IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian mengenai risiko produksi cabai merah ini dilakukan di Desa Perbawati, Kecamatan Sukabumi, Kabupaten Sukabumi, Provinsi Jawa Barat. Lokasi tersebut dipilih secara purposive karena Kabupaten Sukabumi merupakan salah satu sentra cabai merah di Jawa Barat dan Kecamatan Sukabumi merupakan salah satu daerah penghasil cabai merah yang cukup besar pasokannya di pasaran, sedangkan desa dipilih karena salah satu penghasil cabai terbesar di Kecamatan Sukabumi. Pengambilan data dilakukan dalam waktu tiga bulan, yaitu 24 Desember 2011 hingga 10 Februari 2012. Waktu tersebut digunakan untuk memperoleh data dan wawancara dengan petani dan data-data lain dari instansi terkait.
4.2. Metode Penentuan Responden Metode pengambilan responden yang digunakan dalam penelitian ini adalah sensus (meneliti segala komponen yang ada pada populasi). Populasi adalah semua individu yang menjadi sumber pengambilan sampel. Responden yang menjadi objek penelitian ini adalah 23 petani cabai merah yang merupakan populasi petani cabai merah di Desa Perbawati, Kecamatan Sukabumi, Kabupaten Sukabumi. Penentuan responden dengan menggunakan metode sensus ini digunakan karena petani cabai yang ada di Desa Perbawati jumlahnya terbatas.
4.3. Data dan Instrumentasi Data yang digunakan dalam penelitian ini meliputi data primer dan data sekunder. Data primer diperoleh melalui penyebaran kuisioner dan wawancara dengan petani cabai merah di lokasi penelitian. Sementara itu, data sekunder diperoleh dari Direktorat Jenderal Hortikultura, BPS (kontribusi komoditi hortikultura terhadap PDB; Luas Panen, produktivitas, dan produksi cabai merah di Jawa Barat), BP3K, internet, dan buku.
4.4. Metode Pengolahan Data Metode pengolahan data dalam penelitian ini menggunakan software Minitab 14 dan Microsoft Excel. Adapun metode analisis yang digunakan meliputi analisis risiko dan analisis regresi linier berganda dengan natural log. Dalam penelitian ini data yang digunakan bersifat determinan atau non-stokastik dan merupakan data rasio.
4.4.1. Analisis Risiko Produksi Analisis risiko dilakukan dengan melihat penyimpangan yang terjadi antara nilai yang diharapkan dengan nilai yang terjadi. Untuk menilai tingkat risiko tersebut, beberapa ukuran yang digunakan yaitu nilai variance, standar deviation, dan coefficient variation. Nilai variance menunjukkan adanya penyimpangan, standar deviation diperoleh dari nilai kuadrat nilai variance, dan coefficient variance diperoleh dari rasio standar deviation dengan nilai yang diukur (Elton dan Gruber 1995). Dalam menganalisis risiko produksi dilakukkan analisis mengenai faktorfaktor eksternal yang tidak dapat dikendalikan oleh petani. Dalam hal ini, faktor eksternal yang dimaksud adalah faktor iklim dan cuaca, tingkat kesuburan lahan dan serangan hama penyakit. Analisis terhadap faktor eksternal ini dilakukan dengan melihat dari beberapa besar kemungkinan terjadinya (probabilitas keadian) dari faktor-faktor eksternal yang dianalisis dan seberapa besar kerugian yang disebabkannya. Semakin besar probabilitas kejadian eksternal yang merugikan maka semakin besar pula tingkat risiko yang mungkin dihadapi petani. Pengukuran probabilitas pada setiap kejadian diperoleh dari frekuensi setiap kejadian yang dibagi dengan jumlah periode musim tanam. Secara matematis, pengukuran probabilitas tersebut dapat dituliskan sebagai berikut: P = f/T Keterangan: f = frekuensi kejadian T = periode waktu proses produksi
4.4.1.1. Expected Value Produksi Dalam menentukan seberapa besar output produksi yang diharapkan, maka dapat dilakukan denngan penjumlahan dari setiap probabilitas dikalikan dengan tingkat output produksinya. Penentuan estimasi produksi tersebut dapat dirumuskan sebagai berikut: E (Q) = dimana : E (Q) = output produksi yang diharapkan Pi
= probabilitas ke-i
Qi
= output produksi
I
= kondisi (tertinggi, normal, terendah)
4.4.1.2. Standart Deviation Standard deviation dari output produksi menggambarkan perbedaan atau selisih antara output produksi dengan output yang diharapkan. Semakin besar nilai standard deviation maka semakin besar pula tingkat risiko yang dihadapi dalam kegiatan produksi. Secara matematis, standard deviation dari output produksi dapat dituliskan sebagai berikut : ∂Q = dimana : ∂Q
: Standard deviation
σi2
: Variance
4.4.1.3. Coefficient Variation Coefficient variation dari output diukur dari rasio standard deviation dari output dengan output yang diharapkan. Semakin kecil coefficient variation maka semakin rendah risiko yang dihadapi. Secara matematis, coefficient variation dapat dituliskan sebagai berikut : CV =
⁄ E(Q )
dimana CV
: Coefficient variation :Standard deviation
E(Q) : Expected value
4.4.2. Analisis Regresi Linier Berganda Analisis regresi linier berganda dalam penelitian ini digunakan untuk menganalisis perilaku penawaran cabai merah di Kecamatan Sukabumi. Sebagaimana teori penawaran bahwa suplai atau penawaran suatu komoditas dipengaruhi oleh beberapa faktor yaitu teknologi, harga input, harga produk yang lain, jumlah produsen, dan harapan produsen terhadap harga produksi di masa mendatang. Maka faktor-faktor yang mempengaruhi penawaran cabai merah yang digunakan sebagai variabel independen dalam penelitian ini meliputi: X1 = Biaya pupuk ponska X2 = Biaya pupuk kompos X3 = Biaya kapur X4 = Biaya benih cabai merah X5 = Biaya obat-obatan X6 = Harga Cabai Merah X7 = Nilai Variasi produksi Selanjutnya setelah ditentukan variabel independen kemudian disusun suatu model untuk menduga hubungan antara variabel independen dengan variable dependen yang akan dianalisis. Dalam penelitian ini digunakan dengan analisis regresi linier. Secara matematis model tersebut dapat ditulis seperti berikut: Y = f (X1, X2, ...., Xn) Y = a0 + a1X1+a2X2+ .... +anXn+e dimana: Y = produksi/penawaran cabai merah di Desa Perbawati, Kecamatan Sukabumi a0 = koefisien intersep an = parameter peubah ke-n, dimana n=1,2,...,11, dengan hipotesis : a1,a12 > 0 a2,a3,a4,a5,a6,a7,a8,a9,a10,a11 < 0 X1 = Biaya pupuk ponska
X2 = Biaya pupuk kompos X3 = Biaya kapur X4 = Biaya benih cabai merah X5 = Biaya obat-obatan X6 = Harga Cabai Merah X7 = Nilai Variasi produksi e = unsur galat (eror) Model regresi yang digunakan diduga dengan menggunakan metode kuadrat terkecil atau Ordinary Least Square (OLS) yang didasarkan pada asumsi asumsi berikut (Juanda 2008). 1. Nilai rata-rata kesalahan pengganggu sama dengan nol, yaitu E (ei) = 0, untuk i = 1,2,......n 2. Varian (ej) = E (ej) = σ , sama untuk semua kesalahan pengganggu (asumsi homoskedasititas) 3. Tidak ada autokorelasi antara kesalahan pengganggu berarti covarian (ei,ej) = 0, i ≠ j 4. Variabel bebas X1, X2, ........, Xn konstan dalam sampling yang terulang dan bebas terhadap kesalahan pengganggu, E (Xi, ei) = 0 5. Tidak ada kolinearitas ganda diantara variabel bebas X 6. Ei ≈ N (0 ; σ2 ), artinya kesalahan pengganggu mengikuti distribusi normal dengan rata-rata nol dengan varian σ.
4.4.2.1. Model Double Log Model double log adalah suatu model yang mentransformasikan variabel dependen dan variabel independen ke dalam ln atau natural log sebelum dilakukan pengolahan ke dalam regresi linier berganda. Penggunaan model ini digunakan untuk mengetahui persentase perubahan variabel dependen terhadap variabel dependen (Harmini 2009).
4.4.2.2. Pengujian terhadap Model Penduga Pengujian terhadap model penduga ini digunakan untuk mengetahui apakah model penduga tersebut sudah tepat dalam menduga parameter dan fungsi. Adapun hipotesis yang digunakan adalah: H0 : a1 = a2 = .... = a5 = 0 H1 : minimal ada satu an ≠ 0 dan uji statistik yang digunakan adalah uji F, dimana F-hitung secara matematis dapat dituliskan sebagai berikut: F – hitung dimana: R2
= koefisien determinasi
K
= jumlah parameter
N
= jumlah pengamatan (contoh)
dengan kriteria uji yang digunakan adalah: - Apabila F-hitung > F-tabel (k-1, n-k) maka tolak H0 - Apabila F-hitung < F-Tabel (k-1, n-k) maka terima H0 Apabila H0 ditolak maka berarti paling sedikit terdapat satu variabel independen (X) yang digunakan berpengaruh secara signifikan terhadap variabel dependen, sehingga model yang digunakan tersebut dapat digunakan untuk memperkirakan variabel dependen (Y). Sebaliknya, apabila H0 diterima, maka tidak ada variable independen yang digunakan berpengaruh terhadap variabel dependen secara signifikan
dan
model
yang
digunakan
tidak
dapat
digunakan
untuk
memperkirakan variabel dependen (Y). Untuk melihat sejauh mana variasi variabel dependen (Y) dijelaskan oleh variable independen (X) dapat dilihat dari besarnya nilai koefisein determinasi (R2). Secara matematis, koefisien determinasi dapat dirumuskan sebagai berikut: R2 = 1 – R2 = dimana: SST = jumlah kuadrat total SSE = jumlah kuadrat galat/eror
SSR = jumlah kuadrat regresi Nilai R2 bergerak antara nol sampai dengan satu (0 ≤ R2 ≤ 1). Apabila R2 sama dengan satu berarti bahwa sumbangan variabel independen secara bersamasama terhadap variasi variabel dependen adalah seratus persen. Hal ini berarti bahwa seluruh variasi variabel dependen dapat dijelaskan oleh model (Gujarati 2003).
4.4.2.3 Pengujian terhadap Koefisien Regresi Tujuan pengujian terhadap koefisien regresi adalah untuk mengetahui apakah setiap variabel independen berpengaruh nyata terhadap variabel dependen. Secara statistik, pengujian terhadap koefisien regresi ini dilakukan dengan melihat nilai t-hitung. Apabila t-hitung lebih besar dari t-tabel atau P-value lebih kecil dari α (P-value<α), berarti variabel independen yang diuji berpengaruh nyata terhadap variabel dependen. Begitu pula sebaliknya (Gujarati 2003). Adapaun hipotesis yang digunakan adalah: H0 : bn = 0 H1 : bn > 0 ; n = 1,2,...,5 dan uji statistik yang digunakan adalah uji t, dimana t-hitung secara matematis dapat dituliskan sebagai berikut: t − hitung = dengan kriteria uji yang digunakan adalah: - Apabila t-hitung > t-tabel (α, n-k) maka tolak H0 - Apabila t-hitung < t-Tabel (α, n-k) maka terima H0 Jika H0 ditolak, artinya variabel Xn berpengaruh signifikan terhadap variable dependen Y. Sebaliknya, jika H0 diterima maka variabel independen Xn tidak berpengaruh nyata terhadap variabel dependen Y.
4.4.2.4 Pengujian terhadap asumsi Untuk mendapatkan model regresi linier yang baik maka perlu dilakukan pengujian
terhadap
nonmulticollienearity,
asumsi-asumsi
yang
homoscedasticity,
diperlukan, dan
yaitu
meliputi
non-autocorrelation.
Nonmulticollineraity didekati dari nilai VIF dari masing-maing variabel. Secara
praktis, adanya indikasi multicollinearity terjadi apabila nilai VIF ≥ 10 (Kleinbaum et al 1988 dalam Modul Harmini 2009). Sementara autocorrelation dapat dilihat dari nilai statistik dari uji Durbin Watson. Nilai statistik Durbin Watson berada pada kisaran 0-4, dan jika nilainya mendekati dua maka menunjukkan tidak ada autokorelasi pada orde kesatu. Adapun homoscedasticity dapat dilihat dengan Grafik, uji Goldfeld-Quandt, uji Breusch-Pagan, dan uji White (Juanda 2009).
