BAB III METODOLOGI PENELITIAN
D. Metode Analisis Data
1. Analisis Regresi Linear Beranda
Analisis ini dipergunakan untuk mengetahui seberapa besar variabel independen dalam hal ini luas lahan, bibit, pupuk, tenaga kerja dan pestisida mempengaruhi hasil produksi tanaman padi sebagai variabel dependen, dalam fungsi produksi Cobb-Douglass dapat ditulis sebagai berikut:
Y = f (X1, X2, X3,X4,X5)
Secara lebih spesifik dapat pula ditulis sebagai berikut : Y = α X1β1 X2 β2 X3 β3 X4 β4 X5 β5 ...
Adanya perbedaan dalam satuan dan besaran variabel bebas maka persamaan regresi ini harus dibuat dengan model logaritma natural. Alasan pemilihan logaritma natural menurut (Ghozali, 2005) adalah sebagai berikut :
1. Menghindari adanya heterokesdatisitas
2. Mengetahui koefisien yang menunjukkan elastisitas 3. Mendekatkan skala data
Maka persamaan diatas setelah dilogaritmakan,dapat ditulis sebagai berikut :
Ln Y = Ln α + βı Ln Xı + β2 Ln X2 + β3 Ln X3 + β4 Ln X4 + β5 Ln X5 ..+et Dimana : Y = Hasil produksi tanaman padi ( kg)
α = Konstanta
βı… β5 = Koefisien regresi variabel X1 = luas lahan (Ha)
37 X2 = bibit ( Kg)
X3 = pupuk ( Kg ) X4 = tenaga kerja (HOK)
X5 = pestisida ( Liter ) et = error term
Sebelum dilakukan estimasi model regresi berganda, data yang digunakan harus dipastikan terbebas dari penyimpangan asumsi klasik untuk multikolinearitas, heteroskesdasitas, dan autokorelasi dalam Gujarati (2003). Uji klasik ini dapat dikatakan sebagai kriteria ekonometrika untuk melihat apakah hasil estimasi memenuhi dasar linear klasik atau tidak.
Setelah data dipastikan bebas dari penyimpangan asumsi klasik, maka dilanjutkan dengan uji statistik kemudian dilakukan uji efisiensi sehingga tujuan penelitian yang kedua dapat terjawab, yaitu menghitung tingkat efisiensi penggunaan faktor produksi pada usahatani padi.
a. Uji Asumsi Klasik
Model regresi yang baik adalah model regresi yang menghasilkan estimasi linier tidak bias (Best Linear Unbias Estimator/BLUE). Kondisi ini akan terjadi jika dipenuhi beberapa asumsi, yang disebut dengan asumsi klasik. Dibawah ini dijabarkan beberapa asumsi klasik, yaitu :
1) Uji Multikoliniearitas
Menurut Winarno (2011), multikoliniearitas adalah kondisi adanya hubungan linier antar variabel independen. Karena melibatkan beberapa variabel independen, maka multikolinieartias tidak akan terjadi pada persamaan regresi sederhana (yang terdiri atas satu variabel dependen dan satu variabel independen). Indikasi multikoliniearitas ditunjukan dengan beberapa informasi antara lain:
1. Nilai R2 tinggi, tetapi variabel independen banyak yang tidak signifikan.
2. Dengan menghitung koefisien korelasi antar variabel independen. Apabila korelasi antar variabel independen
38 diatas 0,85 atau 85% maka mengandung multikolinearitas. 3. Dengan menggunakan regresi auxiliary. Regresi jenis ini
dapat digunakan untuk mengetahui hubungan antar dua variabel independen atau lebih yang secara bersama sama mempengaruhi satu variabel independen lainnya.
Ada beberapa cara menghadapi masalah multikolinieritas (Winarno, 2011:5.8). Antara lain dengan :
1. Biarkan saja model mengandung multikolinieritas, karena estimatornya masih bersifat BLUE. Sifat BLUE tidak terpengaruh oleh ada tidaknya korelasi antar variabel independen.
2. Tambahkan datanya bila memungkinkan, karena masalah multikolinieritas muncul karena jumlah observasinya sedikit.
3. Hilangkan salah satu variabel independen, terutama yang memiliki hubungan linier yang kuat dengan variabel lain. 4. Tranformasikan salah satu variabel, termasuk misalnya
dengan melakukan diferensi.
2) Uji Heteroskedastisitas
Asumsi dalam model regresi adalah dengan memenuhi : (1) residual memiliki nilai rata-rata 0,
(2) residu memiliki varian yang konstan dengan dan
(3) residual suatu observasi tidak saling berhubungan dengan residual observasi lainnya sehingga menghasilkan estimator yang BLUE.
Apabila asumsi (1) terpenuhi yang terpengaruh hanyalah slope estimator dan ini tidak membawa koefisien serius dalam analisis ekonometrik. Sedangkan jika asumsi (2) dan (3) tidak terpenuhi, maka akan berdampak pada prediksi dengan model yang dibangun. Dalam kenyataannya, nilai residual sulit
39 memiliki varian yang konstan. Hal ini sering terjadi pada data yang bersifat cross section dibanding time series. (Winarno, 2011:5.8)
Ada beberapa metode yang dapat digunakan untuk mengidentifikasi ada tidaknya masalah heterokedastisitas. Diantaranya adalah :
1. Metode grafik. 2. Uji Park. 3. Uji Glesjer
4. Uji Korelasi Spearman. 5. Uji Goldfeld-Quandt. 6. Uji Bruesch-Pagan-Godfrey 7. Uji White.
3) Uji Autokorelasi
Uji autokorelasi adalah salah satu bagian dari uji asumsi klasik dimana suatu persamaan regresi dikatakan telah memenuhi asumsi tidak terjadi autokorelasi dengan menggunakan uji Durbin Watson. Menurut Santoso (2000) bahwa tujuan uji autokorelasi adalah untuk mengetahui apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu dengan kesalahan sebelumnya. Apabila hal ini terjadi maka terdapat masalah autokorelasi. Tabel 3.1 Uji Durbin-Watson Ada autokorelasi positif Tidak dapat diputuskan Tidak ada autokorelasi Tidak dapat diputuskan Ada autokorelasi negative 0 Dl Du 4-du 4-dl 4 1,10 1,54 2 2,46 2,90
40 Apabila D-W berada diantara 1,54 hingga 2,46 maka model tersebut tidak terdapat autokolerasi. Sebaliknya, jika D-W tidak berada diantara 1,54 hingga 2,46 maka model tersebut terdapat autokolerasi (Winarno, 2009:5.27) dan tentu saja model regresi yang baik adalah regresi bebas dari autokolerasi (Gujarati 2007:112).
4) Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah nilai residual terdistribusi normal atau tidak pada variabel terikat dan variabel bebas. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Uji normalitas diantaranya dilakukan dengan dua cara, yaitu histogram dan uji Jarque-Bera (J-B). Untuk melihat data terdistribusi normal atau tidak adalah dengan melihat koefisian B dan probabilitasnya. Bila nilai J-B tidak signifikan (lebih kecil dari 2) maka data terdistribusi normal. Sedangkan bila probabilitas lebih besar dari 5%, maka data terdistribusi normal. Jika data tidak terdistribusi normal cara mengilangkannya dengan cara diferensiasi tingkat pertama, atau dengan cara menambah data. (Wing Wahyu, 2011 : 5.37-5.39).
b. Uji Hipotesis
1) Uji F (Uji Secara Bersama-sama)
Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen (Ghozali, 2012).
Uji F dapat dilakukan dengan membandingkan F-tabel. Jika nilai F-stat > F-tabel maka dapat dikatakan terdapat hubungan antara variabel dependen dan variabel independen. Namun, jika nilai F-stat < F-tabel maka tidak terdapat hubungan antara variabel dependen dan variabel independen. Selain itu, pengujian hipotesis dapat juga dilakukan dengan melihat p-value atau nilai
41 probabilitas dari F-statistik. Konsep ini membandingkan α dengan nilai probabilitas. Jika p-value lebih kecil dari α maka dapat dikatakan bahwa pada taraf keyakinan α yang ditetapkan (1%, 5%, atau 10%), variabel dependen dan independen memiliki hubungan. (Ajija, dkk, 2011:34).
2) Uji T (Uji Secara Parsial)
Menurut Ghozali (2005), uji t pada dasarnya untuk menunjukkan seberapa jauh pengaruh satu variabel bebas secara individual dalam menerangkan variasi variabel dependen. Pengujian uji t bertujuan untuk mengetahui signifikansi atau tidaknya koefisien regresi atau agar dapat diketahui variabel independen (X) yang berpengaruh signifikan terhadap variabel independen (Y) secara parsial.
Untuk menguji hipotesis tersebut digunakan statistik t yang dihitung dengan cara sebagai berikut :
t = b
Sb
Dimana b adalah nilai parameter dan Sb adalah standar error dari b. Standar error dari masing-masing parameter dihitung dari akar varian masing-masing. Untuk mengetahui kebenaran hipotesis digunakan kriteria bila t hitung > t tabel maka H0 ditolak dan H1 diterima, artinya ada pengaruh antara variabel bebas dengan variabel terikat dengan derajat keyakinan yang digunakan sebesar α=1%, α=5% dan α=10%. Selain itu untuk mengetahui kebenaran hipotesis dapat juga dilihat melalui nilai probabilitas t-statistik. Melalui nilai probabilitas t-statistik dapat ditunjukan variable bebas berpengaruh, yakni dengan melihat nilai probabilitas t-statistik yang lebih kecil atau lebih besar dari α. Jika nilai probabilitas lebih kecil dari α maka H0 ditolak dan H1 diterima, dan jika lebih besar α maka H0 diterima dan H1 ditolak.
42 Selain itu, jika t-statistik bernilai positif maka pengaruh variabel bebas terhadap variabel terikat adalah positif, dan jika t-statistik bernilai negative maka pengaruh variabel bebas terhadap variable terikat adalah negatif.
3) Uji Koefisien Determinasi
Dalam suatu penelitian yang bersifat observasi, perlu diperhatikan seberapa jauh model yang terbentuk dapat menerangkan kondisi yang sebenarnya. Dalam analisis regresi dikenal dengan suatu ukuran yang dapat dipergunakan untuk keperluan tersebut, yang dikenal dengan koefisien determinasi.
Dimana nilai koefisien determinasi ini merupakan suatu ukuran yang menunjukkan besar sumbangan dari variabel independen terhadap variabel dependen, atau dengan kata lain koefisien determinasi menunjukkan variasi turunnya Y yang diterangkan oleh pengaruh linear X. Apabila nilai koefisien determinasi yang diberi simbol R2 ini mendekati angka 1, maka variabel independen semakin mendekati hubungan dengan variabel dependen sehingga dapat dikatakan bahwa penggunaan model tersebut dapat dibenarkan (Gujarati, 1997). Adapun kegunaan koefisien determinasi adalah :
a) Sebagai ukuran ketepatan/kecocokan garis regresi yang dibuat dari hasil estimasi terhadap sekelompok data hasil observasi. Semakin besar nilai R2, maka semakin bagus garis regresi yang terbentuk, dan semakin kecil R2, maka semakin tidak tepat garis regresi tersebut yang mewakili data hasil observasi. b) Untuk mengukur proporsi (Presentase) dari jumlah variasi Y
yang diterangkan oleh model regresi atau untuk mengukur besar sumbangan dari variabel X terhadap variabel Y.
43
2. Analisis Efisiensi Alokasi Penggunaan Faktor-Faktor Produksi
Analisis efisiensi ini digunakan untuk melihat apakah input atau faktor produksi yang digunakan pada usahatani padi di Kecamatan Cibeureum, Kabupaten Tasikmalaya ini sudah efisien atau belum. Analisis efisiensi yang digunakan adalah efisiensi alokatif atau harga.
Menurut Soekartawi (2003), efisiensi adalah upaya penggunaan input sekecil-kecilnya untuk mendapatkan produksi yang sebesar-besarnya. Efisiensi harga tercapai apabila perbandingan antara nilai produktivitas marjinal (NPMx) sama dengan biaya input tersebut (Px). Secara matematis dapat dituliskan sebagai berikut :
NPMx = Px atau = 1 = Px atau Dimana : b = elastisitas Y = produksi Py = Harga produksi Y
X = Jumlah faktor produksi X Px = Harga faktor produksi X Dengan syarat (Soekartawi , 2003 : 41) : a. Apabila
= 1 , penggunaan input X adalah efisien.
b. Apabila > 1 , penggunaan input X adalah belum efisien, maka
untuk mencapai efisien, input X harus ditambah.
c. Apabila < 1 , penggunaan input X adalah tidak efisien, maka
untuk mencapai efisien, input X harus dikurangi.
3. Analisis Pendapatan.
Dalam analisis pendapatan usahatani, perlu diketahui data mengenai penerimaan, biaya dan pendapatan usahatani.
a. Penerimaan usahatani adalah perkalian antara produksi dengan harga jual, atau bisa dijabarkan dengan TR = Py.Y
44 b. Biaya usahatani adalah pengeluaran yang digunakan dalam usahatani. Biaya ini dibagi menjadi dua kelompok, yaitu biaya tetap (FC) dan biaya tidak tetap atau variabel (VC). Menurut Pindyck, Robert S (2007:240), biaya tetap (FC) adalah sebuah biaya yang tidak berubah berapapun tingkat output yang dihasilkan dan dapat dihilangkan hanya dengan meninggalkan kegiatan usaha tersebut. Biaya tetap yang dimaksud dalam penelitian usahatani ini diantaranya biaya sewa tanah dan sewa traktor untuk pembajakan. Sedangkan biaya variabel (VC) adalah biaya yang bervariasi karena variasi output, contohnya adalah biaya yang diperlukan untuk membeli pupuk, bibit, pestisida dan upah tenaga kerja. Maka dengan kata lain, biaya usahatani adalah penjumlahan biaya tetap (FC) dengan biaya tidak tetap (VC), atau bisa dijabarkan dengan TC = FC+VC. c. Sedangkan pendapatan usahatani adalah selisih antara
penerimaan dan pengeluaran (biaya usahatani), maka bisa dijabarkan dengan :
π = TR – TC
= Py.Y – (TFC + TVC) = Py.Y – (TFC + Px.X)