
5% level -3.510740 10% level -3.185512
*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)) -0.685372 0.138404 -4.951973 0.0000
C -0.515372 0.136098 -3.786781 0.0005 @TREND(2002:01) 0.018695 0.004818 3.880208 0.0004
R-squared 0.365702 Mean dependent var 0.012391 Adjusted R-squared 0.336200 S.D. dependent var 0.375122 S.E. of regression 0.305626 Akaike info criterion 0.530087 Sum squared resid 4.016525 Schwarz criterion 0.649347 Log likelihood -9.192012 F-statistic 12.39575 Durbin-Watson stat 2.024768 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.866633 0.9511 Test critical values: 1% level -4.170583
5% level -3.510740 10% level -3.185512
*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) -0.054824 0.063260 -0.866633 0.3911
D(LNJPKK(-1)) -0.198764 0.173976 -1.142481 0.2597 C 0.837877 0.951758 0.880348 0.3837
@TREND(2002:01) 0.000828 0.000808 1.025514 0.3110 R-squared 0.069541 Mean dependent var 0.013237 Adjusted R-squared 0.003080 S.D. dependent var 0.017001 S.E. of regression 0.016975 Akaike info criterion -5.231186 Sum squared resid 0.012103 Schwarz criterion -5.072173 Log likelihood 124.3173 F-statistic 1.046337 Durbin-Watson stat 1.834757 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -7.501314 0.0000 Test critical values: 1% level -4.170583
5% level -3.510740 10% level -3.185512
*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
87
Included observations: 46 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob.
D(LNJPKK(-1)) -1.243272 0.165741 -7.501314 0.0000 C 0.013066 0.005434 2.404669 0.0206
@TREND(2002:01) 0.000148 0.000192 0.774394 0.4429 R-squared 0.568985 Mean dependent var -0.001010 Adjusted R-squared 0.548938 S.D. dependent var 0.025202 S.E. of regression 0.016926 Akaike info criterion -5.256940 Sum squared resid 0.012319 Schwarz criterion -5.137680 Log likelihood 123.9096 F-statistic 28.38223 Durbin-Watson stat 1.821183 Prob(F-statistic) 0.000000 Lnjpkd level Null Hypothesis: LNJPKD has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic 0.611435 0.9993 Test critical values: 1% level -4.165756
5% level -3.508508 10% level -3.184230
*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) 0.039820 0.065126 0.611435 0.5441
C -0.721566 1.066843 -0.676357 0.5024 @TREND(2002:01) 0.003985 0.001854 2.149545 0.0371
R-squared 0.098488 Mean dependent var 0.013216 Adjusted R-squared 0.057510 S.D. dependent var 0.157464 S.E. of regression 0.152869 Akaike info criterion -0.856769 Sum squared resid 1.028234 Schwarz criterion -0.738674 Log likelihood 23.13406 F-statistic 2.403449 Durbin-Watson stat 1.561836 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -5.064403 0.0008 Test critical values: 1% level -4.170583
5% level -3.510740 10% level -3.185512
*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)) -0.746663 0.147434 -5.064403 0.0000
C -0.056660 0.047722 -1.187295 0.2416 @TREND(2002:01) 0.002733 0.001748 1.563195 0.1253
R-squared 0.373620 Mean dependent var 0.000798 Adjusted R-squared 0.344486 S.D. dependent var 0.185119 S.E. of regression 0.149879 Akaike info criterion -0.894980 Sum squared resid 0.965943 Schwarz criterion -0.775721 Log likelihood 23.58455 F-statistic 12.82421 Durbin-Watson stat 1.955225 Prob(F-statistic) 0.000043 Lnjpatm level Null Hypothesis: LNJPATM has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.682304 0.7431 Test critical values: 1% level -4.170583
5% level -3.510740 10% level -3.185512
*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
89
Variable Coefficient Std. Error t-Statistic Prob. LNJPATM(-1) -0.189999 0.112940 -1.682304 0.0999
D(LNJPATM(-1)) 0.558937 0.193436 2.889522 0.0061 C 3.234553 1.902654 1.700022 0.0965
@TREND(2002:01) -0.001189 0.001325 -0.897898 0.3744 R-squared 0.249847 Mean dependent var -0.016698 Adjusted R-squared 0.196265 S.D. dependent var 0.120460 S.E. of regression 0.107994 Akaike info criterion -1.530543 Sum squared resid 0.489833 Schwarz criterion -1.371531 Log likelihood 39.20249 F-statistic 4.662859 Durbin-Watson stat 2.083222 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.624209 0.0029 Test critical values: 1% level -4.170583
5% level -3.510740 10% level -3.185512
*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)) -0.664365 0.143671 -4.624209 0.0000
C 0.034230 0.034965 0.978991 0.3331 @TREND(2002:01) -0.001862 0.001289 -1.444006 0.1560
R-squared 0.332125 Mean dependent var -0.000875 Adjusted R-squared 0.301061 S.D. dependent var 0.131896 S.E. of regression 0.110268 Akaike info criterion -1.508810 Sum squared resid 0.522840 Schwarz criterion -1.389551 Log likelihood 37.70263 F-statistic 10.69166 Durbin-Watson stat 1.900545 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.941550 0.0178 Test critical values: 1% level -4.165756
5% level -3.508508 10% level -3.184230
*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) -0.561349 0.142418 -3.941550 0.0003
C 5.074151 1.283652 3.952903 0.0003 @TREND(2002:01) 0.007180 0.001855 3.871468 0.0004
R-squared 0.264829 Mean dependent var 0.012266 Adjusted R-squared 0.231413 S.D. dependent var 0.018479 S.E. of regression 0.016201 Akaike info criterion -5.345827 Sum squared resid 0.011548 Schwarz criterion -5.227733 Log likelihood 128.6269 F-statistic 7.925027 Durbin-Watson stat 1.915037 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -8.477525 0.0000 Test critical values: 1% level -4.170583
5% level -3.510740 10% level -3.185512
*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
91
Variable Coefficient Std. Error t-Statistic Prob. D(LNJMATM(-1)) -1.252959 0.147798 -8.477525 0.0000
C 0.018126 0.006090 2.976426 0.0048 @TREND(2002:01) -0.000114 0.000205 -0.553680 0.5827
R-squared 0.625680 Mean dependent var -0.000277 Adjusted R-squared 0.608270 S.D. dependent var 0.029469 S.E. of regression 0.018444 Akaike info criterion -5.085172 Sum squared resid 0.014628 Schwarz criterion -4.965913 Log likelihood 119.9590 F-statistic 35.93748 Durbin-Watson stat 2.118890 Prob(F-statistic) 0.000000 Lnvapmk level Null Hypothesis: LNVAPMK has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.809936 0.9573 Test critical values: 1% level -4.165756
5% level -3.508508 10% level -3.184230
*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) -0.085861 0.106009 -0.809936 0.4223
C 0.823788 1.058830 0.778017 0.4407 @TREND(2002:01) 0.005659 0.003544 1.596761 0.1175
R-squared 0.067114 Mean dependent var 0.048128 Adjusted R-squared 0.024710 S.D. dependent var 0.199670 S.E. of regression 0.197188 Akaike info criterion -0.347619 Sum squared resid 1.710853 Schwarz criterion -0.229524 Log likelihood 11.16904 F-statistic 1.582720 Durbin-Watson stat 2.150679 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -7.712106 0.0000 Test critical values: 1% level -4.170583
5% level -3.510740 10% level -3.185512
*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)) -1.159030 0.150287 -7.712106 0.0000
C -0.028925 0.061421 -0.470927 0.6401 @TREND(2002:01) 0.003591 0.002249 1.596949 0.1176
R-squared 0.580401 Mean dependent var 0.006698 Adjusted R-squared 0.560885 S.D. dependent var 0.298526 S.E. of regression 0.197821 Akaike info criterion -0.339918 Sum squared resid 1.682721 Schwarz criterion -0.220658 Log likelihood 10.81810 F-statistic 29.73944 Durbin-Watson stat 1.991666 Prob(F-statistic) 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 -0.242369 0.465070 -0.521146 0.6051
LNGDP 0.959651 0.127019 7.555159 0.0000 SBI -0.000234 0.001501 -0.156111 0.8767
LNJPKK -0.085911 0.093219 -0.921601 0.3623 LNJPKD 0.000555 0.011222 0.049464 0.9608
LNJPATM 0.104408 0.015816 6.601564 0.0000 LNJMATM 0.129078 0.098364 1.312249 0.1969 LNVAPMK -0.091143 0.009821 -9.280075 0.0000
R-squared 0.989440 Mean dependent var 13.12075 Adjusted R-squared 0.987592 S.D. dependent var 0.109346 S.E. of regression 0.012180 Akaike info criterion -5.827025 Sum squared resid 0.005934 Schwarz criterion -5.515158 Log likelihood 147.8486 F-statistic 535.4232 Durbin-Watson stat 1.143173 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -5.590205 0.0002 Test critical values: 1% level -4.175640
5% level -3.513075 10% level -3.186854
*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) -1.347313 0.241013 -5.590205 0.0000
D(U(-1)) 1.039896 0.224764 4.626609 0.0000 D(U(-2)) 0.568930 0.241079 2.359937 0.0232
C 0.000240 0.003054 0.078557 0.9378 @TREND(2002:01) -2.21E-05 0.000110 -0.200465 0.8421
R-squared 0.479722 Mean dependent var -0.001147 Adjusted R-squared 0.427694 S.D. dependent var 0.012331 S.E. of regression 0.009328 Akaike info criterion -6.407051 Sum squared resid 0.003481 Schwarz criterion -6.206311 Log likelihood 149.1586 F-statistic 9.220478 Durbin-Watson stat 1.814375 Prob(F-statistic) 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)) -0.505942 0.265597 -1.904921 0.0706 D(LNCASH(-2)) 0.261071 0.191597 1.362608 0.1874
D(LNGDP) 1.196662 0.184595 6.482623 0.0000 D(LNGDP(-1)) 0.297410 0.398184 0.746917 0.4634 D(LNGDP(-2)) 0.028288 0.275209 0.102789 0.9191
D(SBI) -0.001643 0.001961 -0.837957 0.4115 D(SBI(-1)) 0.000229 0.002493 0.091901 0.9276 D(SBI(-2)) -0.000960 0.002369 -0.405304 0.6894
D(LNJPKK) -0.101024 0.058362 -1.730973 0.0981 D(LNJPKK(-1)) -0.098847 0.065091 -1.518588 0.1438 D(LNJPKK(-2)) -0.076824 0.074179 -1.035661 0.3121
D(LNJPKD) 0.008188 0.005461 1.499176 0.1487 D(LNJPKD(-1)) -0.013760 0.009994 -1.376837 0.1831 D(LNJPKD(-2)) -0.042438 0.015779 -2.689464 0.0137 D(LNJPATM) 0.042105 0.013426 3.136095 0.0050
D(LNJPATM(-1)) 0.018989 0.023674 0.802106 0.4315 D(LNJPATM(-2)) 0.064506 0.030825 2.092651 0.0487
D(LNJMATM) 0.078538 0.049863 1.575089 0.1302 D(LNJMATM(-1)) -0.032830 0.041231 -0.796256 0.4348 D(LNJMATM(-2)) -0.103167 0.039447 -2.615376 0.0162
D(LNVAPMK) -0.084192 0.004555 -18.48209 0.0000 D(LNVAPMK(-1)) -0.034627 0.022011 -1.573204 0.1306 D(LNVAPMK(-2)) 0.023799 0.016561 1.437094 0.1654
U(-1) -0.579189 0.195953 -2.955756 0.0075 R-squared 0.991466 Mean dependent var 0.003234 Adjusted R-squared 0.982120 S.D. dependent var 0.029381 S.E. of regression 0.003929 Akaike info criterion -7.936481 Sum squared resid 0.000324 Schwarz criterion -6.972927 Log likelihood 202.5708 Durbin-Watson stat 2.299260
96
Lampiran 6. Uji Autokorelasi Persamaan ECM Breusch-Godfrey Serial Correlation LM Test: F-statistic 0.418426 Probability 0.662606 Obs*R-squared 1.311100 Probability 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)) 0.008695 0.138147 0.062942 0.9503 D(LNCASH(-2)) -0.022026 0.108509 -0.202987 0.8408
D(LNGDP) 0.004181 0.107636 0.038841 0.9693 D(LNJPKK) 0.008366 0.045228 0.184965 0.8547
D(LNJPKK(-1)) -3.90E-05 0.050071 -0.000779 0.9994 D(LNJPKD) 0.000585 0.004520 0.129413 0.8981
D(LNJPKD(-1)) -0.002496 0.006597 -0.378408 0.7083 D(LNJPKD(-2)) 0.001019 0.007734 0.131709 0.8963 D(LNJPATM) -0.003190 0.008456 -0.377205 0.7092
D(LNJPATM(-2)) -5.69E-05 0.008089 -0.007034 0.9944 D(LNJMATM) -0.002769 0.030202 -0.091669 0.9277
D(LNJMATM(-2)) 0.001380 0.033602 0.041065 0.9676 D(LNVAPMK) 0.000663 0.003595 0.184528 0.8551
D(LNVAPMK(-1)) 0.000431 0.012875 0.033483 0.9736 D(LNVAPMK(-2)) -0.002522 0.011254 -0.224128 0.8245
U(-1) -0.011816 0.121578 -0.097186 0.9234 AR(1) 0.299973 0.759098 0.395171 0.6961
RESID(-1) -0.263291 0.773652 -0.340322 0.7365 RESID(-2) 0.337836 0.411297 0.821392 0.4192
R-squared 0.029798 Mean dependent var -0.000145 Adjusted R-squared -0.668748 S.D. dependent var 0.002828 S.E. of regression 0.003653 Akaike info criterion -8.088162 Sum squared resid 0.000334 Schwarz criterion -7.317717 Log likelihood 196.9396 Durbin-Watson stat 1.954210
97
Lampiran 7. Uji Heteroskedastisitas Persamaan ECM ARCH Test: F-statistic 0.236957 Probability 0.629005 Obs*R-squared 0.247088 Probability 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 Coefficient Std. Error t-Statistic Prob. C 7.31E-06 2.26E-06 3.234487 0.0024
RESID^2(-1) 0.076043 0.156215 0.486783 0.6290 R-squared 0.005746 Mean dependent var 7.92E-06 Adjusted R-squared -0.018504 S.D. dependent var 1.22E-05 S.E. of regression 1.24E-05 Akaike info criterion -19.72000 Sum squared resid 6.26E-09 Schwarz criterion -19.63809 Log likelihood 425.9800 F-statistic 0.236957 Durbin-Watson stat 1.995962 Prob(F-statistic) 0.629005 White Heteroskedasticity Test: F-statistic 1.701219 Probability 0.175624 Obs*R-squared 36.60380 Probability 0.263534
98
Lampiran 8. Uji Normalitas Persamaan ECM
0
2
4
6
8
10
-0.005 0.000 0.005
Series: ResidualsSample 2002:05 2005:12Observations 44
Mean -0.000145Median -0.000198Maximum 0.006235Minimum -0.007579Std. Dev. 0.002828Skewness -0.130334Kurtosis 3.308780
Jarque-Bera 0.299371Probability 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 299044.11 475649.1 14.93 30205.03 146399.95 6445.33 2002M8 342896.58 485300.1 14.35 29009.78 113393.74 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 315506.27 486446.1 13.06 32774.60 138165.23 4954.67 2002M12 350372.39 485452.2 12.93 29675.45 105404.36 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 295404.65 519809.9 8.48 38750.76 185654.48 4713.04 2003M11 357500.39 515446.7 8.48 38789.05 119157.25 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 237246.93 592225.1 7.43 37249.46 317728.70 5467.41
2005M1 252096.87 601046.9 7.42 58211.96 290738.07 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 = Nilai Transaksi Tunai (Rp milyar) GDP = Pendapatan Nasional (Rp milyar) SBI = Suku Bunga Bank Indonesia VAPMK = Nilai transaksi APMK (Rp milyar) VRTGS = Nilai transaksi BI-RTGS (Rp milyar) VKLIRING = 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.453887 0.0046 Test critical values: 1% level -4.165756
5% level -3.508508 10% level -3.184230
*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) -0.622556 0.139778 -4.453887 0.0001
C 20.81597 4.669281 4.458067 0.0001 @TREND(2002:01) -0.002907 0.001350 -2.152658 0.0369
R-squared 0.317152 Mean dependent var -0.003664 Adjusted R-squared 0.286113 S.D. dependent var 0.140876 S.E. of regression 0.119028 Akaike info criterion -1.357208 Sum squared resid 0.623381 Schwarz criterion -1.239113 Log likelihood 34.89439 F-statistic 10.21800 Durbin-Watson stat 1.991505 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -9.417246 0.0000 Test critical values: 1% level -4.170583
5% level -3.510740 10% level -3.185512
*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
102
Sample(adjusted): 2002:03 2005:12 Included observations: 46 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. D(LNCASH(-1)) -1.384465 0.147014 -9.417246 0.0000
C 0.010001 0.041212 0.242663 0.8094 @TREND(2002:01) -0.000657 0.001479 -0.443979 0.6593
R-squared 0.673646 Mean dependent var -0.010078 Adjusted R-squared 0.658467 S.D. dependent var 0.227786 S.E. of regression 0.133120 Akaike info criterion -1.132134 Sum squared resid 0.762003 Schwarz criterion -1.012874 Log likelihood 29.03908 F-statistic 44.37934 Durbin-Watson stat 2.097790 Prob(F-statistic) 0.000000 Lnvrtgs level Null Hypothesis: LNVRTGS has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.539492 0.0466 Test critical values: 1% level -4.165756
5% level -3.508508 10% level -3.184230
*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) -0.437902 0.123719 -3.539492 0.0010
C 14.15813 3.997494 3.541750 0.0010 @TREND(2002:01) 0.010251 0.003484 2.942688 0.0052
R-squared 0.221703 Mean dependent var 0.013979 Adjusted R-squared 0.186326 S.D. dependent var 0.205967 S.E. of regression 0.185791 Akaike info criterion -0.466692 Sum squared resid 1.518797 Schwarz criterion -0.348598 Log likelihood 13.96727 F-statistic 6.266836 Durbin-Watson stat 1.989613 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -7.709658 0.0000 Test critical values: 1% level -4.175640
5% level -3.513075 10% level -3.186854
*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)) -1.697095 0.220126 -7.709658 0.0000
D(LNVRTGS(-1),2) 0.398212 0.140859 2.827027 0.0072 C 0.017077 0.059634 0.286358 0.7760
@TREND(2002:01) 0.000263 0.002111 0.124744 0.9013 R-squared 0.681134 Mean dependent var -0.004061 Adjusted R-squared 0.657802 S.D. dependent var 0.313161 S.E. of regression 0.183192 Akaike info criterion -0.471876 Sum squared resid 1.375932 Schwarz criterion -0.311284 Log likelihood 14.61722 F-statistic 29.19355 Durbin-Watson stat 2.083875 Prob(F-statistic) 0.000000 Lnvkliring level Null Hypothesis: LNVKLIRING has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.820452 0.0240 Test critical values: 1% level -4.165756
5% level -3.508508 10% level -3.184230
*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
104
Included observations: 47 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob.
LNVKLIRING(-1) -0.475201 0.124383 -3.820452 0.0004 C 7.353200 1.936816 3.796541 0.0004
@TREND(2002:01) 0.000161 0.001359 0.118615 0.9061 R-squared 0.270972 Mean dependent var -0.003803 Adjusted R-squared 0.237834 S.D. dependent var 0.138058 S.E. of regression 0.120527 Akaike info criterion -1.332178 Sum squared resid 0.639181 Schwarz criterion -1.214084 Log likelihood 34.30619 F-statistic 8.177169 Durbin-Watson stat 2.219145 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -6.883718 0.0000 Test critical values: 1% level -4.180911
5% level -3.515523 10% level -3.188259
*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)) -2.367381 0.343910 -6.883718 0.0000
D(LNVKLIRING(-1),2) 0.806643 0.263392 3.062514 0.0040 D(LNVKLIRING(-2),2) 0.442288 0.143272 3.087041 0.0037
C -0.079797 0.039735 -2.008212 0.0516 @TREND(2002:01) 0.002818 0.001386 2.033007 0.0489
R-squared 0.773100 Mean dependent var 0.005295 Adjusted R-squared 0.749829 S.D. dependent var 0.227444 S.E. of regression 0.113761 Akaike info criterion -1.402793 Sum squared resid 0.504719 Schwarz criterion -1.200044 Log likelihood 35.86144 F-statistic 33.22055 Durbin-Watson stat 2.015170 Prob(F-statistic) 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 12.34297 4.285948 2.879869 0.0062
LNGDP 1.342274 0.169972 7.897019 0.0000 SBI -0.008697 0.003614 -2.406713 0.0206
LNVAPMK -0.176315 0.030926 -5.701213 0.0000 LNVRTGS -0.569992 0.037920 -15.03129 0.0000
LNVKLIRING -0.013685 0.062227 -0.219925 0.8270 R-squared 0.883663 Mean dependent var 33.32450 Adjusted R-squared 0.869814 S.D. dependent var 0.136721 S.E. of regression 0.049331 Akaike info criterion -3.064068 Sum squared resid 0.102208 Schwarz criterion -2.830168 Log likelihood 79.53763 F-statistic 63.80420 Durbin-Watson stat 1.512388 Prob(F-statistic) 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.916640 0.0012 Test critical values: 1% level -4.165756
5% level -3.508508 10% level -3.184230
*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) -0.805921 0.163917 -4.916640 0.0000
C 0.000801 0.014077 0.056932 0.9549 @TREND(2002:01) -6.78E-05 0.000513 -0.132264 0.8954
R-squared 0.358487 Mean dependent var -0.003081 Adjusted R-squared 0.329327 S.D. dependent var 0.057885 S.E. of regression 0.047405 Akaike info criterion -3.198482 Sum squared resid 0.098878 Schwarz criterion -3.080387 Log likelihood 78.16432 F-statistic 12.29394 Durbin-Watson stat 1.745152 Prob(F-statistic) 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)) 2.994889 0.728100 4.113294 0.0063 D(LNCASH(-2)) 2.402605 0.637826 3.766866 0.0093 D(LNCASH(-3)) 2.192914 0.587026 3.735636 0.0097 D(LNCASH(-4)) 1.538814 0.579858 2.653776 0.0378 D(LNCASH(-5)) 2.023550 0.509457 3.971975 0.0074
D(LNGDP) 17.74219 8.223998 2.157368 0.0743 D(LNGDP(-1)) -16.81405 15.74024 -1.068220 0.3265 D(LNGDP(-2)) -4.161559 15.92427 -0.261334 0.8026 D(LNGDP(-3)) 10.07307 17.73731 0.567903 0.5907 D(LNGDP(-4)) -8.070318 16.83931 -0.479255 0.6487 D(LNGDP(-5)) -7.448661 6.453739 -1.154162 0.2923
D(SBI) 0.107392 0.027868 3.853578 0.0084 D(SBI(-1)) 0.017946 0.031133 0.576416 0.5853 D(SBI(-2)) -0.077640 0.028268 -2.746594 0.0334 D(SBI(-3)) 0.043383 0.027806 1.560198 0.1697 D(SBI(-4)) -0.134556 0.031550 -4.264872 0.0053 D(SBI(-5)) 0.086804 0.029154 2.977387 0.0247
D(LNVAPMK) -0.233139 0.065873 -3.539208 0.0122 D(LNVAPMK(-1)) 0.272991 0.104138 2.621434 0.0395 D(LNVAPMK(-2)) 0.155253 0.115358 1.345829 0.2270 D(LNVAPMK(-3)) -0.108067 0.131726 -0.820389 0.4434 D(LNVAPMK(-4)) 0.054570 0.140045 0.389660 0.7102 D(LNVAPMK(-5)) 0.058457 0.080601 0.725266 0.4956
D(LNVRTGS) -0.617370 0.051960 -11.88167 0.0000 D(LNVRTGS(-1)) 1.348444 0.387028 3.484100 0.0131 D(LNVRTGS(-2)) 0.961693 0.323590 2.971948 0.0249 D(LNVRTGS(-3)) 0.951371 0.332899 2.857837 0.0289 D(LNVRTGS(-4)) 0.567702 0.284127 1.998062 0.0927 D(LNVRTGS(-5)) 0.989021 0.285080 3.469272 0.0133 D(LNVKLIRING) 0.152440 0.108443 1.405714 0.2094
D(LNVKLIRING(-1)) -0.032199 0.074672 -0.431212 0.6814 D(LNVKLIRING(-2)) 0.268411 0.088836 3.021419 0.0234 D(LNVKLIRING(-3)) 0.223305 0.113371 1.969682 0.0964 D(LNVKLIRING(-4)) -0.045242 0.103734 -0.436137 0.6780 D(LNVKLIRING(-5)) 0.024146 0.081012 0.298061 0.7757
U(-1) -3.335771 0.687929 -4.849007 0.0029 R-squared 0.992975 Mean dependent var -0.006152 Adjusted R-squared 0.951993 S.D. dependent var 0.139026 S.E. of regression 0.030461 Akaike info criterion -4.376341 Sum squared resid 0.005567 Schwarz criterion -2.886910 Log likelihood 127.9032 Durbin-Watson stat 3.335740
108
Lampiran 14. Uji Autokorelasi Persamaan ECM Breusch-Godfrey Serial Correlation LM Test: F-statistic 0.217134 Probability 0.807916 Obs*R-squared 1.426820 Probability 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)) -0.096828 0.373336 -0.259360 0.7998 D(LNCASH(-2)) -0.038869 0.365128 -0.106453 0.9170 D(LNCASH(-3)) -0.109582 0.377859 -0.290008 0.7768 D(LNCASH(-4)) -0.061763 0.278218 -0.221996 0.8281 D(LNCASH(-5)) -0.077150 0.284353 -0.271320 0.7908
D(LNGDP) -0.487482 2.226003 -0.218994 0.8303 D(LNGDP(-1)) 0.479161 2.172012 0.220607 0.8291 D(LNGDP(-5)) 0.370367 1.416223 0.261517 0.7981
D(SBI) -0.004659 0.022651 -0.205690 0.8405 D(SBI(-2)) 0.000723 0.026779 0.027013 0.9789 D(SBI(-3)) 0.005655 0.027872 0.202880 0.8426 D(SBI(-4)) -0.006790 0.026537 -0.255883 0.8024 D(SBI(-5)) 0.003941 0.018922 0.208278 0.8385
D(LNVAPMK) 0.009051 0.037458 0.241628 0.8131 D(LNVAPMK(-1)) -0.010118 0.049590 -0.204042 0.8417 D(LNVAPMK(-2)) -0.000507 0.038649 -0.013122 0.9897
D(LNVRTGS) 0.001254 0.028484 0.044011 0.9656 D(LNVRTGS(-1)) -0.040585 0.161169 -0.251816 0.8054 D(LNVRTGS(-2)) -0.010854 0.172356 -0.062977 0.9508 D(LNVRTGS(-3)) -0.054674 0.161221 -0.339127 0.7404 D(LNVRTGS(-4)) -0.022710 0.120996 -0.187692 0.8543 D(LNVRTGS(-5)) -0.041013 0.135563 -0.302538 0.7674 D(LNVKLIRING) 0.005565 0.065812 0.084557 0.9340
D(LNVKLIRING(-2)) -0.003959 0.049105 -0.080626 0.9371 D(LNVKLIRING(-3)) 0.007136 0.050708 0.140719 0.8904
U(-1) 0.045857 0.389116 0.117848 0.9081 AR(1) 0.751281 1.202538 0.624746 0.5438
RESID(-1) -0.729049 1.148422 -0.634827 0.5375 RESID(-2) 0.571177 0.957992 0.596223 0.5621
R-squared 0.034800 Mean dependent var 0.000152 Adjusted R-squared -2.217332 S.D. dependent var 0.013504 S.E. of regression 0.024223 Akaike info criterion -4.417089 Sum squared resid 0.007041 Schwarz criterion -3.205050 Log likelihood 119.5503 Durbin-Watson stat 2.014471
109
Lampiran 15. Uji Heteroskedastisitas Persamaan ECM ARCH Test: F-statistic 0.023459 Probability 0.879080 Obs*R-squared 0.024678 Probability 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 Coefficient Std. Error t-Statistic Prob. C 0.000171 4.14E-05 4.130001 0.0002
RESID^2(-1) 0.024989 0.163155 0.153163 0.8791 R-squared 0.000617 Mean dependent var 0.000175 Adjusted R-squared -0.025683 S.D. dependent var 0.000180 S.E. of regression 0.000182 Akaike info criterion -14.33242 Sum squared resid 1.26E-06 Schwarz criterion -14.24797 Log likelihood 288.6483 F-statistic 0.023459 Durbin-Watson stat 1.933194 Prob(F-statistic) 0.879080
110
Lampiran 16. Uji Normalitas Persamaan ECM
0
1
2
3
4
5
6
7
-0.02 -0.01 0.00 0.01 0.02
Series: ResidualsSample 2002:08 2005:12Observations 41
Mean 0.000152Median 0.000227Maximum 0.023209Minimum -0.024499Std. Dev. 0.013504Skewness -0.026509Kurtosis 1.982966
Jarque-Bera 1.771831Probability 0.412337
Related Documents
