Koefisien Jalur - Evaluasi Model Struktural (Inner Model)

III. METODE PENELITIAN

3.4 Metode Analisis Data

3.4.2 Evaluasi Model Struktural (Inner Model)

3.4.2.2 Koefisien Jalur

Koefisien jalur (path coefficients) digunakan untuk melihat hubungan yang dihipotesiskan antar variabel laten. Menurut Sarstedt et al., (2014), nilai koefisien jalur yang berada dalam rentang nilai -1 hingga +1, dimana nilai koefisien jalur semua variabel laten lainnya. Dengan demikian, masing – masing variabel laten berbagi varian lebih dengan masing-masing blok indikatornya daripada dengan variabel laten lainnya yang mewakili satu blok indikator yang berbeda.

Cross – loadings Digunakan untuk pengecekan validitas diskriminan selain kriteria di atas. Jika suatu indikator mempunyai korelasi yang lebih tinggi dengan variabel laten lainnya daripada dengan variabel latennya sendiri maka kecocokan model harus dipertimbangkan ulang.

yang mendekati +1 merepresentasikan hubungan positif yang kuat dan nilai koefisien jalur yang -1 mengindikasikan hubungan negatif yang kuat.

3.4.2.3 T-Statistic (Bootstrapping)

Metode analisis t-statistic dilakukan melalui prosedur bootstrapping yang bertujuan untuk melihat yang nilai signifikansi antar variabel laten. Batas untuk menolak dan menerima hipotesis yang diajukan adalah ±1.96, yang mana apabila nilai t-statistik berada pada rentang nilai -1.96 dan 1.96 maka hipotesis akan ditolak atau dengan kata lain menerima hipotesis nol (H0). Adapun kriteria dan Deskripsi pengukuran model strukutural dapat diringkas pada tabel di bawah ini.

Tabel 3.4. Kriteria dan Deskripsi pada Evaluasi Model Struktural

Kriteria Deskripsi

Estimasi untuk koefesien jalur Nilai-nilai yang diestimasi untuk hubungan jalur dalam model struktural harus dievaluasi dalam perspektif kekuatan dan signifikansi hubungan

Ukuran pengaruh f2 Nilai f2 sebesar 0,02 dikategorikan sebagai pengaruh lemah variabel laten prediktor (variabel laten eksogenous) pada tataran struktural

Nilai f2 sebesar 0,15 dikategorikan sebagai pengaruh cukup variabel laten prediktor (variabel laten eksogenous) pada tataran struktural

Nilai f2 sebesar 0,35 dikategorikan sebagai pengaruh kuat variabel laten prediktor

(variabel laten eksogenous) pada tataran struktural

Sumber : (Sarwono, 2013) 3.4.3 Evaluasi Model Mediasi

Efek mediasi merupakan hubungan antara variabel laten eksogen dan endogen melalui variabel penghubung (mediasi) atau antara. Dimana pengaruh variabel eksogen terhadap variabel endogen bisa secara langsung tetapi juga bisa melalui variabel penghubung atau mediasi.

Dalam kerangka penelitian dengan variabel mediasi didalamnya, terdapat dua jenis hubungan sebagai berikut:

1. Hubungan Langsung (Direct Path)

Hubungan ini merupakan hubungan antara variabel laten eksogen dengan endogen, dimana hanya menguji efek langsung (direct effect) dari kedua variabel laten.

2. Hubungan Tidak Langsung (Indirect Path)

Hubungan ini merupakan hubungan antara variabel laten eksogen dengan endogen melalui variabel mediasi, dimana hubungan ini menguji efek tidak langsung (indirect effect) dari variabel laten eksogen terhadap endogen dengan melalui variabel laten mediasi.

Terdapat tiga kategori untuk menganalisis efek mediasi menurut Cepeda et al.

(2018) yaitu no mediation effects, full mediation effects dan partial mediation effects.

1. Tidak ada Pengaruh Mediasi (No Mediation)

Analisis ini berlaku jika direct path (hubungan langsung) antara variabel eksogen dan endogen memiliki pengaruh signifikan sementara indirect path

(hubungan melalui mediasi) tidak signifikan maka dapat disimpulkan bahwa tidak ada efek mediasi atau hanya efek langsung.

2. Mediasi Penuh (Full Mediation)

Analisis ini berlaku jika direct path (hubungan langsung) antara variabel eksogen dan endogen memiliki pengaruh tidak signifikan sementara indirect path (hubungan melalui mediasi) signifikan maka dapat disimpulkan bahwa variabel mediasi berperan penuh atau disebut full mediation.

3. Mediasi Sebagian (Partial Mediation)

Analisis ini berlaku jika direct path (hubungan langsung) antara variabel eksogen dan endogen memiliki pengaruh signifikan sementara indirect path (hubungan melalui mediasi) juga memiliki pengaruh signifikan maka dapat disimpulkan bahwa variabel mediasi tidak berperan penuh atau disebut partial mediation.

3.5 Definisi dan Batasan Operasional

Untuk memahami dan menghindari kesalahpahaman dalam penelitian ini, maka dibuat definisi dan batasan oparasional sebagai berikut :

3.5.1 Definisi

1. Persepsi risiko (X.1) adalah variabel yang menggambarkan karakter petani yang diukur dengan skala ordinal. Adapun persepsi risiko yang dimaksud adalah risiko harga, risiko produksi, risiko pemasaran dan risiko keuangan.

2. Sikap risiko (X.2) adalah variabel yang menggambarkan pilihan petani terhadap pilihan risiko. Adapun sikap risiko yang dimaksud adalah tidak menyukai risiko (risk averse), neutral atau menyukai risiko (risk lover).

3. Strategi manajemen risiko (Y) adalah variabel yang digunakan untuk menggambarkan pilihan petani dalam menentukan pilihan yang tepat untuk usahatani nya. Adapun strategi manajemen risiko antara lain; diversifikasi, eksternal, optimalisasi, koping, luar pertanian dan buffer.

4. Harga pasar yang tinggi (X.1.1) adalah indikator yang menggambarkan variabel persepsi risiko harga dari komoditi cabai merah yang tinggi sehingga menjadi anggapan risiko harga bagi petani.

5. Pendapatan yang rendah (X.1.2) adalah indkator yang menggambarkan variabel persepsi risiko dari pendapatan yang diterima pertani rendah, sehingga menjadi anggapan risiko harga bagi petani.

6. Produksi rendah akibat cuaca (X.1.3) adalah indikator yang menggambarkan variabel persepsi risiko produksi yang rendah akibat cuaca ekstrem, sehingga menjadi anggapan risiko produksi bagi petani.

7. Produksi rendah akibat OPT (X.1.4) adalah indikator yang menggambarkan variabel persepsi risiko produksi rendah akibat serangan hama dan penyakit tanaman, sehingga menjadi anggapan risiko produksi bagi petani.

8. Risiko tidak terjual (X.1.5) adalah indikator yang menggambarkan variabel persepsi risiko pemasaran yang diakibatkan karena komoditi tidak terjual, sehingga menjadi anggapan risiko produksi bagi petani.

9. Penggunaan kredit (X.1.6) adalah indikator yang menggambarkan variabel persepsi risiko keuangan yang diakibatkan karena penggunaan kredit usaha, sehingga menjadi anggapan risiko keuangan bagi petani.

10. Kekurangan modal (X.1.7) adalah indikator yang menggambarkan variabel persepsi risiko keuangan yang diakibatkan karena kurangnya ketersediaan modal, sehingga menjadi anggapan risiko keuangan bagi petani.

11. Tidak menyukai keputusan berisiko (X.2.1) adalah indikator yang menggambarkan variabel sikap risiko petani dalam memberikan keputusan dalam kegiatan usaha tani yang dilakukan.

12. Tidak suka mengambil kredit (X.2.2) adalah indikator dalam variabel sikap risiko yang menggambarkan keinginan petani dalam keputusan mengambil kredit dalam situasi yang mendesak.

13. Tidak suka investasi (X.2.3) adalah indikator variabel sikap risiko yang menggambarkan petani dalam berinvestasi dalam kegiatan usahatani yang dilakukan.

14. Tidak suka mengambil pinjaman (X.2.4) adalah indikator yang menggambarkan variabel sikap risiko yang menggambarkan sikap petani dalam keputusan untuk mengambil pinjaman uang untuk meningkatkan usahatani.

15. Diversifikasi pendapatan (Y.1.1) adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam penganekaragaman sumber pendapatan.

16. Diversifikasi produksi (Y.1.2) adalah adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam penganekaragaman jenis komoditi yang diproduksi sehingga dapat dipasarkan.

17. Potensi pasar (Y.1.3) adalah adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam meramalkan potensi kebutuhan pasar

18. Input teknologi (Y.1.4) adalah adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam optimalisasi penggunaan input teknologi.

19. Memperbesar skala usaha (Y.1.5) adalah adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam optimalisasi melalui perluasan lahan usahatani.

20. Menghemat pengeluaran pribadi (Y.1.6) adalah adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam usaha secara pribadi dalam hal penghematan pengeluaran, misalnya menggunakan skala prioritas dalam penggunaan dana/uang.

21. Bekerja keras (Y.1.7) adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam usaha dari dalam diri sendiri untuk bekerja keras dalam meningkatkan usahatani.

22. Pendapatan luar pertanian (Y.1.8) adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam hal melakukan usaha lain diluar usaha pertanian yang dirasakan mendapat keuntungan

23. Pendapatan dari anggota keluarga (Y.1.9) adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam penggunaan sumber pendapatan lain dari rumah tangga petani.

24. Menghindari risiko keuangan (Y.1.10) adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam menghindari resiko keuangan yang mungkin terjadi.

25. Hemat dalam pemakaian uang (Y.1.11) adalah indikator yang menggambarkan variabel strategi manajemen risiko yang dilakukan petani dalam penyangga keuangan dengan melakukan penghematan pengeluaran.

3.5.2 Batasan Operasional

1. Penelitian ini dilaksankan di Kabupaten Langkat dengan menentukan wilayah kecamatan/desa/kelurahan berdasarkan kelompok usaha tani cabai merah yang ada pada masing masing kecamatan di Kabupaten Langkat.

2. Waktu penelitian ini dilakukan pada Februari tahun s.d Agustus 2020

3. Sampel penelitian ini adalah kelompok petani yang memiliki usaha tani cabai merah di Kabupaten Langkat Provinsi Sumatera Utara.

IV. HASIL DAN PEMBAHASAN

4.1 Gambaran Umum Daerah Penelitian 4.1.1 Kondisi Geografis Kabupaten Langkat

Luas wilayah Kabupaten Langkat adalah 6.263,29 km² atau 626.329 Ha, sekitar 8,74% dari luas wilayah Provinsi Sumatera Utara. Kabupaten Langkat terbagi dalam 3 Wilayah Pembangunan (WP) yaitu ;

 Langkat Hulu seluas 211.029 ha., wilayah ini meliputi Kecamatan Bahorok,

Kutambaru, Salapian, Sirapit, Kuala, Sei Bingai, Selesai dan Binjai.

 Langkat Hilir seluas 250.761 ha. wilayah ini meliputi Kecamatan Stabat,

Wampu, Secanggang, Hinai, Batang Serangan, Sawit Seberang, Padang Tualang dan Tanjung Pura.

 Teluk Aru seluas 164.539 ha. wilayah ini meliputi Kecamatan Gebang, Babalan,

Sei Lepan, Brandan Barat, Pangkalan Susu, Besitang dan Pematang Jaya.

Secara administratif, Kabupaten Langkat terdiri atas 23 wilayah kecamatan, 240 desa, dan 37 kelurahan. Kecamatan dengan wilayah paling luas adalah Kecamatan Batang Serangan (93,490 ha), dan yang paling sempit adalah Kecamatan Binjai (4,955 ha). Kecamatan dengan Desa terbanyak adalah Kecamatan Bahorok dan Kecamatan Tanjung Pura (19 desa/kelurahan) sedangkan kecamatan dengan desa/kelurahan paling sedikit adalah Kecamatan Sawit Seberang, Brandan Barat dan Binjai (7 Desa/Kelurahan).

Kabupaten Langkat memiliki Iklim Tropis Basah, dimana sepajang tahun merupakan bulan basah (curah hujan diatas 100 mm³/bulan) tanpa ada bulan kering, sehingga bisa disebut hujan hampir merata sepanjang tahun, dengan rata-rata curah

curah hujan terendah terjadi di bulan Pebruari yaitu 116 mm³. Berdasarkan klasifikasi Schmidt-Ferguson1, wilayah Kabupaten Langkat termasuk tipe iklim A dimana musim kemarau terjadi pada bulan Pebruari-Maret dan musim hujan pada bulan September sampai dengan Februari. Curah hujan rata – rata berkisar antara 1.00 sampai dengan 3.000 mm pertahun. Suhu rata – rata minimum berkisar antara 230 – 250 C dan rata – rata maksimum 300 – 330 C, serta kelembaban udara relatif antara 65% – 75%. Di Kabupaten Langkat juga terdapat fenomena alam yang disebut angin Bahorok, yaitu angin kecang dan kering yang berhembus dari arah Samudera Hindia melewati perbukitan daerah Bahorok menuju ke arah dataran rendah bagian timur. Angin tersebut biasa terjadi di pertengahan tahun.

4.1.2 Kondisi Sosial Ekonomi Masyarakat

Komposisi penduduk Kabupaten Langkat didominasi oleh penduduk muda/dewasa yakni kelompok usia 0-14 tahun. Adanya perubahan arah perkembangan penduduk yang ditandai dengan penduduk usia 15-24 tahun yang jumlahnya jauh lebih rendah dari kelompok penduduk usia yang lebih muda yaitu 10-14 tahun. Hal ini dimungkinkan penduduk usia 15-24 tahun melanjutkan sekolah (SLTA maupun Perguruan Tinggi) atau bekerja di luar Kabupaten Langkat. Selama tahun 2018-2019 tingkat pertumbuhan penduduk tercatat meningkat sebesar 0,62 persen. Secara umum jumlah laki-laki lebih banyak dibandingkan dengan jumlah penduduk perempuan. Hal ini dapat terlihat dari sex ratio yang nilainya lebih besar dari 100 yaitu sebesar 101,4.

Kategori pertanian terdiri dari sub kategori tanaman pangan, perkebunan, peternakan, kehutanan, dan perikanan. Populasi ternak sapi potong, kerbau, kambing, domba, babi dan ayam mengalami peningkatan dari tahun 2018 ke tahun

2019. Selama kurun waktu 2018-2019 populasi ternak besar meningkat sebesar 7,13 persen, ternak kecil meningkat sebesar 5,37 persen. Sedangkan, ternak unggas naik sebesar 0,53 persen. Sub kategori tanaman pangan mencakup tanaman padi, palawija dan hortikultura. Produktivitas tanaman pangan tahun 2018 yang tertinggi adalah tanaman ubi kayu (377,62 kw/ha) sedangkan yang terendah adalah tanaman kedelai (6,71 kw/ha).

Kawasan tanaman lahan basah berdasarkan analisis kesesuaian lahan, maka kawasan ini direncanakan berlokasi menyebar hampir di seluruh wilayah kecamatan baik dalam skala besar maupun kecil dengan luas total ± 49.293 Ha.

Kawasan tanaman lahan kering direncanakan menyebar diseluruh kecamatan Kabupaten Langkat baik dalam skala besar maupun kecil dengan luas total 36.348 Ha, dengan pusat pengembangan pertanian lahan kering meliputi Kecamatan Besitang; Bahorok; Hinai; Tanjung Pura; Sei Bingei; Binjai; Selesai; Wampu; dan Secanggang. Kawasan tanaman tahunan/perkebunan diarahkan meliputi seluruh kecamatan dengan luas pengembangan mencapai ± 202.485 Ha.

4.2 Karakteristik Responden

Karakteristik petani di Kabupaten Langkat, sebagaimana petani-petani tanaman hortikultura yang ada di Indonesia memiliki karakteristik yang hampir sama (homogen). Ada beberapa karakteristik yang melekat pada petani tanaman hortikultura di wilayah Kabupaten Langkat terutama dilihat dari usia, pendidikan, dan pengalaman usahatani. Hasil olah data terkait karakteristik petani cabai merah sebagai responden di wilayah Kabupaten Langkat dapat ditunjukkan pada Tabel 4.1 berikut.

Tabel 4.1. Karakteristik Responden

Keterangan Kategori Jumlah

(orang)

Sumber : Output Olah Data Excel 2020

Berdasarkan tabel 4.1 dapat dilihat pada umumnya petani cabai merah di Kabupaten Langkat memiliki usia antara 40 sampai dengan 49 tahun dengan persentase tertinggi sebanyak 50.89 % dari 112 orang jumlah responden petani cabai merah yang dipilih. Dari data tersebut diatas, terdapat juga petani dengan usia 24 sampai dengan 39 tahun yang melakukan usahatani cabai merah sebanyak17.86

% serta usia petani 50 – 76 tahun sebanyak 31.25 %. Hal ini menunjukkan bahwa pertanian di Indonesia, terutama di Kabupaten Langkat cenderung tidak diminati oleh usia muda. Ada anggapan bahwa petani atau pertanian itu identik dengan pekerjaan bercocok tanam. Hal ini menyebabkan pemuda lebih cenderung untuk mencari pekerjaan lain selain bekerja di bidang pertanian.

Dari sisi tingkat pendidikan formal, petani responden di Kabupaten Langkat sebagaian besar merupakan Lulusan SMA dengan persentase dari jumlah keseluruhan responden sebanyak 56.25 % sedangkan 36.61 % merupakan petani responden yang tingkat pendidikan sekolah tingkat pertama (SMP) dan hanya 7.14

% yang merupakan lulusan perguruan tinggi. Tingkat pendidikan yang relatif masih rendah, tidak selalu berarti kurang pengetahuan. Namun demikian, pendidikan

formal yang tinggi akan sangat berperan dalam kemampuan menganalisis berbagai situasi, wawasan berpikir dan pemanfaatan teknologi terkini.

Sebagian besar petani sebanyak 40.18 % merupakan petani yang berusahatani cabai merah antara 11 s.d 20 tahun, selebihnya 33.04 % yang memiliki pengalaaman usahatani dibawah 10 tahun dan sebanyak 26.79% petani responden yang memiliki pengalaman usahatani cabai merah diatas 20 tahun. Dilihat dari persentase pengalaman usahatani, menunjukkan bahwa petani di Kabupaten Langkat sudah memiliki pengalaman yang cukup dalam usahatani. Sehingga dapat dikatakan petani sudah memiliki pengalaman serta pengetahuan yang cukup tentang risiko pertanian.

4.3 Evaluasi Model Pengukuran (Outer Model) 4.3.1 Uji Validitas

4.3.1.1 Validitas Konvergen (Convergent Validity)

Menurut (Ghozali, 2013), Indikator dengan faktor loading di bawah 0,40 harus dihapus dari model. Namun untuk indikator dengan loading antara 0,40 dan 0,70 sebaiknya kita analisis dampak dari keputusan menghapus indikator tersebut pada average variance extracted (AVE) dan composite reliability. Dalam hal ini, Kita dapat menghapus indikator dengan nilai loading antara 0,40 dan 0,70 jika indikator tersebut dapat meningkatkan average variance extracted (AVE) dan composite reliability diatas batasannya (Sholihin & Ratmono, 2021) (Sholihin &

Ratmono, 2021). Nilai batasan AVE adalah 0,50 dan composite reliability sebesar 0,7. Pertimbangan lain dalam menghapus indikator adalah dampaknya pada validitas isi (content validity) variabel laten. Indikator dengan loading yang kecil

kadang tetap dipertahankan karena punya kontribusi pada validitas isi variabel laten (Sholihin & Ratmono, 2021).

Berdasarkan hasil pengujian pada Gambar 4.1. dapat diketahui bahwa semua pertanyaan yang diwakilkan oleh masing masing indikator pada setiap variabel laten memenuhi kriteria faktor loading. Hal ini juga dapat kita lihat dari analisis jalur dengan nilai anak panah pada masing masing nilai variabel laten terhadap nilai indikatornya diatas 0.7 sehingga memberikan arti bahwa seluruh indikatornya mampu menjelaskan setiap variabel laten.

Gambar 4.1. Pengujian Validitas berdasarkan Faktor Loading

Berdasarkan pengujian validitas faktor loading pada Gambar 4.1. yang menunjukkan analisis jalur, dapat dilihat seluruh nilai loading > 0,7 yang berarti telah memenuhi syarat validitas berdasarkan nilai loading. Nilai faktor loading antara 0.904 sampai 0.955, dimana indikator tertinggi adalah X.2.4 yakni sikap risiko dimana petani memilih tidak suka untuk meminjam uang dan terendah 0.904

pada indikator Y.1.9 yakni Strategi manajemen usahatani melalui strategi sumber pendapatan dari anggota keluarga lain.

Pengujian validitas antara masing-masing variabel laten selanjutnya dilakukan melalui pengujian Average Variance Extracted (AVE). Berdasarkan Pengujian Validitas berdasarkan Average Variance Extracted (AVE) nilai AVE yang disarankan adalah di atas 0,5 (Mahfud dan Ratmono, 2013). Diketahui seluruh nilai AVE pada masing masing varibel laten adalah AVE > 0,5, yang berarti telah memenuhi syarat validitas berdasarkan AVE. Adapun rata-rata nilai AVE pada masing – masing variable laten adalah X1 = 0.893, X2 = 0.899 dan Y = 0.860.

4.3.1.2 Validitas Diskriminan (Discriminant Validity)

Untuk tahap selanjutnya dilakukan pengujian validitas diskriminan dengan pendekatan Fornell-Larcker. Pada Tabel 4.2 disajikan hasil pengujian validitas diskriminan sebagai berikut.

Tabel 4.2 Pengujian Validitas Diskriminan Melalui Uji Fornell-Larcker

Persepsi

Strategi Manajemen Risiko (Y) 0.671 0.647 0.927 Sumber : Output Olah Data SmartPLS 2020

Pada pengujian validitas diskriminan, nilai akar kuadrat AVE dari suatu variabel laten, dibandingkan dengan nilai korelasi antara variabel laten tersebut dengan variabel laten lainnya. Diketahui nilai akar kuadrat AVE dari setiap variabel laten lebih besar dibandingkan nilai korelasi antara variabel laten tersebut dengan variabel laten lainnya. Adapun nilai antara Persepsi Risiko (X1) terhadap variable

itu sendiri adalah 0.945, nilai antara Sikap Risiko (X2) lebih besar terhadap nilai variable itu sendiri yakni 0.948 dan nilai Strategi manajemen Risiko (Y) lebih besar terhadap variable itu sendiri yaitu sebesar 0.927, sehingga dapat disimpulkan telah memenuhi syarat validitas diskriminan melalui uji Fornell-Larcker.

Selain melalui pendekatan Fornell-Larcker, untuk menguji validitas diskriminan dapat digunakan pendekatan cross loading yakni jika suatu indikator harus memiliki nilai yang lebih tinggi dengan variabel laten nya sendiri dari pada dengan variabel laten yang lain.

Tabel 4.3 Pengujian Validitas Diskriminan Melalui Uji Cross Loading

Persepsi

Pendapatan Yang Rendah (X12) 0.950 0.632 0.642

Produksi Rendah Akibat Cuaca (X13) 0.939 0.616 0.624

Produksi Rendah Akibat OPT (X14) 0.950 0.632 0.642

Risiko Tidak Terjual (X15) 0.926 0.601 0.609

Penggunaan Kredit (X16) 0.950 0.632 0.642

Kekurangan Modal (X17) 0.950 0.632 0.642

Tidak Menyukai Keputusan Berisiko (X21) 0.624 0.947 0.607

Tidak Suka Mengambil Kredit (X22) 0.634 0.953 0.621

Tidak Suka Investasi (X23) 0.609 0.937 0.601

Tidak Suka Mengambil Pinjaman (X24) 0.640 0.955 0.625

Diversifikasi Pendapatan (Y11) 0.628 0.613 0.934

Menghindari Risiko Keuangan (Y110) 0.615 0.592 0.920

Hemat Dalam Pemakaian Uang (Y111) 0.624 0.601 0.930

Diversifikasi Produksi (Y12) 0.624 0.601 0.930

Potensi Pasar (Y13) 0.615 0.592 0.920

Input Teknologi (Y14) 0.628 0.628 0.934

Memperbesar Skala Usaha (Y15) 0.627 0.587 0.931

Menghemat Pengeluaran Pribadi (Y16) 0.628 0.605 0.934

Bekerja Keras (Y17) 0.624 0.601 0.930

Pendapatan Luar Pertanian (Y18) 0.628 0.605 0.934

Pendapatan dari Anggota Keluarga (Y19) 0.601 0.578 0.904 Sumber : Output Olah Data SmartPLS 2020

Berdasarkan hasil uji validitas diskriminan dengan pendekatan cross loading diketahui seluruh hasil pengujian sesuai, dimana nilai loading antara masing masing indikator terhadap masing masing variabel laten nya sendiri lebih besar nilainya dari pada nilai indikator terhadap variabel laten lainnya (cross loading). Sehingga melalui uji validitas diskriminan melalui pendekatan Fornell-Larcker, maupun melalui pendekatan cross loading didapatkan variabel yang valid untuk menggambarkan atau menjelaskan masing masing variabel laten nya.

4.3.2 Uji Reabilitas

Dari hasil penelitian terhadap responden, uji reliabilitas dilakukan dengan menggunakan uji Composite Reliability dan Cronbach’s Alpha dengan melihat seluruh nilai variabel laten memiliki nilai Composite Reliability maupun Cronbachs Alpha ≥ 0.7, hal tersebut dapat disimpulkan bahwa variabel laten memiliki reabilitas yang baik atau kuesioner yang digunakan sebagai alat dalam penelitian ini telah andal atau konsisten. Pengujian reliabilitas berdasarkan Composite Reliability (CR) maupun Cronbachs Alpha dapat dilihat pada tabel dibawah ini.

Tabel 4.4 Pengujian Reabilitas Melalui Uji Composite Reliability (CR) maupun Cronbachs Alpha

Cronbach's

Alpha

Composite Reliability

Persepsi Risiko (X1) 0.980 0.983

Sikap Risiko (X2) 0.963 0.973

Strategi Manajemen Risiko (Y) 0.984 0.985

Sumber : Output Olah Data SmartPLS 2020

Pada Tabel 4.4 dapat dilihat nilai Composite Reability (CR) maupun Cronbachs Alpha yang disarankan adalah di atas 0.7 (Mahfud dan Ratmono, 2013).

Diketahui seluruh nilai CR dan CA > 0.7 yang berarti telah memenuhi syarat

reliabilitas berdasarkan nilai Composite Reability (CR) dan cronbach’s alpha (CA).

Berdasarkan nilai pengujian tersebut dapat disimpulkan bahwa variabel laten memiliki reabilitas yang baik atau kuisioner yang digunakan sebagai alat dalam penelitian ini telah andal atau konsisten dalam penggunaannya.

4.4 Evaluasi Model Struktural (Inner Model)

4.4.1 Uji Signifikansi Pengaruh Langsung (Direct Effect)

Koefisien jalur (path coefficients) digunakan untuk melihat hubungan yang dihipotesiskan antar variabel laten. Menurut Helm et al. (2009) dalam (Sarstedt et al., 2014), nilai koefisien jalur yang berada dalam rentang nilai -1 hingga +1, dimana nilai koefisien jalur yang mendekati +1 merepresentasikan hubungan positif yang kuat dan nilai koefisien jalur yang -1 mengindikasikan hubungan negatif yang kuat.

Metode analisis t-statistic dilakukan melalui prosedur bootstrapping yang bertujuan untuk melihat yang nilai signifikansi antar variabel laten. Batas untuk menolak dan menerima hipotesis yang diajukan adalah ±1.96, yang mana apabila nilai t-statistik berada pada rentang nilai -1.96 dan 1.96 maka hipotesis akan ditolak atau dengan kata lain menerima hipotesis nol (H0). Tabel 4.5. disajikan hasil koefisien jalur serta uji signifikansi (t-statistik) pengaruh langsung.

Tabel 4.5 Uji Signifikansi Pengaruh Langsung (Direct Effect)

Original

Persepsi Risiko (X1) -> Strategi

Manajemen Risiko (Y) 0.432 0.435 0.135 3.202 0.001^*

Sikap Risiko (X2) -> Strategi

Manajenen Risiko (Y) 0.362 0.364 0.128 2.818 0.005^*

Persepsi Risiko (X1) -> Sikap

Risiko (X2) 0.661 0.664 0.087 7.619 0.000^*

Sumber : Output Olah Data SmartPLS 2020

Berdasarkan hasil pada Tabel 4.5 uji signifikansi pengaruh langsung melalui pengujian Koefisien Jalur dan analisis t-statistik diperoleh hasil sebagai berikut : 1. Persepsi risiko (X1) berpengaruh positif terhadap strategi manajemen risiko (Y)

dengan nilai koefisien jalur 0,432 (kolom original sample) dan signifikan dengan nilai P-Values 0,001 < 0,05 sehingga hipotesis diterima.

2. Sikap risiko (X2) berpengaruh positif terhadap strategi manajemen risiko (Y) dengan nilai koefisien jalur 0,362 (kolom original sample) dan signifikan dengan nilai P-Values 0,005 < 0,05 sehingga hipotesis diterima.

3. Persepsi risiko (X1) berpengaruh positif terhadap sikap risiko (X2) dengan nilai koefisien jalur 0,661 (kolom original sample) dan signifikan dengan nilai P-Values 0,000 < 0,05. sehingga hipotesis diterima.

Persepsi Risiko (X1) berpengaruh positif dan signifikan terhadap Strategi manajemen risiko (Y). Berdasarkan hasil penelitian dilapangan didapat bahwa persepsi risiko petani cabai merah terhadap beberapa pernyataan risiko (harga, pendapatan, pemasaran dan keuangan) adalah sedang dengan nilai rata – rata sebesar 3,69 dengan kemungkinan persepsi terhadap risiko yang mungkin terjadi sehingga strategi manajemen risiko yang didapat dari petani tersebut juga sedang yakni sebesar 3,79 dengan kecenderungan mungkin akan mengaplikasikan strategi manajemen risiko, karena petani cabai merah di Kabupaten Langkat beranggapan sangat jarang terjadi risiko yang mengkhawatirkan dalam usahatani cabai merah

Dalam dokumen TESIS OLEH RYAN ISKANDAR /MAG (Halaman 53-0)