III.

METODE PENELITIAN

3.1. Jenis dan Metode Pengumpulan Data

Jenis data yang digunakan dalam penelitian ini berupa data panel yang
seimbang (balanced panel data) dari bank-bank yang ada di Indonesia baik yang
merger maupun bank yang bukan merupakan hasil merger periode tahun 2002
sampai tahun 2011. Data yang diperoleh merupakan data sekunder dari Bank
Indonesia berupa laporan neraca dan laporan rugi laba triwulanan dari masing-
masing bank yang dipublikasi di media massa.
Penelitian ini juga menggunakan data yang berasal dari Direktori
Perbankan Indonesia, tahun 2002 sampai tahun 2011, publikasi Bank Indonesia.
Dari Direktori Perbankan Indonesia, diperoleh data jumlah karyawan.
Data tersebut digunakan untuk menghitung nilai efisiensi (baik efisiensi
biaya maupun efisiensi keuntungan), skala ekonomi serta rasio-rasio kinerja bank
yang diperlukan untuk mengidentifikasi faktor-faktor penyebab inefisiensi di
Bank.

3.2. Definisi Operasional

Berdasarkan latar belakang, permasalahan, serta tujuan dan didukung
dengan tinjauan pusaka, maka ada beberapa variabel yang relevan digunakan
dalam penelitian. Variabel-variabel yang digunakan dalam penelitian adalah
sebagai berikut:
Tabel 3.1.Definisi Operasional Variabel yang Digunakan dalam Penelitian

Simbol Definisi
C Total biaya =beban bunga+operasional dan non
operasional+akumulasi penyusutan
π Total profit/keuntungan=pendapatan dari pinjaman dan sekuritas
dikurangi total biaya
w1 Price of fund (beban bunga dibagi total funds
Total funds = deposito+giro+tabungan
w2 Upah tenaga kerja (diproksi dengan biaya personalia dibagi total
aktiva/total asset dari bank bersangkutan)
y1 Jumlah pinjaman yang disalurkan (kredit yang diberikan)
y2 Jumlah sekuritas atau penerimaan asset lain (surat berharga yang
dimiliki)
z1 Off-balance sheet items (pendapatan bukan bunga = pendapatan
 operasional + pendapatan non-operasional)
z2 Ekuitas
v1 Non performing Loan (NPL)
v2 Equity Over Total Asset (EOTA)
uc Faktor inefisiensi yang bisa meningkatkan biaya diatas tingkat
operasi terbaik
εc Kesalahan acak (random error)

3.3. Kerangka Analisis

Kerangka analisis dalam penelitian ini sesuai dengan tujuan dari penelitian
adalah perhitungan efisiensi relatif dan skala usaha bank-bank hasil merger.
Konsep efisiensi ekonomi ada 3 macam, yaitu efisiensi biaya (cost efficiency),
efisiensi keuntungan ( standard profit efficiency) dan efisiensi laba lainnya
(alternative profit efficiency). Konsep efisiensi yang digunakan dalam analisis ini
adalah efisiensi biaya dan efisiensi keuntungan. Pendapat yang dikemukakan oleh
Berger dan Mester (1997), “profit efficiency concept is superior to the cost
efficiency concept for evaluating the overall performance of the firm”. Efisiensi
keuntungan ( standard profit efficiency) mencakup semua (biaya dan pendapatan)
dan juga merupakan indikator yang lebih komprehensif dalam menilai kinerja
perbankan. Namun, dengan fungsi biaya, dapat mengukur scope ekonomi dan
skala ekonomi. Perhitungan efisiensi ini ditujukan untuk membandingkan
efisiensi secara relatif antar unit observasi dalam masing-masing bank.
Metode yang digunakan adalah metode yang umumnya digunakan dalam
menilai efisiensi bank umum. Secara umum, metode estimasi untuk analisis
efisiensi tersebut terbagi menjadi dua yaitu non parametrik dan parametrik.
Metode yang digunakan dalam penelitian ini adalah metode parametrik yaitu
metode Stochastic Frontier Approach (SFA).
Analisis selanjutnya adalah menghitung skala ekonomi (economies of
scale) bank-bank hasil merger. Pendugaan skala ekonomi Bank-bank hasil merger
dilakukan dengan analisis Ray Scale Elasticity (RSCE) dan Expansion Path Scale
Elasticity (EPSCE). Perhitungan skala ekonomi bertujuan untuk mengetahui skala
ekonomi bank dari struktur biaya yang diestimasi. Apakah struktur biaya dari
bank-bank merger di Indonesia mengalami skala ekonomi (economies of scale)
yang meningkat (increasing cost), menurun (decreasing cost) atau skala konstan

31
(constant cost). Penentuan posisi skala ekonomi ini penting untuk menentukan
strategi yang dapat dilakukan bank-bank umum dalam melakukan ekspansi
bisnisnya, terutama terkait dengan biaya operasional yang dibutuhkan dalam
ekspansi tersebut.
Perhitungan efisiensi dan skala ekonomi, terutama dalam hal biaya akan
memberikan manfaat, antara lain:
a) Diperoleh sebuah besaran (nilai atau skor) efisiensi yang dapat digunakan
untuk menilai apakah secara ekonomi suatu bank efisien atau tidak.
b) Dengan membandingkan besaran efisiensi antar bank, akan diperoleh
posisi relatif sebuah bank terhadap bank lainnya.
Pada tahap selanjutnya akan diidentifikasi faktor-faktor yang memengaruhi
inefisiensi bank. Pada tahap ini, analisis model SFA yang diperoleh dari tahap
pertama menghasilkan faktor-faktor apa saja yang memengaruhi total biaya dan
profit bank . Dari hasil analisis tersebut akan dikaji lebih dalam mengenai struktur
biaya bank serta rasio-rasio yang menggambarkan tingkat efisiensi bank. Dengan
membagi bank kedalam beberapa kelompok menurut tingkat efisiensinya,
karakter-karakter umum terutama dari sisi struktur biaya dari setiap kelompok
efisiensi tersebut akan diketahui.
Sub bab berikut memberikan deskripsi yang lebih detail dari setiap metode
analisis yang digunakan dalam studi ini.
3.3.1. Efisiensi Biaya (Cost Efficiency)
Efisiensi merupakan sebuah parameter kinerja dari dunia perbankan yang
sering menjadi perhatian dan dijadikan sebagai sinyal sehat atau tidaknya struktur
perbankan. Turunan dari fungsi biaya merupakan efisiensi yang terdiri dari
variabel biaya (merupakan variabel independen) dan variabel dependen yaitu
harga input, jumlah output, jumlah input dan output tetap (fixed netputs), faktor
lingkungan dan random error. Fungsi biaya dapat ditulis sebagai berikut:
𝐶 = 𝐶(𝑤, 𝑦, 𝑧, 𝑣, 𝑢𝑐 , 𝜖𝑐 ) (3.1)
Dimana c adalah variabel biaya (cost), w adalah variabel harga input, y
adalah variabel jumlah output, z adalah variabel fixed netputs (merupakan variabel
input atau output fixed yang bersubstitusi atau komplementer terhadap variabel
cost), v adalah variabel lingkungan atau pasar (market) yang bisa mempengaruhi

32
kinerja perbankan, 𝑢𝑐 merupakan faktor inefisiensi yang dapat menyebabkan
peningkatan biaya diatas biaya bank yang menjadi benchmark (bank yang
kinerjanya terbaik) dan v merupakan uncontrollable (random) factor atau noise
term.. Bentuk fungsi logaritma dari fungsi biaya, yaitu:
𝑙𝑛𝐶 = 𝑓(𝑤. 𝑦, 𝑧, 𝑣) + 𝑙𝑛𝑢𝑐 + 𝑙𝑛𝑣𝑐 (3.2)
Faktor inefficiency (u) mencakup allocative dan technical inefficiency.
Allocative inefficiencies merefleksikan penggunaan input dengan harga yang
relative lebih mahal, sedangkan technical inefficiencies merefleksikan
penggunaan input yang kurang optimal dalam memproduksi suatu output.
Efisiensi biaya dari sebuah bank, misalnya bank B, didefinisikan sebagai
estimasi biaya yang dibutuhkan untuk memproduksi output dari bank B jika bank
yang paling efisien dalam contoh menggunakan variabel eksogen yang sama
(w,y,z,v) dengan bank B, kemudian hasilnya dibagi dengan biaya aktual . Secara
matematis efisiensi biaya bank dapat mengikuti perhitungan yang dilakukan
Berger dan Mester (1997) dengan rumus :
̂
exp[𝑓 (𝑤 ,𝑦𝑏 𝑏 ,𝑧 𝑏 ,𝑣 𝑏 )]×𝑒𝑥𝑝[𝑙𝑛𝑢̂𝑐𝑚𝑖𝑛 ]
𝐶𝑜𝑠𝑡𝐸𝐹𝐹 𝑏 = 𝐶̂ 𝑚𝑖𝑛 ⁄𝐶̂ 𝑏 = ̂ (𝑤 𝑏 ̂𝑐𝑏 ]
= 𝑢̂𝑐𝑚𝑖𝑛 ⁄𝑢̂𝑐𝑏 (3.3)
exp[𝑓 ,𝑦 𝑏 ,𝑧 𝑏 ,𝑣 𝑏 )]×𝑒𝑥𝑝[𝑙𝑛𝑢

Biaya minimum tersebut mengindikasikan minimum (optimal) cost untuk

seluruh sampel bank, sehingga hal ini menunjukkan frontier dari sampel (Cb =
biaya aktual dari bank b). Efisiensi biaya akan berkisar dalam interval (0,1]
dengan nilai efisiensi satu menunjukkan bank tersebut merupakan bank yang
paling efisien.
3.3.2. Efisiensi Keuntungan Lainnya (Alternative Profit Function)
Alternative profit function mempunyai variabel dependent sama dengan
variabel dependent pada profit function yaitu variabel π (profit), sedangkan
variabel independentnya sama dengan variabel independent pada cost function
yaitu variabel harga input (w),variabel jumlah output (y), variabel fixed netput
(z), variabel faktor lingkungan (v).
Sejalan dengan pendekatan pada efisiensi biaya, misalkan fungsi
alternative profit function dalam natural logarithm dinyatakan sebagai berikut:
𝑙𝑛(𝜋 + 𝜃) = 𝑓(𝑤, 𝑦, 𝑧, 𝑣) + 𝑙𝑛𝑢𝑎𝜋 + 𝑙𝑛𝑣𝑎𝜋 (3.4)

33
 Alternative profit function merupakan rasio dari laba aktual terhadap laba
maksimum yang diperoleh jika bank tersebut merupakan bank yang terbaik
kinerjanya di dalam sampel (bank yang dianggap benchmark dari sekelompok
bank).
Berger dan Mester (1997) dengan rumus :
̂𝑏 ]−𝜃
exp[𝑓̂ (𝑤 𝑏 ,𝑝𝑏 ,𝑧 𝑏 ,𝑣 𝑏 )]×𝑒𝑥𝑝[𝑙𝑛𝑢
𝐴𝑙𝑡 𝜋𝐸𝐹𝐹 𝑏 = 𝑎𝜋̂ 𝑏 ⁄𝑎𝜋̂ 𝑚𝑎𝑥 = exp[𝑓̂(𝑤𝑏,𝑝𝑏,𝑧 𝑏,𝑣𝑏)]×𝑒𝑥𝑝[𝑙𝑛𝑢̂𝑚𝑎𝑥
𝑎𝜋
]−𝜃
(3.5)
𝑎𝜋

𝑚𝑎𝑥 𝑏
Dimana 𝑢̂𝑎𝜋 merupakan nilai maksimum dari 𝑢𝑎𝜋 dalam sampel

Dalam model profit efficiency, profit pada dasarnya diderivasi dari

maksimum revenue karena diasumsikan bahwa telah dicapai biaya minimum
sehingga dengan maksimum revenue akan diperoleh maksimum profit. Hal ini
menggambarkan konsep inefisiensi yang diderivasi dari fungsi profit (selanjutnya
disebut efisiensi profit). Sehingga efisiensi profit secara umum dapat dinyatakan
sebagai keuntungan aktual dibandingkan dengan keuntungan maksimum yang
seharusnya dapat dicapai oleh suatu bank, sehingga makin kecil dari 1 nilai
efisiensi profit yang dihasilkan berarti makin tidak efisien.
3.3.3. Persamaan Transendental Logaritma (Translog) Function

Pengamatan terhadap kuantitas output dan harga input yang digunakan

untuk mengestimasi fungsi biaya dan fungsi keuntungan maka dalam penelitian
ini digunakan fungsi non homotetic dalam bentuk translog (lang dan Welzel,
1996). Penggunaan fungsi translog ditujukan untuk menghindari asumsi-asumsi
ketat yang terdapat pada bentuk fungsi yang lain. Dengan menggunakan fungsi
translog kita dapat menangkap berbagai kemungkinan skala ekonomi dari struktur
biaya yang diestimasi.
Bentuk fungsi biaya dan fungsi keuntungan yang digunakan dalam
penelitian ini adalah sebagai berikut :

34
 ln 𝐶(𝑤𝑘𝑡 , 𝑦𝑘𝑡 , 𝑧𝑘𝑡 , 𝑣𝑘𝑡 )
2 2 2

= 𝛼0 + ∑ 𝛼𝑖 𝑙𝑛𝑤𝑖𝑘𝑡 + ∑ 𝛽𝑖 𝑙𝑛𝑦𝑖𝑘𝑡 + ∑ 𝜂𝑖 𝑙𝑛𝑧𝑖𝑘𝑡

𝑖=1 𝑖=1 𝑖=1
2 2 2 2
1
+ ∑ ∑ 𝛼𝑖𝑗 𝑙𝑛𝑤𝑖𝑘𝑡 𝑙𝑛𝑤𝑗𝑘𝑡 + ∑ ∑ 𝛾𝑖𝑗 𝑙𝑛𝑤𝑖𝑘𝑡 𝑙𝑛𝑦𝑗𝑘𝑡
2
𝑖=1 𝑗=1 𝑖=1 𝑗=1
2 2 2 2
1
+ ∑ ∑ 𝛽𝑖𝑗 𝑙𝑛𝑦𝑖𝑘𝑡 𝑙𝑛𝑦𝑗𝑘𝑡 + ∑ ∑ 𝛿𝑖𝑗 𝑙𝑛𝑤𝑖𝑘𝑡 𝑙𝑛𝑧𝑗𝑘𝑡
2
𝑖=1 𝑗=1 𝑖=1 𝑗=1
2 2 2 2
1
+ ∑ ∑ 𝜂𝑖𝑗 𝑙𝑛𝑧𝑖𝑘𝑡 𝑙𝑛𝑧𝑗𝑘𝑡 + ∑ ∑ 𝜌𝑖𝑗 𝑙𝑛𝑦𝑖𝑘𝑡 𝑙𝑛𝑧𝑗𝑘𝑡 + 𝜐1 𝑙𝑛𝑣1𝑘𝑡
2
𝑖=1 𝑗=1 𝑖=1 𝑗=1

+ 𝜐2 𝑙𝑛𝑣2𝑘𝑡 + 𝑙𝑛𝑢𝑐 + 𝑙𝑛𝜀𝑐

Dimana vektor 𝑢𝑘 (gangguan individu) diasumsikan 𝐸(𝑢𝑘 ) = 0, varians
𝐸(𝑢𝑘 , 𝑢𝑘′ ) = 𝜎𝑛2 𝐼 dan zero covariance 𝐸(𝑢𝑘 , 𝑢𝑙′ ) = 0, 𝑘 ≠ 𝑙, antar bank. Untuk
memastikan sifat simetrik dan homogenitas linear dlm harga input, ditentukan
batasan sebagai berikut.
𝛼𝑖𝑗 = 𝛼𝑖𝑗 , 𝛽𝑖𝑗 = 𝛽𝑖𝑗 , 𝜂𝑖𝑗 = 𝜂𝑖𝑗 , 𝛼𝑖𝑗 = 𝛼𝑖𝑗 , 𝑖, 𝑗 = 1,2
2 2 2

∑ 𝑎𝑖 = 1 , ∑ 𝛼𝑖𝑗 = 0, ∑ 𝛿𝑖𝑗 = 0 , 𝑖 = 1,2 𝑑𝑎𝑛 𝑗 = 1,2

𝑖=1 𝑖=1 𝑖=1

Hasil dari turunan dari rumus translog fungsi biaya maupun fungsi keuntungan
adalah sebagai berikut.
𝑙𝑛(𝐶) = 𝛼0 + 𝛼1 𝑙𝑛(𝑤1 ) + 𝛼2 𝑙𝑛(𝑤2 ) + 𝛽1 𝑙𝑛(𝑦1 ) + 𝛽2 𝑙𝑛(𝑦2 ) + 𝜂1 𝑙𝑛(𝑧1 ) +
1⁄2𝛼11 𝑙𝑛(𝑤1 )𝑙𝑛(𝑤1 ) + 𝛼12 𝑙𝑛(𝑤1 )𝑙𝑛(𝑤2 ) + 1⁄2𝛼22 𝑙𝑛(𝑤2 )𝑙𝑛(𝑤2 ) +
𝛾11 𝑙𝑛(𝑤1 )𝑙𝑛(𝑦1 ) + 𝛾12 𝑙𝑛(𝑤1 )𝑙𝑛(𝑦2 ) + 𝛾21 𝑙𝑛(𝑤2 )𝑙𝑛(𝑦1 ) + 𝛾22 𝑙𝑛(𝑤2 )𝑙𝑛(𝑦2 ) +
𝛿11 𝑙𝑛(𝑤1 )𝑙𝑛(𝑧1 ) + 𝛿12 𝑙𝑛(𝑤1 )𝑙𝑛(𝑧2 ) + 𝛿21 𝑙𝑛(𝑤2 )𝑙𝑛(𝑧1 ) + 𝛿22 𝑙𝑛(𝑤2 )𝑙𝑛(𝑧2 ) +
1⁄2𝛽11 𝑙𝑛(𝑦1 )𝑙𝑛(𝑦1 ) + 𝛽12 𝑙𝑛(𝑦1 )𝑙𝑛(𝑦2 ) + 1⁄2𝛽22 𝑙𝑛(𝑦2 )𝑙𝑛(𝑦2 ) +
𝜌11 𝑙𝑛(𝑦1 )𝑙𝑛(𝑧1 ) + 𝜌12 𝑙𝑛(𝑦1 )𝑙𝑛(𝑧2 ) + 𝜌21 𝑙𝑛(𝑦2 )𝑙𝑛(𝑧1 ) + 𝜌22 𝑙𝑛(𝑦2 )𝑙𝑛(𝑧2 ) +
1/2𝜂11 𝑙𝑛(𝑧1 )𝑙𝑛(𝑧1 ) + 𝜂12 𝑙𝑛(𝑧1 )𝑙𝑛(𝑧2 ) + 1/2𝜂22 𝑙𝑛(𝑧2 )𝑙𝑛(𝑧2 )+𝜐1 𝑙𝑛𝑣1 +
𝜐2 𝑙𝑛𝑣2 + 𝑙𝑛𝑢𝑐 + 𝑙𝑛𝜀𝑐 (3.6)

Pada praktiknya, ternyata ekuitas (variabel z2) mempunyai hubungan

terhadap jumlah pinjaman yang disalurkan (variabel y1), jumlah sekuritas atau
penerimaan asset lain (variabel y2) dan pendapatan bukan bunga (variabel z1). Jika
variabel salah satu dari ketiga variabel (y1, y2, z1) meningkat maka ekuitas pun
meningkat sehingga akan terjadi heteroskedastisitas. Sehingga pada persamaan

35
fungsi biaya, variabel cost dan ketiga variabel (y1, y2, z1) tersebut dibagi dengan
variabel z2, untuk mengontrol terjadinya heteroskedastisitas dan untuk
menghasilkan model ekonomi yang lebih baik (Huizinga, Nelissen dan Vander
Vennet, 2001). Diperoleh persamaan yang baru, yaitu:
ln 𝐶(𝑤𝑘𝑡 , 𝑦𝑘𝑡 , 𝑧𝑘𝑡 , 𝑣𝑘𝑡 )
2 2

= 𝛼0 + ∑ 𝛼𝑖 𝑙𝑛𝑤𝑖𝑘𝑡 + ∑ 𝛽𝑖 𝑙𝑛𝑦𝑖𝑘𝑡 + 𝛽3 𝑙𝑛𝑧𝑘𝑡

𝑖=1 𝑖=1
2 2 2 2
1
+ ∑ ∑ 𝛼𝑖𝑗 𝑙𝑛𝑤𝑖𝑘𝑡 𝑙𝑛𝑤𝑗𝑘𝑡 + ∑ ∑ 𝛾𝑖𝑗 𝑙𝑛𝑤𝑖𝑘𝑡 𝑙𝑛𝑦𝑗𝑘𝑡
2
𝑖=1 𝑗=1 𝑖=1 𝑗=1
2 2 2 2
1
+ 𝑙𝑛𝑧1 ∑ 𝛾𝑖3 𝑙𝑛𝑤𝑖 + ∑ ∑ 𝛽𝑖𝑗 𝑙𝑛𝑦𝑖𝑘𝑡 𝑙𝑛𝑦𝑗𝑘𝑡 + 𝑙𝑛𝑧1 ∑ 𝛽𝑖3 𝑙𝑛𝑦𝑖
2
𝑖=1 𝑖=1 𝑗=1 𝑖=1

+ 𝜐1 𝑙𝑛𝑣1𝑘𝑡 + 𝜐2 𝑙𝑛𝑣2𝑘𝑡 + 𝑙𝑛𝑢𝑐 + 𝑙𝑛𝜀𝑐

Hasil dari turunan dari rumus translog fungsi biaya adalah sebagai berikut.
𝑙𝑛(𝐶) = 𝛼0 + 𝛼1 𝑙𝑛(𝑤1 ) + 𝛼2 𝑙𝑛(𝑤2 ) + 𝛽1 𝑙𝑛(𝑦1 ) + 𝛽2 𝑙𝑛(𝑦2 ) +
𝛽3 𝑙𝑛(𝑧1 ) + 1⁄2𝛼11 𝑙𝑛(𝑤1 )𝑙𝑛(𝑤1 ) + 𝛼12 𝑙𝑛(𝑤1 )𝑙𝑛(𝑤2 ) +
1⁄2𝛼22 𝑙𝑛(𝑤2 )𝑙𝑛(𝑤2 ) + 𝛾11 𝑙𝑛(𝑤1 )𝑙𝑛(𝑦1 ) + 𝛾12 𝑙𝑛(𝑤1 )𝑙𝑛(𝑦2 ) +
𝛾13 𝑙𝑛(𝑤1 )𝑙𝑛(𝑧1 ) + 𝛾21 𝑙𝑛(𝑤2 )𝑙𝑛(𝑦1 ) + 𝛾22 𝑙𝑛(𝑤2 )𝑙𝑛(𝑦2 ) + 𝛾23 𝑙𝑛(𝑤2 )𝑙𝑛(𝑧1 ) +
1⁄2𝛽11 𝑙𝑛(𝑦1 )𝑙𝑛(𝑦1 ) + 𝛽12 𝑙𝑛(𝑦1 )𝑙𝑛(𝑦2 ) + 𝛽13 𝑙𝑛(𝑦1 )𝑙𝑛(𝑧1 ) +
1⁄2𝛽22 𝑙𝑛(𝑦2 )𝑙𝑛(𝑦2 ) + 𝛽23 𝑙𝑛(𝑦2 )𝑙𝑛(𝑧1 ) + 1⁄2𝛽33 𝑙𝑛(𝑧1 )𝑙𝑛(𝑧1 ) + 𝜐1 𝑙𝑛𝑣1 +
𝜐2 𝑙𝑛𝑣2 + 𝑙𝑛𝑢𝑐 + 𝑙𝑛𝜀𝑐 (3.7)
Untuk analisis efisiensi keuntungan, formulasi fungsi keuntungan sama
dengan fungsi biaya. Menurut pernyataan dari Berger dan Mester (1997),
penelitian ini mengaplikasikan fungsi keuntungan lainnya (alternative profit
function) daripada fungsi keuntungan (standard profit function). Fungsi
keuntungan lainnya mempunyai variabel independen yang sama dengan fungsi
biaya, dimana variabel dependent ln 𝐶 diubah menjadi 𝑙𝑛[𝜋 + |𝜋 𝑚𝑖𝑛 | +
1], dimana |𝜋 𝑚𝑖𝑛 | mengindikasikan nilai absolut dari nilai minimum (𝜋) untuk
seluruh bank.
Dalam fungsi biaya ini, C adalah total biaya (beban bunga, operasional dan
non operasional). Biaya dari sebuah perusahaan akan dipengaruhi oleh faktor
input dan outputnya. Faktor input yang dianggap paling berpengaruh terhadap

36
biaya sebuah bank adalah dana pihak ketiga dan tenaga kerja, dengan harga
masing-masing adalah 𝑤1 dan 𝑤2 . Karena data mengenai jumlah pegawai dari
setiap bank tidak tersedia, maka upah per pekerja masing-masing bank tidak dapat
dihitung. Upah tenaga kerja dapat diproxy dengan jumlah pengeluaran untuk
tenaga kerja dibagi dengan total asset dari bank bersangkutan. Tingkat harga dana
pihak ketiga diproksi dengan bunga yang dibagi dengan total dana pihak ketiga
dari bank tersebut (untuk lebih jelasnya dalam penggunaan variabel yang
digunakan dapat dilihat pada tabel 3.1)
Total biaya dari sebuah bank akan dipengaruhi oleh total output yang
dihasilkannya. Semakin banyak jumlah output yang diproduksi, maka akan
semakin banyak pula biaya yang dibutuhkan untuk menghasilkan output tersebut.
Oleh karena itu, output bank dimasukkan ke dalam variabel penjelas dalam model.
Output yang dihasilkan bank berupa jumlah pinjaman (kredit yang diberikan) (𝑦1 )
dan penerimaan asset lain(other earning asset) yang dilambangkan dengan (𝑦2 ).
Dalam rangka menghasilkan model yang lebih komprehensif maka non-interest
income activities (aktivitas yang menghasilkan pendapatan non bunga) yang
dilambangkan dengan (𝑧1 ) dan ekuitas (𝑧2 ) dimasukkan ke dalam model. Variabel
lingkungan 𝑣1 (NPL/Non Performing Loan) dan 𝑣2 (EOTA/Equity Over Total
Asset) dimasukkan ke dalam model untuk menghitung perbedaan resiko dan
kualitas output. Error term didapatkan dengan menggunakan pendekatan batas
stokastik (SFA/Stochastic Frontier Approach) dimana 𝑢𝑐 adalah factor inefisiensi
yang bisa naik diatas tingkat operasi terbaik, dan 𝜀𝑐 random error yang
memasukkan perhitungan error dan kemungkinan yang secara temporal terjadi
dalam biaya tinggi atau rendah.
3.3.4. Pengukuran Skala Ekonomi (Economies of Scale)
Perhitungan terhadap skala ekonomi (economies of scale) dapat dilakukan
dengan berbagai cara, diantaranya adalah dengan menggunakan ukuran Ray Scale
Elasticity (RSCE) dan Expansion Path Scale Elasticity (EPSCE) (Huizinga,
Nelissen dan Vander Vennet, 2001). RSCE merupakan kenaikan biaya relatif
yang diakibatkan kenaikan dari seluruh output secara proporsional. RSCE
merupakan suatu ukuran yang menggambarkan biaya marjinal dari penambahan
output yang dilakukan oleh suatu bank. RSCE kurang dari 1 mengindikasikan

37
skala ekonomi dalam artian bahwa peningkatan biaya akan lebih kecil secara
proporsional ketika output ditingkatkan.
Skala ekonomi (economies of scale) seringkali digunakan sebagai salah
satu indikator kinerja sebuah bank. Untuk mengukur skala ekonomi (economies of
scale) peneliti menggunakan dua ukuran yaitu Ray Scale Elasticity (RSCE) dan
Expansion Path Scale Elasticity (EPSCE). RSCE merupakan kenaikan biaya
relatif yang diakibatkan kenaikan dari seluruh output secara proporsional. RSCE
merupakan suatu ukuran yang menggambarkan biaya marjinal dari penambahan
output yang dilakukan oleh suatu bank. Untuk itu RSCE dirumuskan :
𝑅𝑆𝐶𝐸 (𝑌) = ∑ 𝑖(𝜕 ln 𝐶 ⁄𝜕 ln 𝑌𝑖 ), 𝑖 = 1,2 (3.8)
𝜕𝐶 𝑌
𝑅𝑆𝐶𝐸(𝑌) = ∑ 𝑖 𝜕𝑌 . 𝐶𝑖 , 𝑖 = 1,2 (3.9)
𝑖

𝑅𝑆𝐶𝐸(𝑌) = 𝜕𝑙𝑛𝐶 ⁄𝜕𝑙𝑛𝑦1 + 𝜕𝑙𝑛𝐶 ⁄𝜕𝑙𝑛𝑦2 (3.10)

𝜕𝑙𝑛𝐶 ⁄𝜕𝑙𝑛𝑦1 = 𝛽1 + 𝛾11 𝑙𝑛𝑤1 + 𝛾21 𝑙𝑛𝑤2 + 1/2𝛽11 𝑙𝑛𝑦1 + 𝛽12 𝑙𝑛𝑦2 + 𝛽13 𝑙𝑛𝑧1
𝜕𝑙𝑛𝐶 ⁄𝜕𝑙𝑛𝑦2 = 𝛽2 + 𝛾12 𝑙𝑛𝑤1 + 𝛾22 𝑙𝑛𝑤2 + 𝛽12 𝑙𝑛𝑦1 + 1/2𝛽22 𝑙𝑛𝑦2 + 𝛽23 𝑙𝑛𝑧1
𝑅𝑆𝐶𝐸 = 𝛽1 + 𝛾11 𝑙𝑛𝑤1 + 𝛾21 𝑙𝑛𝑤2 + 𝛽11 𝑙𝑛𝑦1 + 𝛽12 𝑙𝑛𝑦2 + 𝛽13 𝑙𝑛𝑧1 + 𝛽2 +
𝛾12 𝑙𝑛𝑤1 + 𝛾22 𝑙𝑛𝑤2 + 𝛽12 𝑙𝑛𝑦1 + 𝛽22 𝑙𝑛𝑦2 + 𝛽23 𝑙𝑛𝑧1 (3.11)
Nilai RSCE kurang dari 1 mengindikasikan skala ekonomi, dalam artian
bahwa peningkatan biaya akan lebih kecil secara proporsional ketika output
ditingkatkan. Suatu vector output tertentu dapat digunakan untuk membandingkan
antara kelompok bank-bank merger dengan kelompok bank-bank yang tidak
merger dengan komposisi output yang sama.
Untuk menghindari penggunaan asumsi perubahan secara proporsional
dari seluruh output dalam RSCE, Berger, et al. (1987) mengajukan ukuran lain
dari skala ekonomi yang dinamakan dengan EPSCE. EPSCE membandingkan dua
buah bank yang mirip dalam distribusi ukuran tetapi tidak perlu sama dalam
ukuran struktur outputnya. Untuk itu, bank A yang merger sedangkan bank B
tidak merger, EPSCE didefinisikan :
(𝑌 𝐵 −𝑌 𝐴 )⁄𝐶 𝐵
𝐸𝑃𝑆𝐶𝐸 (𝑌 𝐵 , 𝑌 𝐴 ) = ∑ 𝑖 (𝐶𝑖𝐵 −𝐶𝑖𝐴)⁄𝐶𝑖𝐵 . (𝜕𝑙𝑛𝐶(𝑌 𝐵 )⁄𝜕𝑙𝑛𝑌 𝐵 𝑖 ) (3.12)
𝑖 𝑖 𝑖

EPSCE mengukur perubahan dalam biaya relatif terhadap output dari

vector 𝑌 𝐵 ke 𝑌 𝐴 . Untuk nilai EPSCE kurang dari 1, bank B akan menikmati
keuntungan biaya di atas bank A.

38
3.4. Alur Teknik Estimasi Efisiensi dan Skala Ekonomi (Economies of Scale)
Alur teknik estimasi terhadap efisiensi biaya bank dengan menggunakan
metode SFA dan perhitungan RSCE dan EPSCE yang dilakukan dpat dijelaskan
dengan menggunakan gambar 3.1. Perangkat lunak yang digunakan untuk
mengestimasi nilai efisiensi adalah perangkat lunak STATA version 10.0 , Eviews
dan Microsoft Excel.

Raw Data

Cleaning Data
Tranformasi Data

Estimasi fungsi biaya

dan keuntungan dengan
menguji asumsi penting
ekonometrika
Semua asumsi
terpenuhi

Hasil Estimasi Residual dan

fungsi biaya Intersep

EPSCE dan RSCE SFA dengan model

untuk menganalisis Translog untuk
menentukan tingkat
skala ekonomi bank
efisiensi bank

Gambar 3.1. Alur Teknik Estimasi Efisiensi dan Skala Ekonomi Bank

Perangkat lunak Frontier akan menghasilkan estimasi untuk setiap

parameter dalam OLS, kemudian Microsoft Excel digunakan untuk mengolah
hasil residual dan intersep dari Frontier untuk menghitung nilai efisiensi dari
masing-masing bank serta menghitung nilai skala ekonomi dengan menggunakan
rumus sesuai dengan metode yang digunakan.

39
3.5. Metode Analisis
3.5.1. Frontier Analysis
Pendugaan efisiensi dengan menggunakan SFA menggunakan pendekatan
Frontier Analysis. SFA menggunakan teknik ekonometrik maximum likelihood
estimation (MLE).
Parameter-parameter dari variabel dalam persamaan cost function untuk
memperoleh nilai efisiensi berdasarkan stochastic frontier approach (SFA) dapat
diestimasi dengan menggunakan Maximum-likelihood Method atau Corrected
Ordinary Least Square (COLS). Dalam penelitian ini Maximum-Likelihood
Method dipilih untuk mengestimasi parameter-parameter tersebut. Penggunaan
Maximum-Likelihood Method memerlukan perhitungan-perhitungan yang cukup
rumit dibandingkan dengan menggunakan metode COLS. Akan tetapi,
penggunaan metode ini menjadi lebih mudah setelah dikembangkannya berbagai
perangkat lunak untuk membantu komputasi metode ini. Penggunaan Maximum-
Likelihood Method akan memberikan hasil estimasi yang lebih efisien daripada
Corrected Ordinary Least Square jika ukuran sampel berjumlah banyak. Selain
itu, Maximum-Likelihood Method akan memberikan hasil estimasi yang lebih
signifikan dibandingkan Corrected Ordinary Least Square (COLS) jika kita
menerapkan asumsi half-normal frontier model dalam analisis yang kita lakukan.
Akan tetapi,penggunaan Maximum-Likelihood Method memerlukan sampel yang
cukup banyak dan jika sampelnya sedikit maka hasil estimasi dari metode ini akan
bersifat bias.
Ide umum dari Maximum-Likelihood Method adalah sebagai berikut.
Misalkan f(x,θ) merupakan fungsi kepadatan (density function) dari variabel
random X, dan misalkan θ merupakan fungsi kepadatan. Jika terdapat suatu
sampel random 𝑋1 , 𝑋2 , 𝑋3 , … . . , 𝑋𝑛 , maka penaksir ML dari θ adalah nilai θ yang
mempunyai probabilitas terbesar dari sampel yang diamati. Dengan kata lain,
taksiran ML dari θ adalah nilai yang memaksimumkan fungsi kepadatan f(x,θ).
Error atau gangguan dalam model stochastic frontier diasumsikan terdiri
dari dua komponen. Salah satu komponen diasumsikan mempunyai distribusi
yang strictly nonnegative sedangkan yang lainnya diasumsikan mempunyai
distribusi yang simetrik. Pada literature ekonometrik, komponen nonnegative
sering disebut sebagai inefficiency term dan komponen dengan distribusi yang

40
simetrik disebut sebagai idiosyncratic error. Stochastic frontier menghasilkan dua
estimasi yang berbeda terhadap inefficiency term. Sebelum menjelaskan dua
estimasi tersebut, maka diasumsikan 𝑁 + (𝜇, 𝜎 2 ) merupakan the truncated normal
distribution, dimana = 0 , varians = 𝜎 2 dan iid. Estimasi pertama disebut sebagai
time invariant model, dimana 𝑢𝑖𝑡 = 𝑢𝑖 , 𝑢𝑖 ∽ 𝑁 + (𝜇, 𝜎 2 ), 𝑣𝑖𝑡 ∽ 𝑁(0, 𝜎 2 ) dan 𝑢𝑖
dan 𝑣𝑖𝑡 masing-masing terdistribusi secara independen. Sedangkan estimasi kedua
adalah time varying decay dengan spesifikasi, 𝑢𝑖𝑡 = 𝑒𝑥𝑝{−𝜂(𝑡 − 𝑇𝑖 )}𝑢𝑖 , dimana
𝑇𝑖 adalah periode terakhir dalam series data panel, 𝜂 adalah decay parameter,
𝑢𝑖𝑡 = 𝑢𝑖 , 𝑢𝑖 ∽ 𝑁 + (𝜇, 𝜎 2 ), 𝑣𝑖𝑡 ∽ 𝑁(0, 𝜎 2 ) dan 𝑢𝑖 dan 𝑣𝑖𝑡 masing-masing
terdistribusi secara independen.
3.5.2. Model Data Panel
Dalam melakukan analisis ekonometrik, dapat digunakan data time series,
data cross section, atau data panel. Data panel (longitudinal data) merupakan data
yang memiliki dimensi ruang (individu) dan waktu. Dengan kata lain, data panel
merupakan unit-unit individu yang sama yang diamati dalam kurun waktu
tertentu. Secara umum, data panel dicirikan oleh T periode waktu (t = 1,2,...,T)
yang kecil dan n jumlah individu (i = 1,2,...,n) yang besar. Namun tidak menutup
kemungkinan sebaliknya, yakni data panel terdiri atas periode waktu yang besar
dan jumlah individu yang kecil. Dalam data panel, data cross section yang sama
diobservasi menurut waktu. Jika setiap unit cross section memiliki jumlah
observasi time series yang sama maka disebut sebagai balanced panel. Sebaliknya
jika jumlah observasi berbeda untuk setiap unit cross section maka disebut
unbalanced panel. Regresi dengan menggunakan data panel disebut dengan model
regresi data panel.
Aplikasi metode estimasi dengan menggunakan data panel
banyak digunakan baik secara teoritis maupun aplikatif dalam berbagai literatur
mikroekonometrik dan makroekonometrik. Popularitas penggunaan data panel ini
merupakan konsekuensi dari kemampuan dan ketersediaan analisis yang diberikan
oleh data jenis ini. Penggabungan data cross section dan time series dalam studi
data panel digunakan untuk mengatasi kelemahan dan menjawab pertanyaan yang
tidak dapat dijawab oleh model cross section dan time series murni.

41
 Melalui analisis data panel, kita dapat menangkap perilaku sejumlah
individu yang memiliki karakteristik yang berbeda-beda dalam suatu rentang
waktu yang terdiri atas unit-unit waktu yang juga berbeda. Heterogenitas antar
individu maupun antar waktu digambarkan dalam model dengan intersep dan
koefisien slope yang berbeda-beda. Nilai intersep dan koefisien slope yang
berbeda-beda ini berasal dari pengaruh variabel yang tidak termasuk dalam
variabel penjelas dalam persamaan regresi biasa. Secara teknis data panel dapat
memberikan data yang informatif, mengurangi kolinearitas antarpeubah serta
meningkatkan derajat kebebasan yang artinya meningkatkan efisiensi (Firdaus,
2011).
Menurut Baltagi (2005), beberapa keuntungan penggunaan data panel
adalah sebagai berikut :
1) Data panel mampu mengontrol heterogenitas variabel-variabel yang
tidak dimasukkan dalam model (unobserved heterogenity),
2) Data panel dapat memberikan data yang intensif, mengurangi kolinearitas
antar peubah, meningkatkan derajat kebebasan dan lebih efisien,
3) Data panel lebih baik untuk studi dynamics of adjustment,
4) Data panel mampu mengidentifikasi dan mengukur efek yang
secara sederhana tidak dapat diatasi dalam data cross section saja atau data
time series saja,
5) Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi
individu karena unit data lebih banyak.
Keunggulan fundamental panel data daripada runut waktu (time series)
ataupun kerat lintang (cross section) adalah bahwa panel data akan membiarkan
peneliti untuk lebih fleksibel dalam memodelkan perbedaan sifat tiap data
pengamatan.
Secara umum, terdapat dua pendekatan dalam metode data panel, yaitu
Fixed Effect Model (FEM) dan Random Effect Model (REM). Keduanya
dibedakan berdasarkan ada atau tidaknya korelasi antara komponen error dengan
peubah bebas.
Misalkan diberikan persamaan regresi data panel sebagai berikut:
y it  ai  X it    it

42
dimana: y it : nilai dependent variable untuk setiap unit individu i pada periode t
dimana i = 1, …, n dan t = 1, …, T
ai : unobserved heterogenity

X it : nilai independent variable yang terdiri dari sejumlah K variabel.

Struktur datanya sebagai berikut.
periode 1  x111 x211 ... x K 11 
 x K 12 
periode 2  x112 x212 ...
individu ke-1
 ... ... ... ... 
 
periode T  x11T x21T ... x K 1T 
 x121 x221 ... x K 21 
 
 x122 x222 ... xK 22 
 ... ... ... ...  individu ke-2
X it   
 x12T x22T ... x K 2T 
 
 ... ... ... ... 
 ... ... ... ... 
 
 x1N 1 x2 N 1 ... x KN 1 
x x2 N 2 ... x KN 2 
 1N 2  individu ke-N
 ... ... ... ... 
x x KNT 
 1NT x2 NT ...

Pada one way, komponen error dispesifikasikan dalam bentuk:

 it  i  uit
dimana: i : efek individu (time invariant)

u it : disturbance yang besifat acak ( u it ~ N (0,  u2 ) )

Untuk two way, komponen error dispesifikasikan dalam bentuk:
 it  i   t  u it
dimana:  t : efek waktu (individual invariant)
Pada pendekatan one way komponen error hanya memasukkan komponen
error yang merupakan efek dari individu ( i ). Pada two way telah memasukkan

efek dari waktu (  t ) ke dalam komponen error, u it diasumsikan tidak berkorelasi

dangan X it . Jadi perbedaan antara FEM dan REM terletak pada ada atau tidaknya

korelasi antara i dan  t dengan X it .

3.5.2.1. Model Pooled

43
 Model Pooled yaitu model yang didapatkan dengan mengkombinasikan atau

mengumpulkan semua data cross section dan time series. Model data ini

kemudian diduga dengan menggunakan Ordinary Least Square (OLS), yaitu:

Y_it=α+βX_it+ε_it

dimana :

Y_it=variabel endogen

X_it=variabel eksogen

α=intersep

β=slope

i = individu ke-i, t= periode waktu ke-t

ε = error/simpangan.

3.5.2.2. Fixed Effect Model (FEM)

FEM digunakan ketika efek individu dan efek waktu mempunyai korelasi
dengan X it atau memiliki pola yang sifatnya tidak acak. Asumsi ini membuat
komponen error dari efek individu dan waktu dapat menjadi bagian dari intecept.
Untuk one way komponen error:
y it  ai  i  X it   u it
Sedangkan untuk two way komponen error:
yit  ai  i  t  X it   uit
Penduga FEM dapat dihitung dengan beberapa teknik, yaitu Pooled Least
Square (PLS), Within Group (WG), Least Square Dummy Variable (LSDV), dan
Two Way Error Component Fixed Effect Model.
3.5.2.3. Random Effect Model (REM)
REM digunakan ketika efek individu dan efek waktu tidak berkorelasi
dengan X it atau memiliki pola yang sifatnya acak. Keadaan ini membuat
komponen error dari efek individu dan efek waktu dimasukkan ke dalam error.
Untuk one way komponen error:
y it  ai  X it   u it  i

44
Untuk two way komponen error:
y it  ai  X it   u it  i   t
Asumsi yang digunakan dalam REM adalah
E u it |  i   0


E u it2 |  i   u2 
Dimana untuk:
E  i | xit   0 untuk semua i dan t
One way error component:  i  i
 
E  i2 | xit   2 untuk semua i dan t
Two way error component:  i  i   t
E u    0 untuk semua i, t, dan j
it j

E u u   0 untuk i  j dan t  s
it js

E     0 untuk i  j
i j

Dari semua asumsi di atas, yang paling penting adalah E  i | xit   0 .

Pengujian asumsi ini menggunakan HAUSMAN test. Uji hipotesis yang digunakan
adalah:
H0 : E i | xit   0  Tidak ada korelasi antara komponen error dengan
peubah bebas
H1 : E i | xit   0  Ada korelasi antara komponen error dengan peubah bebas


H  ˆ REM  ˆ FEM  M
'
FEM  M REM 
1
ˆ REM 
 ˆ FEM ~  2 k 
dimana M : matriks kovarians untuk parameter 
k : derajat bebas
Jika H >  tabel
2
maka komponen error mempunyai korelasi dengan peubah bebas
dan artinya model yang valid digunakan adalah REM.
Penduga REM dapat dihitung dengan dua cara yaitu pendekatan Between
Estimator (BE) dan Generalized Least Square (GLS).

3.6. Pemilihan Model Dalam Pengolahan Data Panel

Pemilihan model yang digunakan dalam sebuah penelitian perlu dilakukan
berdasarkan pertimbangan statistik. Hal ini ditujukan untuk memperoleh dugaan
yang efisien. Alur pengujian statistic untuk memilih model yang digunakan dapat
diperlihatkan pada gambar 3.2.

45
 Fixed Effect

Hausman
Test

Random Effect
Chow Test

LM Test

Pooled Least
Square

Gambar 3.2. Pengujiann Pemilihan Model dalam Pengolahan Data Panel

3.6.1. Chow Test

Chow Test atau beberapa buku menyebutnya pengujian F statistic adalah
pengujian untuk memilih model yang digunakan Pooled Least Square atau Fixed
Effect. Seperti yang kita ketahui, terkadang asumsi bahwa setiap unit cross section
memiliki perilaku yang sama cenderung tidak realisitis mengingat dimungkinkan
setiap unit cross section memiliki perilaku yang berbeda. Dalam pengujian ini
dilakukan dengan hipotesa sebagai berikut :
H0: Model Pooled Least Square
H1: Model Fixed Effect
Dasar penolakan terhadap hipotesa nol adalah dengan menggunakan F-
Statistik seperti yang dirumuskan oleh Chow:
(𝐸𝑆𝑆1 − 𝐸𝑆𝑆2 )⁄(𝑁 − 1)
𝐶𝐻𝑂𝑊 =
(𝐸𝑆𝑆2 )⁄(𝑁𝑇 − 𝑁 − 𝐾)
dimana:
𝐸𝑆𝑆1 =Residual Sum Square hasil pendugaan model fixed effect
𝐸𝑆𝑆2 =Residual Sum Square hasil pendugaan model Pooled Least Square
N =Jumlah data cross section
T = Jumlah data time series
K =Jumlah variabel penjelas.
Statistik Chow Test mengikuti distribusi F-statistik dengan derajat bebas
(N-1, NT-N-K). Jika nilai CHOW Statistic (F-Stat) hasil pengujian lebih besar
dari F tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesa nol

46
sehingga model yang digunakan adalah model fixed effect, begitu juga sebaliknya.
Pengujian ini disebut sebagai Chow Test yang digunakan untuk menguji stabilitas
dari parameter (stability test).
3.6.2. Hausman Test
Hausman Test adalah pengujian statistic sebagai dasar pertimbangan kita
dalam memilih apakah penggunaan model fixed effect atau model random effect.
Seperti yang kita ketahui bahwa penggunaan model fixed effect mengandung
suatu unsur trade off yaitu hilangnya derajat bebas dengan memasukkan variabel
dummy. Namun, penggunaan metode random effect pun harus memperhatikan
ketiadaan pelanggaran asumsi dari setiap komponen galat.
Hausman Test dilakukan dengan hipotesa sebagai berikut:
H0 : Model Random Effects Model
H1 : Model Fixed Effect Model
Sebagai dasar penolakan Hipotesa nol maka digunakan Statistik Hausman
dan membandingkannya dengan Chi square.
Statistik Hausman dirumuskan dengan:
𝐻 = (𝛽𝑅𝐸𝑀 − 𝛽𝐹𝐸𝑀 )′(𝑀𝐹𝐸𝑀 − 𝑀𝑅𝐸𝑀 )−1 (𝛽𝑅𝐸𝑀 − 𝛽𝐹𝐸𝑀 ) ~𝜒 2 (𝑘)
dimana :
M adalah matriks kovarians untuk parameter β
K adalah degrees of freedom
Jika nilai H hasil pengujian lebih besar dari 𝜒 2 tabel, maka cukup bukti
untuk melakukan penolakan terhadap H0 sehingga model yang digunakan adalah
model fixed effects, begitu juga sebaliknya.
3.6.3. LM Test
LM Test atau lengkapnya The Breusch-Pagan LM Test digunakan sebagai
bahan pertimbangan statistik dalam memilih model Random Effect versus Pooled
Least Square.
H0 : Model Pooled Least Square
H1 : Model Random Effect.
Dasar penolakan terhadap H0 adalah dengan menggunakan residual OLS
yang diperoleh dari hasil estimasi model pooled dimana :

47
 2
𝑁𝑇 𝑇 2 ∑ 𝜀𝑖2
𝐿𝑀 = [ − 1] − 𝜒 2
2(𝑇 − 1) ∑ ∑ 𝜀𝑖𝑡2
Jika nilai LM hasil perhitungan lebih besar dari 𝜒 2 - Tabel, maka cukup
bukti untuk melakukan penolakan terhadap hipotesa nol sehingga model yang
digunakan adalah model random effect, begitu juga sebaliknya.

3.7. Uji Asumsi

Setelah kita memutuskan untuk menggunakan suatu model tertentu (FEM
atau REM), maka kita dapat melakukan uji asumsi.
3.7.1. Uji Homoskedastisitas
Salah satu asumsi yang harus dipenuhi dalam persamaan regresi adalah
bahwa taksiran parameter dalam model regresi bersifat BLUE (Best Linier
Unbiased Estimate) maka var (ui) harus sama dengan σ2 (konstan), atau semua
residual atau error mempunyai varian yang sama. Kondisi itu disebut dengan
homoskedastisitas. Sedangkan bila varian tidak konstan atau berubah-ubah
disebut dengan heteroskedastisitas. Untuk mendeteksi adanya heteroskedastisitas
dapat menggunakan metode General Least Square (Cross section Weights) yaitu
dengan membandingkan sum square Resid pada Weighted Statistics dengan sum
square Resid unweighted Statistics.
Jika sum square Resid pada Weighted Statistics lebih kecil dari sum
square Resid unweighted Statistics, maka terjadi heteroskedastisitas.
3.7.2. Uji Autokorelasi
Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu
peubah atau korelasi antar error masa yang lalu dengan error masa sekarang. Uji
autokorelasi yang dilakukan tergantung pada jenis data dan sifat model yang
digunakan. Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk
mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson
(DW). Untuk mengetahui ada/tidaknya autokorelasi, maka dilakukan dengan
membandingkan DW-statistiknya dengan DW-tabel. Adapun kerangka
identifikasi autokorelasi terangkum dalam Tabel 5. Korelasi serial ditemukan jika
error dari periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi
dengan melihat pola random error dari hasil regresi.

48
Tabel 3.2. Kerangka Identifikasi Autokorelasi
Nilai DW Hasil
4-dl<DW<4 Tolak H0 korelasi serial negatif
4-dl<DW<4-dl Hasil tidak dapat ditentukan
2<DW<4-du Terima H0, tidak ada korelasi serial
du<DW<2 Terima H0, tidak ada korelasi serial
dl<DW<du Hasil tidak dapat ditentukan
0<DW<dl Tolak H0 korelasi serial positif
Sumber: Gujarati, 2004

3.7.3. Multikolinieritas

Indikasi multikolinieritas tercermin dengan melihat hasil t dan F statistic

hasil regresi. Jika banyak koefisien parameter dari t statistic diduga tidak
signifikan sementara dari hasil F hitungnya signifikan, maka patut diduga adanya
multikolinieritas. Multikolinearitas dapat diatasi dengan menghilangkan variabel
yang tidak signifikan.

3.7.4. Uji Normalitas

Uji normalitas dilakukan untuk memeriksa apakah error term mendekati
distribusi normal atau tidak. Jika asumsi tidak terpenuhi maka prosedur pengujian
menggunakan statistik t menjadi tidak sah. Uji normalitas error term dilakukan
dengan menggunakan uji Jarque Bera. Berdasarkan nilai probabilitas Jarque Bera
yang lebih besar dari taraf nyata 5%, maka dapat disimpulkan bahwa error term
terdistribusi dengan normal.

3.8. Evaluasi Model

3.8.1. Uji-F
Uji-F digunakan untuk melakukan uji hipotesis koefisien (slope) regresi
secara bersamaan. Jika nilai probabilitas F-statistic < taraf nyata, maka tolak H0
dan itu artinya minimal ada satu peubah bebas yang berpengaruh nyata terhadap
peubah terikat, dan berlaku sebaliknya.
3.8.2. Uji-t
Setelah melakukan uji koefisien regresi secara keseluruhan, maka langkah
selanjutnya adalah menghitung koefisien regresi secara individu dengan
menggunakan uji-t. Hipotesis pada uji-t adalah :

49
 H0 : βi = 0
H1 : βi ≠ 0
Jika t-hitung > t-tabel maka H0 ditolak yang berarti peubah bebas secara
statistik nyata pada taraf nyata yang telah ditetapkan dalam penelitian, dan berlaku
hal yang sebaliknya. Jika nilai probabilitas t-statistik < taraf nyata, maka tolak H0
dan berarti bahwa peubah bebas nyata secara statistik.
3.8.3. Koefisien Determinasi (R2)
Koefisien determinasi (Goodness of Fit) merupakan suatu ukuran yang
penting dalam regresi, karena dapat menginformasikan baik atau tidaknya model
regresi yang terestimasi. Nilai R2 mencerminkan seberapa besar variasi dari
peubah terikat Y dapat diterangkan oleh peubah bebas X. Jika R2 = 0, maka
variasi dari Y tidak dapat diterangkan oleh X sama sekali; jika R2 = 1, artinya
bahwa variasi dari Y secara keseluruhan dapat diterangkan oleh X.

50