16
2 METODE
Kerangka Pemikiran
PTT padi merupakan suatu metode pendekatan untuk mempertahankan atau meningkatkan produktivitas padi secara berkelanjutan dan efisiensi produksi. PTT menekankan pada prinsip partisipasi yang menempatkan pengalaman, keinginan, dan kemampuan petani pada posisi penting dalam menerapkan suatu teknologi dengan memperhatikan keberagaman lingkungan pertanaman dan kondisi petani (karateristik), sehingga penerapan teknologi di suatu tempat kemungkinan besar berbeda dengan lokasi lainnya. Dalam proses adopsi, petani tidak dapat dengan serta merta mengadopsi suatu inovasi. Banyak faktor yang harus dipertimbangkan, diantaranya adalah : pengetahuan, keterampilan, dan sikap petani. Respon atau tanggapan individu dipengaruhi oleh beberapa hal antara lain tingkat kemampuan individu di dalam melihat serta mengindera suatu benda, ataupun suatu objek atau peristiwa dari sudut mana ia melihat masalah itu kemudian ia intepretasikan ke dalam reaksi nyata yang berbentuk respon. Menurut Gibson et al. (1988), respon adalah hasil dari perilaku stimulus yaitu aktivitas dari orang yang bersangkutan, tanpa memandang apakah stimulus tersebut dapat diidentifikasikan atau tidak dapat diamati. Respon akan terkait dengan stimulus, sehingga jika stimulus terjadi maka suatu respon akan mengikuti. Analisis data yang akan digunakan dalam penelitian ini menggunakan analisis deskriptif dan analisis structural equation model (SEM). Analisis SEM digunakan untuk menganalisis pengaruh antara variabel eksogen terhadap variabel endogen. Berdasarkan pemaparan tersebut, maka kerangka pemikiran dari penelitian ini adalah seperti yang tersaji pada Gambar 1. Selanjutnya kerangka operasional penelitian seperti tersaji pada Gambar 2. Pengetahuan
Produktivitas
Keterampilan
Sikap
Gambar 1 Kerangka pemikiran penelitian
17
Pemenuhan Kebutuhan PERMINTAAN BERAS PTT Padi
Respon Petani TERHADAP PTT PADI 1. Pengetahuan 2. Keterampilan 2. Sikap
Produktivitas
Gambar 2 Kerangka operasional penelitian Hipotesis
H1 H2 H3
Berdasarkan perumusan masalah di atas, maka dapat terdapat 3 hipotesis dalam penelitian ini, yaitu : : Pengetahuan berpengaruh terhadap produktivitas : Keterampilan berpengaruh terhadap produktivitas : Sikap berpengaruh terhadap produktivitas Lokasi dan Waktu Penelitian
Penelitian ini bertempat di desa Pancawati Kecamatan Caringin, Kabupaten Bogor Propinsi Jawa Barat. Penelitian ini dilakukan pada bulan Nopember 2012 – April 2013. Populasi dan Teknik Pengambilan Sampel 1 Populasi Populasi penelitian ini adalah petani yang tergabung dalam kelompok tani di desa Pancawati Caringin Bogor, yang merupakan salah satu desa yang diarahkan menggunakan Metode PTT dan merupakan salah satu desa yang dijadikan sentra produksi padi dengan jumlah sebanyak 125 orang petani. 2 Teknik Pengambilan Sampel Teknik pengambilan sampel yang digunakan adalah dengan cara sampling jenuh (sensus), dimana semua anggota populasi dijadikan sebagai sampel. Teknik
18
ini sesuai yang dikemukakan oleh Sugiyono (2007) bahwa sampling jenuh adalah teknik penentuan sampel bila semua anggota populasi digunakan sebagai sampel, sehingga sampel dalam penelitian ini adalah seluruh populasi yaitu 125 orang petani. Teknik pengambilan sampel ini dipakai dengan tujuan agar dapat memperoleh informasi yang lebih lengkap tentang kondisi sebenarnya. Teknik Pengumpulan Data Teknik pengumpulan data yang digunakan dalam penelitian ini adalah wawancara dengan menggunakan instrumen kuesioner yaitu seperangkat pertanyaan yang disusun untuk diajukan kepada responden. Kuesioner ini dimaksudkan untuk memperoleh informasi secara tertulis dari responden berkaitan dengan tujuan penelitian. Teknik Pengolahan Data Untuk memudahkan proses pengolahan data, maka pendapat responden tersebut diberi skala. Instrumen yang dipakai dalam penelitian ini adalah mempergunakan skala Likert, yaitu: Sangat Tidak Setuju (STS) = 1 Tidak Setuju (TS) =2 Netral (N) =3 Setuju (S) =4 Sangat Setuju (SS) =5 Teknik Analisis Data Analisis data pada penelitian ini menggunakan analisis deskriptif dan analisis SEM (Structural Equation Model) dengan menggunakan program PLS untuk penolakan atau penerimaan hipotesis, digunakan taraf signifikan 5 persen. 1 Analisis Deskriptif Analisis deskriptif dilakukan dengan menabulasi hasil kuesioner secara manual dengan program excel dan SPSS (Statistical Program for Social Science)versi 21.0, yang bertujuan untuk mengetahui karakteristik responden. Analisis deskriptif juga dilakukan untuk mengetahui respon petani terhadap metode pengelolaan tanaman terpadu (PTT) padi untuk meningkatkan produktivitasnya di Desa Pancawati Caringin Bogor. 2 Analisis SEM PLS Analisis Structural Equation Modelling (SEM) dengan pendekatan part least square (PLS) digunakan untuk menganalisis pengaruh pengetahuan, keterampilan dan sikap terhadap produktivitas padi di desa Pancawati Caringin Bogor. Hasil analisis ini akan menunjukkan pengaruh variabel eksogen terhadap endogen berikut dengan besaran koefisien pengaruh. PLS pertama kali dikembangkan oleh Wold dalam Ghozali (2008) sebagai metode umum untuk mengestimasi path model yang menggunakan konstruk laten dengan multiple indikator. PLS merupakan metode analisis yang powerful karena dapat diterapkan pada semua jenis skala data (distribution free) dimana tidak mengasumsikan data berdistribusi tertentu sehingga data dapat berupa nominal,
19
kategori, ordinal, interval dan rasio. Disamping itu, pendekatan SEM dengan PLS juga tidak membutuhkan banyak asumsi dan ukuran sampel yang dibutuhkan juga tidak harus besar. Selain dapat digunakan sebagai konfirmasi teori, PLS juga dapat digunakan untuk membangun hubungan yang belum ada landasan teorinya (Ghozali, 2008). PLS adalah model persamaan Structural Equation Model (SEM) yaitu suatu teknik modeling statistika yang merupakan kombinasi dari analisis principal component, analisis regresi dan analisis path (Yamin 2011). Ferdinand (2006) menyatakan beberapa alasan penggunaan program SEM sebagai alat analisis adalah bahwa SEM sesuai digunakan untuk : a. Mengkonfirmasi undimensionalisasi dari berbagai indikator untuk sebuah konstruk/konsep/faktor. b. Menguji kesesuaian atau ketepatan sebuah model berdasarkan data empiris yang diteliti. c. Menguji kesesuaian model sekaligus hubungan kausalitas antar faktor yang dibangun atau diamati dalam model penelitian. Model SEM, Konstruk laten berdasarkan fungsinya dibagi menjadi dua, yaitu: variabel eksogen dan variabel endogen. Variabel eksogen adalah suatu variabel yang tidak dapat dipengaruhi oleh variabel lain (atau disebut variabel independen didalam model regresi). Sedangkan variabel endogen adalah variabel yang dapat dipengaruhi variabel lain. Dalam model SEM, variabel endogen dapat berperan menjadi variabel independen apabila variabel tersebut dapat mempengaruhi variabel lain (Ghozali dan Fuad 2005). Secara teknis SEM dibagi dalam 2 (dua) kelompok yaitu SEM berbasis kovarian yang diwakili oleh LISREL dan SEM variance atau sering disebut Component Based SEM yang mempergunakan software SmartPLS dan PLS Graph. Covariance Based SEM lebih bertujuan memberikan pernyataan tentang hubungan kausalitas atau memberikan deskripsi mekanisme hubungan kausalitas (sebab – akibat). Sedangkan Component Based SEM dengan PLS bertujuan mencari hubungan linear prediktif antar variabel (Ghozali 2008). Pada Tabel 1, menunjukkan perbedaan Covariance Based SEM (LISREL) dengan Component Based SEM PLS. Tabel 1 Perbedaan Covariance Based SEM (LISREL) dengan Component Based SEM (PLS) No Kriteria PLS LISREL 1 Tujuan Berorientasi prediksi Berorientasi pendugaan parameter 2 Pendekatan Berbasis varian (Ragam) Berbasis Covarian (peragam) 3 Hubungan antara Formatif atau reflektif Reflektif peubah laten dan manifest/Indikator 4 Peubah Laten Setiap peubah laten merupakan Peubah laten diduga oleh kombinasi linear dari peubah seluruh peubah manifest/indicator manifest/indicator 5 Kompleksitas Sampai kompleksitas besar Sampai kompleksitas model 100 laten atau 1000 manifest sedang (kurang dari 100 laten)
berlanjut……
20
Lanjutan Tabel 1 No 6
Kriteria Ukuran contoh
PLS Rekomendasi sekitar 30 - 100
7
Persyaratan teori
Fleksibel, bebas sebaran
8
Perlakuan missing data Identifikasi
Algoritma NIPALS
9
Dalam model rekursif selalu teridentifikasi
LISREL Rekomendasi sekitar 300 – 800 Asumsi kuat, sebaran normal Model kemungkinan maksimum Bergantung kepada model idealnya, lebih dari 4 manifest per laten untuk over determinasi, 3 untuk identifikasi yang sesuai
Sumber : Ghozali (2008)
Model Spesifik dengan PLS Model analisis jalur semua variabel laten dalam PLS terdiri dari tiga set hubungan : (1) inner model yang menspesifikasi hubungan antar variabel laten (structural model), (2) Outer Model yang menspesifikasi hubungan antara variabel laten dengan indikator atau variabel manifestnya (measurement model), dan (3) Weight realtion dalam mana nilai kasus dari variabel laten dapat diestimasi. Tanpa kehilangan generalisasi, dapat diasumsikan bahwa variabel laten dan indikator atau manifest variabel diskala zero means dan unit variance(nilai standardized) Sehingga parameter lokasi (parameter konstanta) dapat dihilangkan dalam model (Ghozali 2008). 1 Inner Model Inner Model yang kadang disebut juga dengan (inner relation, structural model dan substantive theory) menggambarkan hubungan antar variabel laten ini : 1 dimana : vektor variabel laten endogenous vektor variabel laten eksogenous vektor variabel residual (unexpalined variance) Oleh karena PLS didesain untuk model recursive, maka hubungan antar variabel laten, setiap variabel laten dependen , atau sering disebut causal chain system dari variabel laten dapat dispeksifikasikan sebagai berikut : j∑i jii ∑i jb b j ……………………………… (2) Dimana : ji dan jb adalah koefisien jalur yang menghubungkan predictor endogenous dan variabel laten eksogenous dan sepanjang range indeks i dan b, dan j adalah inner residual variable. 2 Outer Model Outer model sering juga disebut (outer relation atau measurement model) mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel
21
latennya. Blok dengan indikator reflektif dapat ditulis persamaannnya sebagai berikut: x = x +x y = y +y ………………………………………………… (3) Dimana : x dan y adalah indikator atau manifest variabel untuk variabel laten eksogenous dan endogenous dan sedangkan x dan y merupakan matrik loading yang menggambarkan koefisien regresi sederhana yang menghubungkan variabel laten dengan indikatornya. Residual yang diukur dengan x dan y dapat diinterpretasikan sebagai kesalahan pengukuran atau noise.
3 Weight Relation Inner dan Outer model memberikan spesifikasi yang diikuti dalam estimasi algoritma PLS, memerlukan definisi weight relation. Nilai kasus untuk setiap variabel laten diestimasi dalam PLS sebagai berikut : b = ∑kb Wkb Xkb i = ∑ki Wki Yki ……………………….................. (4) Dimana wkb dan wki adalah k weight yang digunakan untuk membentuk estimasi variabel laten b dan i. Estimasi variabel laten adalah linier agregat dari indikator yang nilai weightnya didapat dengan prosedur estimasi PLS seperti dispesifikasi oleh inner dan outer model dimana adalah vector variabel laten endogen (dependen) dan adalah vector variabel laten eksogen (independen), merupakan vector residual dan serta adalah matrik koefisien jalur (path coefficient). 4 Model Pengukuran atau Outer Model Covergent validity dari model pengukuran dengan model reflektif indikator dinilai berdasarkan korelasi antara item skor/komponen skor dengan konstruk skor yang dihitung dengan PLS. Ukuran reflektif dikatakan tinggi jika berkorelasi lebih dari 0.7 dengan konstruk yang ingin diukur. Namun demikian untuk penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0.5 sampai 0.6 dianggap cukup Chin, 1998 (dalam Ghozali, 2008). Discriminant validity dari model pengukuran dengan reflektif indikator dinilai berdasarkan cross loading pengukuran dengan konstruk. Jika korelasi konstruk dengan item pengukuran lebih besar daripada ukuran konstruk lainnya, maka akan menunjukkan bahwa konstruk laten memprediksi ukuran pada blok yang lebih baik daripada ukuran blok lainnya. Metode lain untuk menilai discriminant validity adalah membandingkan nilai akar square root of Average Variance Extracted (AVE) setiap konstruk dengan korelasi antara konstruk lainnya dalam model. Jika nilai akar AVE setiap konstruk lebih besar daripada nilai korelasi antar konstruk dengan konstruk lainnya dalam model, maka dikatakan memiliki nilai discriminant vailidity yang baik. Direkomendasikan nilai AVE harus lebih besar 0.50 Fornnel dan Larcker dalam Ghozali (2008).
22
5 Model Struktural atau Inner Model Inner Model (inner relation, structural model, dan substantive theory) menggambarkan hubungan antar variabel laten berdasarkan pada teori substantif. Model struktural di evaluasi dengan menggunakan R-square untuk konstruk dependen, StoneGeisser-Q-square test untuk predictive relevance dan uji t serta signifikansi dari koefisien parameter jalur struktural. Stabilitas dari estimasi ini dievaluasi dengan menggunakan uji t-statistik yang didapat lewat prosedur boostraping. Dalam menilai modal dengan PLS dimulai dengan melihat R-square untuk setiap variabel laten dependen. Interpretasinya sama dengan interpretasi pada regresi. Perubahan nilai R-square dapat digunakan untuk menilai pengaruh variabel laten independen tertentu terhadap variabel laten dependen apakah mempunyai pengaruh yang substantive (Ghozali 2008). Pada penelitian ini variabel dan indikator pengetahuan, keterampilan dan sikap adalah sebagai berikut : Tabel 2 Variabel dan indikator pengetahuan, keterampilan, sikap dan produktivitas Variabel No Indikator Laten I Variabel eksogen X1.1 Pengetahuan baru bagi petani X1.2 Penyesuaian dengan kondisi fisik dan sosial () Reflektif X1.3 Lebih efektif dibanding metode tanam padi lama X1.4 Metode PTT sudah diterapkan para petani Pengetahuan X1.5 Metode PTT dapat meningkatkan hasil panen X1.6 Pengetahuan seluk beluk metode PTT X1.7 Kondisi yang diperlukan untuk meningkatkan produktivitas X1.8 Mengetahui keunggulan dan kelemahan metode PTT X1.9 Mengenal berbagai metode tanam padi selain PTT padi X1.10 Mengetahui hasil penerapan PTT di daerah lain II Variabel eksogen X2.1. Mampu menerapan metode PTT X2.2 Memerlukan pelatihan () Reflektif X2.3 Penyesuaian metode PTT dengan kondisi fisik dan sosial Keterampilan X2.4 Asistensi/memerlukan pendampingan penyuluh X2.5 Kemampuan modifikasi X2.6 Memperhitungkan resiko menerapkan metode PTT X.2.7 Mampu memanfaatkan metode PTT untuk peningkatan hasil panen X2.8 Kemampuan meningkatkan produksi dengan metode lama X2.9 Mampu menghasilkan produktivitas sama meski dengan metode lama X2.10 Kemampuan meningkatkan hasil panen dengan metode PTT X2.11 Kemampuan teknis penerapan metode PTT X2.12 Kemampuan memecahkan masalah metode PTT X2.13 Kemampuan melakukan modifikasi metode PTT X2.14 Kemampuan antisipasi masalah penerapan
berlanjut…….
23
Lanjutan Tabel 2 No
Variabel Laten
Indikator X2.15
III
Variabel eksogen () Reflektif Sikap
IV
Pendampingan dalam memecahkan masalah penerapan
X3.1 X3.2 X3.3
Memberikan masukan terhadap metode PTT Menerima karena anjuran pemerintah Dapat membandingkan metode lama dan metode PTT X3.4 Menerapkan metode mengikuti tetangga desanya X3.5 Percaya dan menerima metode PTT dapat meningkatkan hasil panen X3.6 Dapat menilai untung rugi menerapkan metode PTT X3.7 Menerima konsekuensi masalah penerapan X3.8 Memberikan saran untuk perbaikan Metode PTT X3.9 Memberikan pengalaman kepada penyuluh dan petani lain X3.10 Bersedia dikoordinasikan dengan kelompoknya Y.1 Peningkatan Produksi Y.2 Peningkatan produktivitas
Variabel endogen () Reflektif Produktivitas Model SEM yang digunakan dalam penelitian ini tersaji pada Gambar 3.
Gambar 3 Struktur dugaan model SEM
