Lokasi dan Waktu Penelitian
Penelitian ini dilaksanakan di Stasiun Kereta Api Bogor Jalan Nyi Raja Permas. Pemilihan tersebut dengan pertimbangan bahwa wilayah tersebut berada di kawasan strategis ekonomi dan pedagang kakilima di lokasi tersebut telah mengalami penataan. Setelah dilakukan penataan pedagang kakilima, tempat pejalan kaki menjadi lebih lebar sedangkan tempat pedagang kakilima berjualan menjadi berkurang luasnya. Penelitian ini dilakukan selama empat bulan yang dimulai dari bulan Januari hingga April 2013. Dalam kurun waktu tersebut dilakukan pengumpulan data dan analisis dalam rangka menjawab tujuan penelitian.
Metode Pengambilan Sampel
Metode pengambilan sampel menggunakan teknik non probability dengan metode purposive sampling. Purposive sampling merupakan prosedur yang digunakan peneliti dalam memilih responden dengan pertimbangan-pertimbangan atau tujuan-tujuan tertentu karena karakteristik populasi yang tidak diketahui dengan pasti. Di lokasi sendiri, tidak tersedia data mengenai jumlah pasti pedagang kakilima yang masih aktif beroperasi menjajakan barang dagangannya sejak belum dilakukannya penataan pedagang kakilima. Kriteria sampel pedagang yang dipilih adalah pedagang yang telah berdagang dilokasi yang sama sebelum dilakukan penataan pedagang kakilima dengan kurun waktu minimal satu tahun. Sampel yang digunakan sebanyak 38 responden pedagang kakilima dengan berbagai jenis barang dagangan yang secara langsung merasakan dampak dari penataan pedagang kakilima di lokasi tersebut.
Jenis dan Sumber Data
Data yang diperlukan dalam penelitian ini adalah data primer dan data sekunder. Data primer dalam penelitian ini berasal dari wawancara mendalam dengan menggunakan kuisioner terhadap pedagang yang menjadi responden. Pedagang yang dimaksud adalah yang berada di Stasiun Kereta Api Bogor Jalan Nyi Raja Permas. Kuisioner digunakan untuk mengetahui pengaruh penataan pedagang kakilima dilokasi tersebut terhadap omset dan faktor-faktor yang memengaruhi omset pedagang kakilima setelah dilakukan penataan. Data sekunder itu sendiri diperoleh dari Badan Pusat Statistik (BPS) Kota Bogor.
17
Metode Analisis Dampak Penataan Terhadap Perubahan Omset
Uji t-berpasangan (paired t-test)
Uji t-berpasangan (paired t-test) adalah salah satu metode pengujian hipotesis dimana data yang digunakan tidak bebas (berpasangan). Uji-t ini membandingkan satu kumpulan pengukuran yang kedua dari contoh yang sama. Uji ini sering digunakan untuk membandingkan nilai sebelum dan sesudah percobaan untuk menentukan apakah perubahan nyata telah terjadi.
Rumus untuk uji-t berpasangan adalah: thitung =
Keterangan: d = rata-rata selisih omset sebelum dan sesudah penataan pedagang kakilima
s = simpangan baku n = ukuran sampel
Metode Analisis Faktor-faktor yang memengaruhi Omset
Data yang diperoleh akan dianalisis dengan menggunakan analisis regresi linear berganda dengan pendekatan OLS (Ordinary Least Square) menggunakan program software SPSS version 16.0 for Windows.
Dalam bukunya, Juanda (2009), Model regresi berganda (multiple regression model) memiliki asumsi bahwa peubah tak bebas (respons) Y merupakan fungsi linear dari beberapa peubah bebas X1,X2, ..., Xk, dan komponen sisaan ɛ (error). Model ini sebenarnya merupakan pengembangan model regresi sederhana (1 peubah bebas). Persamaan model regresi linear berganda secara umum (model populasi) adalah sebagai berikut:
Yi = β1 X1i+ β2 X2i+ β3 X3i+ ... + βk Xki + εi. ...(3.1)
Subskrip i menunjukkan nomor pengamatan dari 1 sampai N untuk data populasi, atau sampai n untuk data contoh (sample). Xki merupakan pengamatan ke-i untuk peubah bebas Xk.. Koefisien β merupakan intersep model regresi. Jika
semua pengamatan X1i bernilai 1 sehingga model (3.1) menjadi: Yi = β1+ β2 X2i+ β3 X3i+ ... + βk Xki + εi. ...(3.2)
Model regresi linear berganda yang digunakan untuk menganalisis perubahan omset pedagang kakilima modern di selasar Stasiun Kereta Api Bogor adalah:
18
Yi = β1+ β2 UPi+ β3 TFi+β4 PBi + β5 JOi + β6 JPi + εi.
Keterangan: Yi = omset usaha responden setelah penataan (rupiah) UPi = usia pedagang (tahun)
TPi = tingkat pendidikan formal pedagang (“1” untuk SD, “2” untuk SMP, “3” untuk SMA, dan “4” untuk perguruan
tinggi )
LUi = lama usaha (tahun) JOi = jam operasi (jam/hari)
JPi = jumlah pembeli (“0” untuk jumlah pembeli berkurang, “1” tetap, dan “2” bertambah)
β1 = konstanta
β2...β6 = nilai koefisien dari masing-masing variabel ɛi = residual model
Definisi Operasional Variabel
Variabel terikat (Y) adalah variabel yang nilainya tergantung pada nilai variabel lain yang merupakan konsekuensi dari perubahan yang terjadi pada variabel bebas. Variabel terikat dalam penelitian ini adalah perubahan omset pedagang kakilima. Variabel bebas adalah variabel yang nilainya berpengaruh terhadap variabel lain sedangkan variabel kontrol dimasukkan dalam penelitian untuk mengendalikan atau menghilangkan pengaruh tertentu pada model penelitian agar kesimpulan yang ditarik tidak bias atau salah presepsi. Definisi operasional untuk melihat faktor-faktor yang memengaruhi omset setelah dilakukan penataan pedagang kakilima antara lain:
a) Omset pedagang setelah dilakukan penataan pedagang kakilima (Y) adalah rata-rata omset penjualan per hari yang dilihat dari jumlah total hasil penjualan barang dagangan tertentu oleh pedagang kakilima dalam waktu satu hari akibat adanya penataan ruang dagang kakilima.
b) Usia Pedagang (UP) adalah usia responden dari sejak lahir hingga terakhir berulang tahun. Diasumsikan bahwa usia memiliki kolerasiyang negatif. Pedagang dengan usia yang lebih tua cenderung memperoleh omset lebih kecil dibandingkan dengan pedagang yang usianya lebih muda.
c) Tingkat pendidikan Formal (TP) adalah lama pendidikan formal responden yang dikelompokan menjadi empat kategori pendidikan formal. Variabel
ini merupakan variabel kategorik ordinal, nilai “1” untuk SD, “2” untuk SMP, “3” untuk SMA dan “4” untuk jenjang perguruan tinggi. Variabel
tingkat pendidikan diduga akan memengaruhi omset pedagang kakilima. Pedagang dengan tingkat pendidikan yang semakin tinggi cenderung lebih berani membuka usaha dengan resiko yang lebih tinggi.
d) Lama usaha (LU) adalah lamanya responden menjalankan usaha berjualan sebagai pedagang kakilima dimulai dari awal responden berdagang sebelum dilakukan penataan sampai dengan setelah dilakukan penataan dan penelitian ini dilakukan. Variabel ini diukur dengan satuan tahun.
19 Variabel lama usaha diduga akan memengaruhi omset pedagang kakilima. Semakin lama usaha pedagang kakilima beroperasi, maka omset akan semakin meningkat.
e) Jam operasi (JO) adalah lama waktu pedagang kakilima berjualan setiap harinya.Variabel ini diukur dengan satuan jam/hari. Variabel jam operasi diduga akan memengaruhi omset usaha pedagang kakilima. Semakin lama berjualan sebagai pedagang kakilima, maka omset akan semakin meningkat.
f) Jumlah Pembeli (JP) adalah banyaknya pembeli yang membeli barang dagangan setelah dilakukan penataan pedagang kakilima. Variabel ini merupakan variabel kategorik ordinal, nilai “0” untuk jumlah pembeli yang berkurang, nilai “1” tetap dan nilai “2” untuk jumlah pembeli yang
bertambah. Variabel jumlah pembeli diduga akan memengaruhi omset usaha pedagang kakilima. Jika jumlah pembeli berkurang maka omset akan turun sedangkan jika jumlah pembeli bertambah maka omset akan meningkat.
Pengujian Statistik Analisis Regresi
Koefisiensi Determinasi (R2)
Koefisien determinasi adalah angka yang menunjukkan besarnya proporsi atau presentase variasi variabel terkait yang dijelaskan oleh variabel bebas secara bersama-sama. Koefisien determinasi digunakan untuk mengukur kedekatan hubungan antara variabel bebas dengan variabel terikat yang digunakan. Besarnya R2 berada diantara 0 dan 1 (0<R2<1). Semakin nilai R2 mendekati 1 maka keragaman yang mampu dijelaskan oleh faktor-faktor yang ada di dalam model menjadi semakin besar.
Uji F-statistic
Uji F-statistic digunakan untuk mengetahui apakah secara bersama-sama variabel-variabel independen yang digunakan dalam penelitian memengaruhi variabel dependen secara signifikan. Jika nilai hitung F lebih besar daripada nilai F kritis, maka tolak hipotesis nol bahwa pengaruh semua variabel penjelas sama dengan nol. Jika nilai F hitung tidak lebih daripada nilai F kritis, maka tidak menolak hipotesis nol bahwa variabel-variabel penjelas tidak berpengaruh apapun terhadap variabel tak bebas.
Uji t-statistic
Uji t-statistic digunakan untuk mengetahui apakah variabel-variabel independen secara parsial berpengauh signifikan terhadap variabel dependen.
20
Dalam pendekatan uji signifikasi untuk pengujian hipotesis kita mengembangkan suatu statistik uji, mencari tahu distribusi sampling atau penarikan sampelnya,
memilih tingkat signifikasi α dan menentukan nilai kritis dari statistik uji pada
tingkat signifikasi yang dipilih. Bandingkan nilai statistil uji yang diperoleh dari sample yang ada dengan nilai kristisnya dan menolak hipotesis nol apabila nilai hitung dari statistik uji lebih besar dari nilai kritisnya.
Pengujian Asumsi Klasik
Suatu model dikatakan baik apabila memenuhi asumsi klasik atau terhindar dari masalah-masalah heterkodastsitas, multikolinearitas dan autokolerasi. Dikatakan baik apabila jika suatu penaksir berbentuk linear, tak bias, dan mempunyai varians terendah dalam kelompok penaksir tak bias linear dari sebuah parameter (Gujarati, 2006).
Uji Normalitas
Uji normalitas dilakukan untuk menguji apakah model memiliki distribusi normal atau tidak. Suatu model regresi dikatakan baik, apabila memiliki distribusi normal ataupun mendekati normal. Pada penggunaan software SPSS, dapat dilihat berdasarkan nilai Asymp. Sig. tailed) pada N-par test, jika nilai Asymp. Sig. (2-tailed) lebih besar dari alpha, maka asumsi residual menyebar normal terpenuhi.
Uji Heteroskedastisitas
Suatu model mengalami heteroskedastisitas jika ragam error tidak konstan, sedangkan salahsatu asumsi dasar metode regresi linear adalah asumsi bahwa semua sisaan menyebar identik dengan ragam sama atau homogen yang dikenal sebagai homoskedastitas. Penyebab adanya heteroskedastisitas ini adalah adanya data pencilan, pada data crossaction, variasi dapat ditimbulkan dari kolerasi yang tinggi antara x dan y. Sedangkan pada data time series, variasi data seringkali disebabkan oleh proses error learning model dan terakhir adalah kesalan dalam memilih model. Akibat adanya heteroskedastisitas yaitu dugaan koefisien regresi menjadi tidak bias tapi tetap konsisten dan penduganya tidak efisien. Berdasarkan hasil uji analisis statistik, probabilitas yang diperoleh dari uji breuch pagan sebesar harus lebih besar dari alpha yang artinya homoskedastisitas.
Uji Multikolinearitas
Multikolinearitas adalah terjadinya kolerasi yang tinggi antara peubah bebas Xi yang berarti terdapat hubungan linear antarvariabel penjelas X. Multikolinear terdiri dari multikolinear tidak sempurna (near multicolinear) dan
21 multicolinear sempurna (perfect multicolinear). Multikolinear tidak sempurna terjadi jika kolerasi antara variabel Xi tidak sempurna [|r|<1], hal ini akan berakibat sebagai berikut:
1. Interpretasi dari koefisien dugaan menjadi sulit.
2. Nilai variance dari dugaan koefisien regresi menjadi lebih besar. 3. Banyak variabel Xi tidak signifikan.
4. Koefisien dugaan regresi menjadi lebih sensitif jika terjadi perubahan. Multikolinear tidak semurna terjadi jika kolerasi antara variabel Xi sempurna (r±1) atau dengan kata lain, variabel Xi yang satu merupakan kelipatan dari variabel Xi yang lainnya. Cara untuk mengatasi multikolinear antara lain yang pertama dengan uji kolerasi pearson dimana dikatan terdapat multikolinear jika t hitung lebih besar dari t tabel atau nilai p-value kurang dari alpha. Kedua dengan melihat nilai VIF dan ketiga dengan melihat nilai R2 dan signifikasi dari variabel dimana dikatakan terjadi multikolinear jika nilai Rnya tinggi tetapi banyak variabel Xi yang tidak signifikan. Beberapa cara untuk mengatasi masalah multikolinear:
1. Menghilangkan variabel Xi yang menjadi penyebab multikol. 2. Menggunakan komponen regresi utama (PCA).
3. Menggunakan model distribusi langsung. 4. Memilih spesifikasi model yang sesuai. 5. Menambah data baru.
Uji Autokolerasi
Autokolerasi adalah terjadinya kolerasi yang tinggi antarnilai error dari periode waktu (time series). Konsekuensi dari adanya autokolerasi:
1. Estimator kuadrat terkecil masil linear dan tak bias.
2. Tapi estimator tersebut tidak efisien yang artinya tidak memiliki variasi minimum bila dibandingkan dengan prosedur yang mempertimbangkan kolerasi.
3. Varians taksiran dari estimator OLS bersifat bias. 4. Tes t dan F yang biasa tidak andal.
5. Varians dan kesalahan standar peramalan yang dihitung secara konvensional mungkin tidak efisien.
Pengujian ada tidaknya autokolerasi pada model dengan menggunakan uji statistik durbin watson dilihat dari nilai probabilitas (chi-square) harus lebih besar dari alpha, yang artinya tidak ada autokorelasi.
22