III. METODE PENELITIAN
3.1. Metode Penentuan Daerah Penelitian
Penentuan daerah penelitian dilakukan secara sengaja (purposive) dengan mempertimbangkan Kabupaten Langkat termasuk salah satu wilayah di Provinsi Sumatera Utara sebagai sentra penghasil cabai merah.
3.2 Metode Penentuan Sampel
Teknik sampling merupakan teknik pengambilan sampel (Sugiyono, 1999) . Untuk menentukan sampel dalam penelitian, terdapat berbagai teknik sampling yang digunakan. Adapun metode penentuan sampel pada penelitian ini adalah Sampling Jenuh adalah teknik penentuan sampel apabila semua anggota populasi digunakan sebagai sampel (Sugiyono, 1999). Hal ini sering dilakukan bila jumlah populasi relatif kecil, kurang dari 30 orang, atau penelitian yang ingin membuat generalisasi dengan kesalahan yang sangat kecil. Istilah lain sampel jenuh adalah sensus, dimana semua anggota populasi dijadikan sampel.
Tabel. 3.1 Jumlah Petani Cabai Merah di Kabupaten Langkat
No Kecamatan Desa
No Kecamatan Desa
Sumber : Dinas Pertanian dan Ketahanan Pangan, (2019)
Dari 120 orang jumlah petani yang ada di Kabupaten Langkat, Adapun sampel dalam penelitian ini adalah petani cabai merah yang berjumlah 112 petani yang ada di Kabupaten Langkat, Provinsi Sumatera Utara.
3.3 Metode Pengumpulan Data
Metode pengumpulan data dilakukan dengan mewawancarai petani dengan panduan kuesioner yang terstruktur. Data-data yang dikumpulkan terkait dengan tulisan ini mencakup: karakteristik responden yang berkaitan dengan umur, pendapatan usahatani, lama berusahatani, luasan usahatani cabai merah serta pendidikan petani. Aspek yang terkait dengan perilaku petani dalam menghadapi risiko adalah persepsi petani, sikap risiko, serta pengaruhnya terhadap pemilihan strategi manajemen risiko usahatani yang akan dilakukan serta informasi lain yang terkait dengan kajian ini.
Di samping itu, juga dilakukan wawancara dengan informan kunci, seperti kelembagaan kelompok tani, penyuluh pertanian lapang (PPL), Dinas Pertanian dan Ketahanan Pangan Kabupaten Langkat, Badan Pusat Statistik (BPS) Kabupaten Langkat, Kecamatan, Desa serta pihak lainnya sebagai informasi dan menambah
bahan pengetahuan dalam merumuskan pembahasan serta saran dalam hasil penelitian.
3.4 Metode Analisis Data
Analisis data untuk mengetahui persepsi risiko, sikap petani dan strategi manajemen usahatani cabai merah dalam mengurangi risiko usahatani cabai merah di Kabupaten Langkat Provinsi Sumatera Utara dilakukan dengan metode stuctural equation modeling (SEM) dengan menggunakan Partial Least Square (PLS) atau PLS-SEM.
Partial Least Square (PLS) merupakan metode analisis yang powerful karena dapat diterapkan pada semua skala data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar. PLS selain dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan terorinya atau untuk pengujian proposisi.
Dalam penggunaan Partial Least Square (PLS) dikenal dengan 2 Model Indikoator, yakni Model indikator refleksif dan Model indikator formatif. Dalam Penelitian ini digunakan Model Indikator Formatif yang dikembangkan berdasarkan pada classical test theory yang mengasumsikan bahwa variasi skor pengukuran variabel laten merupakan fungsi dari true score ditambah error. Ciri-ciri model indikator reflektif adalah: 1. Arah hubungan kausalitas seolah-olah dari variabel laten ke indikator 2. Antar indikator diharapkan saling berkorelasi (memiliki internal consitency reliability) 3. Menghilangkan satu indikator dari model pengukuran tidak akan merubah makna dan arti variabel laten dan 4.
Menghitung adanya kesalahan pengukuran (error) pada tingkat indicator.
Model PLS-SEM terdiri dua komponen, yaitu model structural dan model pengukuran. Pada model struktural, yang disebut juga sebagai model bagian dalam (inner model) semua variabel laten dihubungan satu dengan yang lain dengan didasarkan pada teori substansi. Variabel laten dibagi menjadi dua, yaitu eksogenous dan endogenous. Variabel laten eksogenous adalah variabel penyebab atau variabel tanpa didahului oleh variabel lainnya dengan tanda anak panah menuju ke variabel lainnya (variabel laten endogenous). Model Pengukuran atau model bagian luar (outer model) yakni menghubungkan semua variable manifest atau indikator dengan variable latennya. Dalam kerangka PLS, satu variabel manifest hanya dapat dihubungkan dengan satu varabel laten. Semua variabel manifest yang dihubungkan dengan satu variabel laten disebut sebagai suatu ‘blok’.
Dengan demikian setiap variabel laten mempunyai blok variabel manifest. Suatu blok harus berisi setidak-tidaknya satu indikator. Cara suatu blok dihubungkan dengan variable laten dapat reflektif (variabel-variabel manifest berperan sebagai indikator yang dipengaruhi oleh konsep yang sama dan yang melandasinya) atau formatif (indikator – indikator yang membentuk atau menyebabkan perubahan pada variabel laten) (Wijanto, 2008).
Dalam penelitian ini model struktural yang dibangun menjadikan Persepsi petani dan Sikap Risiko sebagai variabel laten eksogen, yang dihubungkan dengan Strategi Manajemen Risiko sebagai variabel laten endogen. Model jalur diagram hubungan antar variabel, sedangkan pengambilan data variabel laten dan indikatornya menggunakan kuesioner yang disederhanakan dengan menggunakan skala likert 1 sampai 5, dimana nilai tersebut bermakna sebagai berikut :
Tabel 3.2. Skala Pengukuran dan Makna Skala pada setiap Variabel Skala Persepsi Risiko Sikap Risiko Strategi Manajemen
Risiko 1 Tidak pernah
terjadi
Sangat tidak setuju Sangat tidak akan mengaplikasikan 2 Tidak terjadi Tidak setuju Tidak mengaplikasikan 3 Mungkin terjadi Ragu ragu Mungkin akan
mengaplikasikan
4 Terjadi Setuju Pasti mengaplikasikan
5 Sering terjadi Sangat Setuju Sangat pasti akan mengaplikasikan Sumber: Kuisioner Penelitian Perilaku Petani
Secara rinci variable endogen-eksogen dapat dilihat pada Gambar 3.1.
Untuk analisis model struktur dengan jalur lintasan (path diagram) digunakan perangkat lunak SmartPLS versi 3.0 yang dapat diunduh secara gratis berbatas waktu 30 hari di situs www.smartpls.de.
Gambar 3.1. Evaluasi Struktural Model dan Evaluasi Pengukuran Menurut Ghozali (2015), Structural Equation Model (SEM) umumnya diwakili oleh software seperti AMOS, EQS LISREL, Mplus dan PLS merupakan teknik analisis yang sangat popular digunakan di dalam ilmu sosial dalam beberapa
disiplin ilmu yaitu perspektif ekonometrika yang memfokuskan pada prediksi dan psikometrika yang mampu untuk menggambarkan konsep model dengan variabel laten (variabel yang tidak dapat diukur secara langsung) akan tetapi diukur melalui indikator-indikatornnya (manifest variables). SEM secara essensial menawarkan kemampuan untuk melakukan analisis jalur dengan variabel laten.
SEM menggunakan PLS terdiri dua sub model, yaitu model pengukuran (outer model) dan model structural (inner model). Bagian ini merupakan ciri khusus SEM dengan PLS dan tidak ada pada SEM yang berbasis kovarian. PLS selain dapat di gunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan terorinya atau untuk pengujian proposisi. PLS juga dapat digunakan untuk pemodelan structural dengan indikator bersifat reflektif ataupun formatif.
3.4.1 Evaluasi Model Pengukuran (Outer Model/)
Evaluasi model pengukuran atau outer model dilakukan untuk menilai validitas dan reliabilitas model. Outer model dengan indikator refleksif dievaluasi melalui validitas konvergen dan validitas diskriminan dari indikator pembentuk variabel laten laten dan composite reliability serta cronbach’s alpha untuk blok indikatornya (Ghozali, 2015). Untuk melakukan evaluasi measurement model ada beberapa langkah yang harus dilakukan sebagai berikut:
3.4.1.1 Uji Validitas
3.4.1.1.1 Validitas Konvergen (Convergent Validity)
Validitas konvergen berhubungan dengan prinsip bahwa indikator pengukur-pengukur (manifest variabel) dari suatu konstuk seharusnya berkorelasi tinggi (Ghozali, 2015). Menurut Ghozali (2015) rule of thumb yang biasa digunakan
untuk menilai Validitas konvergen yaitu nilai loading factor harus lebih dari 0.7 untuk penelitian yang bersifat confirmatory dan nilai loading factor antara 0.6 – 0.7 artinya, setiap variabel laten harus dapat menjelaskan varian indikator masing – masing setidak – tidaknya sebesar 50%. Oleh karena itu korelasi absolut antara variabel laten dan indikatornya harus > 0.7 (nilai absolut loadings baku bagian luar).
Indikator reflektif sebaiknya dihilangkan dari model pengukuran jika mempunyai nilai loadings baku bagian luar dibawah 0.4.
Disisi lain, nilai average variance extracted (AVE) harus lebih besar dari 0.5. Nilai ini menggambarkan validitas konvergen yang memadai yang mempunyai arti bahwa satu variabel laten mampu menjelaskan lebih dari setengah varian dari indikator – indikatornya dalam rata-rata. Sedang validitas diskriminan merupakan konsep tambahan yang mempunyai makna bahwa dua konsep berbeda secara konspetual harus menunjukkan keterbedaan yang memadai. Maskudnya ialah seperangkat indikator yang digabung diharapkan tidak bersifat unidimensional.
3.4.1.1.2 Validitas Diskriminan (Discriminant Validity)
Pengujian Validitas Diskriminan pada indikator reflektif dapat dilihat pada cross-loading antara indikator dengan variabel latennya. Suatu indikator dinyatakan valid jika mempunyai loading factor tertinggi kepada variabel laten yang dituju dibandingkan loading factor kepada variabel laten lain. Dengan demikian, variabel laten laten memprediksi indikator pada blok mereka lebih baik dibandingkan dengan indikator di blok yang lain.
Selain itu, validitas diskriminan juga dapat dilihat pada pengujian Fornell Larcker Criterion dengan membandingkan akar kuadrat dari AVE untuk setiap variabel laten/variabel laten dengan nilai korelasi antar variable laten dalam model
(Ghozali, 2015). Hal ini jika diartikan secara statistik, maka nilai AVE setiap variabel laten harus lebih besar dari pada nilai R2 tertinggi dengan nilai variabel laten lainnya. Kriteria kedua untuk validitas diskriminan ialah ‘loading’ untuk masing – masing indikator diharapkan lebih tinggi dari ‘cross-loading’ nya masing-masing. Jika kriteria Fornell – Larcker menilai validitas disrkiminan pada tataran variabel laten (variabel laten), maka ‘cross – loading’ memungkinkan pada tataran indikator.
3.4.1.2 Uji Reliabilitas
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. Dalam menilai uji reabilitas melalui Composite Reliability maupun Cronbachs Alpha hal tersebut dapat disimpulkan bahwa konstruk memiliki reabilitas yang baik atau kuisioner yang digunakan sebagai alat dalam penelitian ini telah andal atau konsisten. Sedang besaran nilai yang digunakan sebagai pengukuran dapat diringkas pada tabel berikut ini.
Tabel 3.3 Kriteria dan Deskripsi pada Evaluasi Model Pengukuran
Kriteria Deskripsi
Reliabilitas indikator Loading baku bagian luar dengan nilai > 0,7 AVE Rata-rata varian ekstrak dengan nilai > 0,5
Digunakan sebagai penentu validitas konvergen Kriteria Fornell – Larcker Digunakan untuk meyakinkan validitas
diskriminan, maka AVE untuk setiap variabel laten harus lebih tinggi dari pada R2 dengan
3.4.2 Evaluasi Model Struktural (Inner Model)
Pengujian inner model adalah pengembangan model berbasis konsep dan teori dalam rangka menganalisis hubungan antar variabel eksogen dan endogen telah dijabarkan dalam kerangka konseptual. (Sarstedt et al., 2014) yang menyarankan untuk melihat nilai koefisien determinasi (R2), nilai koefisien jalur (path coefficients), nilai t-statistic (bootstrapping), serta predictive relevance (Q2) untuk menilai Model structural (inner model).
3.4.2.1 R-Square (R2)
Nilai R-Square (R2) adalah nol sampai dengan satu. Apabila nilai R-Square (R2) semakin mendekati satu, maka variabel-variabel independen memberikan semua informasi yang dibutuhkan untuk memprediksi variasi variabel endogen.
Sebaliknya, semakin kecil nilai R-Square (R2), maka kemampuan variabel-variabel independen dalam menjelaskan variasi variabel endogen semakin terbatas.
3.4.2.2 Koefisien Jalur (Path Coefficients)
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