III. METODE PENELITIAN
3.1.
Jenis dan Sumber Data Data yang digunakan dalam penelitian ini berupa data sekunder, dimana
data sudah dikompilasi ke dalam bentuk digital file, publikasi, buku, laporan dan lain-lain (Juanda, 2009). Data bersumber dari berbagai publikasi yang diterbitkan oleh Badan Pusat Statistik Indonesia, Kementerian Pekerjaan Umum Republik Indonesia, dan Bank Indonesia. Dengan berbagai keterbatasan, karena menggunakan data time series dan cross-section mengenai Nilai Tukar Petani Tanaman Pangan di Kawasan Barat Indonesia dengan menggunakan tahun dasar terbaru NTP 2007 = 100. Rincian data yang digunakan dalam penelitian ini ditunjukan pada Tabel 3.1. Tabel 3.1. Jenis dan Sumber Data Penelitian No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.
Jenis Data Nilai Tukar Petani Tanaman Pangan (NTPP) Menurut Provinsi, Tahun 2008-2010 Luas Lahan Sawah Irigasi dan Non-Irigasi (Ha) Menurut Provinsi, Tahun 2008-2010 Produktivitas Padi (Ku/Ha) Menurut Provinsi, Tahun 2008-2010 Harga Gabah Kering Panen (GKP) di Tingkat Petani (Rp. /100 Kg) Menurut Provinsi, Tahun 2008-2010 Harga Pupuk Urea (Rp. /100 Kg) Menurut Provinsi, Tahun 20082010 Rata-Rata Jam Kerja Pekerja Sektor Pertanian Seminggu yang Lalu (Jam) Menurut Provinsi, Tahun 2008-2010 Posisi Kredit Bank Umum Sektor Pertanian (Rp. Miliar) Menurut Provinsi, Tahun 2008-2010 Panjang Jalan (Km) Menurut Provinsi, Tahun 2008-2010 Luas Layanan Daerah Irigasi (Ha) Menurut Provinsi, Tahun 20082010 Tinggi Curah Hujan Tahunan (mm) Menurut Provinsi, Tahun 20082010
Sumber BPS BPS BPS BPS BPS BPS BI BPS/PU PU BPS
Selanjutnya data-data di atas diolah dengan menggunakan Software Microsoft Excel 2007 dan Eviews 6.
49
3.2.
Keterbatasan dan Cakupan Data Penelitian ini bertujuan untuk menganalisis Nilai Tukar Petani Tanaman
Pangan di Kawasan Barat Indonesia dengan cakupan wilayah penelitian sebanyak 16 provinsi pada tahun 2008-2010 dengan menggunakan data terbaru tahun dasar NTP 2007 = 100. Tabel 3.2. Perbedaan NTP Lama 1993 dan NTP Baru 2007 Uraian Tahun Dasar Cakupan Wilayah
NTP Lama (1993 = 100) 1993 23 Provinsi
Cakupan Subsektor
-Tanaman Bahan Makanan -Tanaman Perkebunan Rakyat
Cakupan Komoditas Terbatas Diagram Timbang Total TBM dan TPR Sumber : Badan Pusat Statistik, 2011.
3.3.
NTP Baru (2007 = 100) 2007 32 Provinsi -Tanaman Bahan Makanan -Hortikultura -Tanaman Perkebunan Rakyat -Peternakan -Perikanan Lebih Luas Per Subsektor
Perumusan Model Penelitian Pada penelitian ini diagregasi 10 variabel, yaitu luas lahan sawah irigasi
(Ha), luas lahan sawah non-irigasi (Ha), produktivitas padi (Ku/Ha), harga gabah kering panen (GKP) di tingkat petani (Rp. /100Kg), harga pupuk urea (Rp. /100Kg), rata-rata jam kerja pekerja sektor pertanian seminggu yang lalu (Jam), posisi kredit bank umum sektor pertanian (Rp. Miliar), panjang jalan (Km), luas layanan daerah irigasi (Ha), dan tinggi curah hujan tahunan (mm), sehingga persamaan model penelitian Nilai Tukar Petani Tanaman Pangan dapat dituliskan ke dalam bentuk : LnNTPPit
= β0 + β1 lnIrigasiit + β2 lnNonIrigasiit + β3 lnProdit + β4 lnGKPit + β5 lnUreait + β6 lnJamit + β7 lnKreditit + β8 lnJalanit + β9 lnDIit + β10 lnHujanit + eit ............................................................................(3.1)
50
Dimana : NTPPit
= Nilai tukar petani tanaman pangan provinsi i tahun ke-t
β0
= Intersep
Irigasiit
= Luas sawah irigasi (Ha) provinsi i tahun ke-t
NonIrigasiit = Luas sawah non-irigasi (Ha) provinsi i tahun ke-t Prodit
= Produktivitas padi (ku/Ha) provinsi i tahun ke-t
GKPit
= Harga gabah kering panen (GKP) di tingkat petani (Rp. /100 Kg) provinsi i tahun ke-t
Ureait
= Harga pupuk urea (Rp. /100 Kg) provinsi i tahun ke-t
Jamit
= Rata-rata jam kerja pekerja sektor pertanian (Jam) seminggu yang lalu provinsi i tahun ke-t
DIit
= Posisi kredit bank umum sektor pertanian (Rp. Miliar) provinsi i tahun ke-t
Hujanit
= Tinggi curah hujan tahunan (mm) provinsi i tahun ke-t
β1, β2,..., βn
= Koefisien regresi variabel independen
eit
= Komponen error provinsi i tahun ke-t
3.4.
Metode Analisis dan Pengolahan Data Metode analisis data yang digunakan di dalam penelitian ini, yaitu :
3.4.1. Analisis Deskriptif Analisis deskriptif adalah analisis menggunakan metode statistik sederhana dengan tujuan untuk mendeskripsikan atau memaparkan dan mempermudah penafsiran suatu data dengan memberikan pemaparan dalam bentuk tabel, grafik, dan diagram.
51
3.4.2. Analisis Regresi Panel Data Teknik etimasi yang digunakan dalam penelitian ini adalah model panel data, dimana model ini menggabungkan set data runut waktu (time series) dan kerat lintang (cross section). Dalam bentuk sederhana, peneliti telah dapat menggunakan data time series dan cross section untuk menganalisis masalah yang tidak dapat diatasi jika hanya menggunakan salah satu dari kedua model tersebut. Banyak keuntungan yang diperoleh dengan menggunakan model panel data (Gujarati, 2003), diantaranya : 1.
Mampu mengontrol heterogenitas individu.
2.
Banyak memperoleh informasi yang lebih bervariasi, mengurangi kolinieritas antar variabel, dan meningkatkan derajat kebebasan, serta lebih efisien.
3.
Lebih baik digunakan untuk studi dynamics of adjustment.
4.
Mampu mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi dalam data cross section murni ataupun time series murni.
5.
Dapat menguji dan mengembangkan model perilaku yang lebih kompleks. Keuggulan utama model panel data adalah model panel data akan
memberikan keleluasaan kepada peneliti untuk lebih fleksibel dalam memodelkan perbedaan sifat tiap data pengamatan yang digunakan. Model panel data memiliki 3 bentuk, yaitu Pooled (OLS), Fixed Effect (LSDV), dan Random Effect (GLS).
3.4.2.1. Model Pooled Model yang didapatkan dengan mengkombinasikan semua data cross section dan time series. Model data ini kemudian diduga dengan menggunakan Ordinary Least Square (OLS), yaitu :
52
Yit = α + β Xit + εit ..........................................(3.2) Dimana : Y
= Variabel endogen
X
= Variabel eksogen
α
= Intersep
β
= Slope
i
= Individu ke-I
t
= Periode waktu ke-t
ε
= Error/simpangan
3.4.2.2. Model Fixed Effect Masalah terbesar yang terjadi dalam pendekatan model kuadrat terkecil adalah asumsi intersep dan slope dari persamaan regresi yang dianggap konstan baik antar individu maupun antar waktu yang mungkin kurang beralasan. Untuk mengatasi masalah tersebut peneliti dapat menggunakan Model Efek Tetap (Fixed Effect). Model Efek Tetap merupakan model yang didapatkan dengan mempertimbangkan
bahwa
peubah-peubah
yang
dihilangkan
dapat
mengakibatkan perubahan dalam intersep-intersep cross section dan time series. Peubah dummy dapat ditambahkan ke dalam model untuk memungkinkan perubahan-perubahan intersep ini lalu model diduga menggunakan OLS, yaitu : Yit = ∑ αiDi + β Xit + εit .....................................(3.3) Dimana : Y
= Variabel endogen
X
= Variabel eksogen
53
α
= Intersep model yang berubah-ubah antar cross section unit
D
= Variabel dummy
β
= Slope
i
= Individu ke-I
t
= Periode waktu ke-t
ε
= Error/simpangan
3.4.2.3. Model Random Effect Keputusan untuk memasukan variabel dummy ke dalam model fixed effect tidak dapat dipungkiri akan menimbullkan konsekuensi pengurangan banyaknya derajat kebebasan yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Untuk mengatasi masalah tersebut maka peneliti bisa menggunakan Model Efek Acak (Random Effect). Dalam model efek acak parameter yang berbeda antar individu maupun antar waktu dimasukan ke dalam error. Bentuk umum dari model random effect dapat dijelaskan pada persamaan berikut : Yit = α0 + β Xit + εit ......................................(3.4)
εit = Uit + Vit + Wit Dimana : Uit
N (0, u²)
= Komponen cross section error
Vit
N (0, v²)
= Komponen time series error
Wit
N (0, w²)
= Komponen combinations error
Kita juga mengasumsikan bahwa error secara individual tidak saling berkorelasi begitu juga dengan error kombinasinya. Penggunaan model random
54
effect dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model fixed effect. Hal ini berimplikasi pada parameter yang merupakan hasil estimasi akan menjadi semakin efisien.
3.5.
Pemilihan Model Dalam Pengolahan Panel Data Pemilihan model yang akan digunakan dalam sebuah penelitian perlu
dilakukan berdasarkan pertimbangan statistik. Hal ini bertujuan untuk memperoleh dugaan yang efisien. Alur pengujian statistik untuk pemilihan model terbaik yang akan digunakan dapat dilihat pada Gambar 3.1.
FIXED EFFECT Hausmant Test Chow Test
RANDOM EFFECT LM Test
POOLED LEAST SQUARE Gambar 3.1. Pengujian Pemilihan Model Terbaik dalam Pengolahan Panel Data 3.5.1. Chow Test Chow Test (F-statistic) merupakan pengujian statistik untuk memilih apakah model yang digunakan Pooled Least Square atau Fixed Effect. Seperti yang kita ketahui, terkadang asumsi setiap unit Cross Section memiliki perilaku yang sama, cenderung tidak realitas mengingat dimungkinkan setiap unit Cross Section memiliki perilaku yang berbeda. Hipotesis dari uji ini, yaitu :
55
H0 : Model Pooled Least Square H1 : Model Fixed Effect Dasar penolakan terhadap H0 adalah dengan menggunakan F-Statistik seperti yang dirumuskan oleh Chow sebagai berikut : CHOW =
................................(3.5)
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 Statistics (F-Stat) hasil pengujian lebih besar dari F-Tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga model yang digunakan adalah model fixed effect, begitu juga sebaliknya.
3.5.2. Hausmant Test Hausmant Test adalah pengujian statistik sebagai dasar pertimbangan seorang peneliti dalam memilih apakah menggunakan model fixed effect atau model random effect. Seperti yang kita ketahui bahwa penggunaan model fixed effect mengandung suatu unsur trade off, yaitu hilangnya derajat kebebasan ketika peneliti memasukan variabel dummy ke dalam model. Namun, penggunaan model random effect pun harus memperhatikan ketiadaan pelanggaran asumsi dari setiap komponen galat. Hipotesis dari uji ini, yaitu :
56
: Model Random Effect : Model Fixed Effect Sebagai dasar penolakan H0, maka digunakan statistik Hausmant yang dibandingkan dengan Chi Square. Rumusan statistik Hausmant sebagai berikut : M =
.................(3.6)
Dimana β adalah vektor untuk statistik variabel fixed effect, b adalah vektor untuk statistik variabel random effect, M0 adalah matriks kovarians untuk dugaan fixed effect model dan M1 adalah matriks kovarians untuk dugaan random effect model. Jika nilai m hasil dari pengujian lebih besar dari X2-Tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga model yang digunakan adalah model fixed effect, begitu juga sebaliknya.
3.5.3. LM Test LM Test (The Breusch – Pagan LM Test) merupakan pengujian statistik yang dipergunakan sebagai dasar pertimbangan seorang peneliti dalam memilih apakah menggunakan model Random Effect atau Pooled Least Square. Hipotesis dari uji ini, yaitu : : Model Pooled Least Square : Model Random Effect Dasar penolakan terhadap H0 adalah dengan menggunakan statistik LM yang mengikuti distribusi dari Chi-Square. Statistik LM dihitung menggunakan residual OLS yang diperoleh dari hasil estimasi model pooled dimana :
LM =
............................(3.7)
57
Jika nilai LM hasil perhitungan lebih besar dari bukti untuk melakukan tolak
-Tabel, maka cukup
sehingga model yang dipergunakan adalah model
Random Effect, begitu juga sebaliknya.
3.6.
Uji Model
3.6.1. Uji Kriteria Statistik Pengujian model dilakukan supaya mendapatkan model terbaik, yaitu sebagai berikut : 3.6.1.1. Uji Statistik F Pengujian ini dilakukan bertujuan untuk mengetahui pengaruh dari variabel independen di dalam model secara bersama-sama terhadap variabel dependen. a.
Merumuskan hipotesis Ho : β1 = β2 = ... = βn = 0 ,variabel independen secara simultan tidak berpengaruh signifikan terhadap variabel dependen. Ho : β1 ≠ β2 ≠ ... ≠ βn ≠ 0 ,variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen.
b.
Mencari Nilai F Hitung F(n-1,nT-n-k) = Dimana : R² : Koefisien determinasi n : Jumlah variabel k : Jumlah sampel t : Jumlah unit waktu
.........................(3.8)
58
Dalam penelitian ini tingkat signifikansi (α) yang digunakan adalah 10% artinya resiko kesalahan mengambil keputusan sebesar 10%. c.
Kriteria Pengujian/Pengambilan Keputusan 1.
Jika probabilitas F-Stat < Fα (k-1) (nT-n-k) atau nilai signifikan F > α, maka terima H0 yang artinya tidak ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen.
2.
Jika probabilitas F-Stat > Fα (k-1) (nT-n-k) atau nilai signifikan F < α, maka tolak H0 yang artinya ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen.
3.6.1.2. Uji Statistik t Uji statistik t dilakukan untuk mengetahui seberapa jauh pengaruh variabel independen secara individu terhadap variabel dependen. a.
Merumuskan Hipotesis Uji t Ho : β1 = 0 ,masing-masing variabel independen tidak berpengaruh signifikan terhadap variabel dependen. Ho : β1 ≠ 0 ,masing-masing variabel independen berpengaruh signifikan terhadap variabel dependen.
b.
Mencari Nilai t Hitung
dimana
tuji =
.............................................(3.9)
adalah koefisien regresi ke-j,
adalah standar error koefisien
regresi ke-i. Dalam penelitian ini tingkat signnifikansi (α) yang digunakan adalah 10% artinya resiko kesalahan mengambil keputusan sebesar 10%.
59
c.
Kriteria Pengujian/Pengambilan Keputusan 1.
Jika probabilitas (sig t) > α (0,1) atau t-stat < t α/2(nT-n-k) maka terima (Ho), artinya tidak ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen.
2.
Jika probabilitas (sig t) < α (0,1) atau t-stat > t α/2(nT-n-k) maka tolak (Ho), artinya ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen.
3.6.1.3. Koefisien Determinasi (R²) Koefisien determinasi digunakan untuk mengukur ketepatan hubungan antara variabel independen dengan variabel dependen, seberapa besar persentase total variasi variabel dependen yang mampu dijelaskan oleh model. Nilai koefisien determinasi berada pada selang 0 (nol) – 1 (satu), semakin besar koefisien R² maka semakin besar pengaruh model dalam menjelaskan variabel dependen.
3.6.2. Uji Kriteria Ekonometrika Pengujian pelanggaran asumsi dasar ekonometrika yang perlu dilakukan, yaitu :
3.6.2.1. Multikolinearitas Pelanggaran asumsi ini terjadi karena adanya keterkaitan atau hubungan linear antar variabel independen penyusun model. Untuk mendeteksi ada tidaknya multikolinearitas bisa dilakukan dengan cara melihat hasil t dan F statistik. Jika terdapat banyak koefisien parameter t statistik menunjukan hasil yang tidak signifikan,
sementara
hasil
F
statistiknya
signifikan,
maka
hal
ini
60
mengindikasikan adanya multikolinearitas. Untuk mengatasi pelanggaran ini bisa dilakukan dengan cara penggabungan data cross section dengan data time series dan menghilangkan variabel yang tidak signifikan (Juanda, 2009).
3.6.2.2. Autokolerasi Pelanggaran asumsi ini akan memengaruhi efisiensi dari estimatornya. Untuk mendeteksi ada tidaknya autokorelasi bisa dilakukan dengan cara melihat nilai Durbin-Watsonstat di dalam Eviews dan membandingkannya dengan nilai DW tabel pada tingkat of significant α. Adapun kerangka identifikasi pelanggaran asumsi autokolerasi terangkum dalam Tabel.3.3. Tabel 3.3. Kerangka Identifikasi Autokolerasi Nilai DW Hasil DW < 1,10 Ada autokorelasi 1,10 < DW < 1,54 Tanpa kesimpulan 1,55 < DW < 2,46 Tidak ada autokorelasi 2,47 < DW < 2,90 Tanpa kesimpulan DW > 2,91 Ada autokorelasi Sumber : Firdaus, 2004.
Korelasi serial terjadi jika error dari periode waktu yang berbeda saling berkolerasi, yang menyebabkan model menjadi tidak efisien meskipun tidak bias dan konsisten. Untuk mengatasi pelanggaran ini bisa dilakukan dengan cara menambahkan AR(1) atau AR(2) dan seterusnya tergantung berapa banyak autokolerasi yang terdapat di dalam model tersebut.
3.6.2.3. Heteroskedastisitas Masalah heteroskedastisitas umumnya terdapat pada data cross section. Pelanggaran asumsi ini akan menyebabkan model menjadi tidak efisien meskipun tidak bias dan konsisten. Untuk mendeteksi pelanggaran asumsi tersebut bisa
61
dilakukan dengan uji-White Heteroscedasticity yang diperoleh dalam program Eviews dengan cara membandingkan nilai Obs* R-Squared dengan X (ChiSquared). Jika nilai Obs* R-Squared < X (Chi-Squared) tabel, maka tidak terdapat pelanggaran heteroskedastisitas, begitu juga sebaliknya. Uji heteroskedastisitas juga bisa dilakukan dengan menggunakan metode GLS (Cross-Section Weight) yang juga tersedia di dalam program Eviews dimana jika terdapat pelanggaran heteroskedastisitas, maka nilai Sum Squred Resid Weighted Statistic akan lebih kecil jika dibandingkan dengan nilai Sum Squred Resid Unweighted Statistic. Jika model mengalami masalah tersebut, maka dengan menggunakan metode GLS (Generalized Least Square) masalah tersebut sudah dapat teratasi. Metode ini merupakan metode kuadrat terkecil yang terboboti, dimana model ditransformasikan dengan memberikan bobot pada data asli (Juanda, 2009).
3.6.2.4. Uji Normalitas Uji normalitas digunakan untuk memeriksa apakah error term menyebar normal atau tidak. Hipotesis yang digunakan adalah : H0
: Error term menyebar normal
H1
: Error term tidak menyebar normal Uji normalitas diaplikasikan dengan melakukan tes Jarque Bera, jika nilai
probabilitas yang diperoleh lebih besar dari taraf nyata yang digunakan, maka terima H0 yang berarti error term dalam model sudah menyebar normal.