11
3. METODE PENELITIAN
3.1. Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan pada bulan April 2017 sampai bulan Mei 2017 berlokasi di Pasar Ngablak, Kabupaten Magelang, Jawa Tengah. Pemilihan lokasi ini dilakukan secara sengaja (purposive) karena pasar Ngablak terletak di Kecamatan Ngablak yang merupakan salah satu daerah penghasil tanaman hortikultura di Kabupaten Magelang. Berdasarkan data BPS Kabupaten Magelang (2016), 17% dari luas wilayah di Kecamatan Ngablak digunakan untuk tanaman hortikultura cabai rawit dan cabai merah keriting, serta hasil panennya dijual ke pasar Ngablak. Selain itu, pasar Ngablak sebagai pusat distribusi dan pemasaran cabai rawit ke Salatiga, Ampel dan Tegalrejo.
3.2. Jenis dan Metode Penelitian
Jenis penelitian yang digunakan adalah jenis penelitian deskriptif kuantitatif. Menurut Nazir (1985) penelitian deskriptif kuantitatif yaitu jenis penelitian yang tidak hanya memberikan gambaran mengenai fenomena yang ada, tetapi juga menerangkan hubungan, menguji hipotesa, membuat prediksi serta mendapatkan makna dan implikasi dari suatu masalah yang ingin dipecahkan serta menjelaskan hubungan kausal antar dua variabel.
Metode penelitian yang digunakan adalah metode survey. Metode penelitian survey adalah salah satu bentuk teknik penelitian dimana informasi dikumpulkan
dari sejumlah sampel berupa orang, melalui pertanyaan-pertanyaan. Metode survei digunakan sebagai kategori umum penelitian yang menggunakan kuesioner dan wawancara (Sugiyono, 2012).
3.3. Teknik Pengumpulan Data
Menurut Sekaran (2006, lihat Palar dkk., 2016) pengumpulan data merupakan teknik atau cara yang dilakukan untuk mengumpulkan data melalui kuesioner, wawancara, observasi, tes, dokumentasi dan sebagainya untuk melakukan suatu penelitian.
dari objek yang diteliti. Data primer dalam penelitian ini diperoleh melalui observasi, dokumentasi dan wawancara langsung menggunakan kuesioner kepada pedagang cabai rawit dan cabai merah keriting. Data sekunder digunakan sebagai penguat data primer, diperoleh dari studi literatur pada buku, internet, jurnal, skripsi dan catatan atau dokumen dari instansi-instansi atau lembaga-lembaga terkait seperti kantor pasar, Dinas Perdagangan Koperasi dan UKM.
3.4. Teknik Pengambilan Sampel
Pengambilan sampel dalam penelitian ini menggunakan simple random sampling. Simple random sampling menurut Siregar (2012) merupakan teknik
pengambilan sampel yang memberikan kesempatan yang sama kepada setiap anggota yang ada dalam suatu populasi untuk dijadikan sampel. Populasi dalam penelitian ini berjumlah 40 orang pedagang sayuran yang menjual cabai rawit dan cabai merah keriting, untuk menentukan sampel dari banyaknya populasi maka digunakan teknik Solvin (Siregar, 2012).
n : N / (1+Ne2) Keterangan : n : Jumlah Sampel N : Jumlah Populasi
e : Perkiraan tingkat kesalahan
Dari rumus tersebut peneliti mendapatkan hasil sebagai berikut: n : N / (1+Ne2)
n : 40 / (1+40 x (0,05)2) n : 40 / (1+ 0,1)
n : 36,36 = 36 sampel pedagang
3.5. Definisi dan Pengukuran Variabel
Definisi dan pengukuran variabel penelitian ini disajikan pada Tabel 3.5. Tabel 3.5. Definisi dan Pengukuran Variabel
Variabel Definisi Satuan Skala
Pengukuran Saluran
Distribusi
Perantara yang menyampaikan barang dan jasa dari produsen
ke konsumen dijual pedagang pada waktu penelitian
Teknik analisis data yang digunakan dalam penelitian ini untuk menjawab tujuan penelitian yang telah dirumuskan. Adapun teknik analisis yang digunakan adalah sebagai berikut:
3.6.1.Analisis Gambaran Fluktuasi Harga Cabai Rawit
Digunakan analisis ARIMA menggunakan Eviews 8. Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Dinas Perdagangan Koperasi dan UKM, Kabupaten Magelang. Data tersebut meliputi data bulanan harga cabai rawit pada tahun 2011-2016.
ARIMA (Autoregressive Integrated Moving Average) sering juga disebut metode runtun waktu Box-Jenkins. Model ARIMA umumnya dituliskan dengan notasi ARIMA (p,d,q). Dimana p adalah jumlah autoregressive (AR), d jumlah (berapa kali) data harus diturunkan (difference) agar data menjadi stasioner dan q adalah jumlah moving average (MA) (Ghozali dan Ratmono, 2013).
Langkah-Langkah penggunaan model ARIMA: 1. Identifikasi model dengan memilih p,d, q sementara
Identifikasi nilai p, d dan q menggunakan korelogram (correlogram) dan korelogram parsial (partial correlogram).
Estimasi parameter AR dan komponen MA yang ada di dalam model. Estimasi ini bisa menggunakan metode kuadrat terkecil (least square) maupun metode estimasi nonlinear.
3. Diagnosis residual apakah sudah bersifat white noise
Diagnosis terhadap kualitas model apakah sudah sesuai dengan datanya. Caranya adalah dengan menguji apakah residual hasil estimasi sudah bersifat white noise. Bila residualnya sudah white noise, berarti modelnya sudah tepat.
Bila belum, maka harus dicari bentuk ARIMA yang lain. Proses pencarian model yang tepat ini memang bersifat interatif (berulang) dan lebih bersifat seni dibanding ilmiah.
4. Lakukan perkiraan data masa yang akan datang
Perkiraan (forecast) terhadap data masa yang akan datang dengan persamaan atau model yang telah dipilih.
(Winarno, 2015)
3.6.2.Analisis Faktor-Faktor Yang Mempengaruhi Harga Cabai Rawit
Digunakan analisis regresi linear berganda menggunakan Eviews 9. Program Eviews merupakan salah satu software analisis data multivariat dan ekonometrika dengan kelebihan utama menyediakan fasilitas metode estimasi regresi yang lebih lengkap dibandingkan software lain.
a. Analisis Regresi Linear Berganda
Analisis regresi linier berganda menurut Palar dkk. (2016) merupakan studi ketergantungan dari suatu variabel tak bebas atau variabel dependen pada suatu variabel bebas atau variabel independen dengan tujuan meramalkan dan memperkirakan nilai dari variabel tak bebas jika variabel bebas sudah di ketahui. Model regresi linier berganda dalam penelitian ini:
Y = α + β1Dummy + β2X2+ β3X3+ Ɛ
Keterangan:
Y : Harga Cabai Rawit (dalam ribuan rupiah) α : Nilai konstanta
β1,β2, β3 : Koefisien regresi
X2 : Harga Komoditas Pengganti /Substitusi (dalam ribuan rupiah)
X3 : Permintaan Konsumen Terhadap Cabai Rawit (Kg)
Ɛ : error-term
3.6.3.Uji Asumsi Klasik
Uji asumsi klasik dimaksudkan untuk mendeteksi apakah data sudah berdistribusi normal serta ada tidaknya multikolinearitas, heteroskedastisitas dan autokorelasi dalam hal estimasi karena apabila terjadi penyimpangan terhadap asumsi klasik tersebut maka uji t dan uji F yang dilakukan akan tidak valid dan secara statistik akan mengacaukan kesimpulan yang diperoleh.
a) Uji Normalitas
Menurut Ghozali dan Ratmono (2013) uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual mempunyai distribusi normal. Seperti diketahui, bahwa uji t dan uji F mengasumsikan nilai residual mengikuti distribusi normal. Pengambilan keputusan untuk uji normalitas data adalah:
1. Bila nilai J-B (Jarque-Bera) tidak signifikan (lebih kecil dari 2), maka data berdistribusi normal.
Uji normalitas dinyatakan dengan hipotesis sebagai berikut: Ho: J-B > 2
H1: J-B < 2
2. Bila probabilitas lebih besar dari 5% (>0,05), maka data berdistribusi normal. Uji normalitas dinyatakan dengan hipotesis sebagai berikut:
Ho: α < 0,05 H1: α > 0,05
(Winarno, 2015)
b) Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi yang tinggi atau sempurna antarvariabel independen (Ghozali dan Ratmono, 2013).
standard error dari koefisien menjadi tidak valid sehingga hasil uji signifikansi
koefisien dengan uji t tidak valid.
Ghozali dan Ratmono (2013) menyatakan adanya multikolinearitas atau korelasi yang tinggi antar variabel independen dapat dideteksi dengan cara melihat nilai tolerance dan Variance Inflation Factor (VIF). Jadi tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/ tolerance). Nilai yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah Tolerance >0.10 atau sama dengan VIF > 10. Uji multikolinearitas dinyatakan dengan hipotesis sebagai berikut:
Ho: VIF > 10 H1: VIF < 10
c) Uji Heteroskedastisitas
Menurut Rosadi (2011) uji ini bertujuan untuk menganalisis apakah variansi dari error bersifat tetap/konstan (homokedastik) atau berubah-ubah (heteroskedastik). Mendeteksi ada tidaknya heteroskedastisitas dilakukan uji White. Keputusan ada tidaknya heteroskedastisitas ditentukan jika:
1. Jika nilai probabilitas dari nilai Obs*R-squared mempunyai nilai probabilitas Chi-square <0.05, maka terjadi heteroskedastisitas.
2. Jika nilai probabilitas dari nilai Obs*R-squared mempunyai nilai probabilitas Chi-square >0.05, maka tidak terjadi heteroskedastisitas.
Uji heteroskedastisitas dinyatakan dengan hipotesis sebagai berikut: Ho: α < 0,05
H1: α > 0,05
d) Uji Autokorelasi
dari autokorelasi. Ada tidaknya autokorelasi dilakukan menggunakan uji autokorelasi dengan LM Test. Keputusan ada tidaknya autokorelasi ditentukan:
1. Jika nilai probabilitas dari nilai Obs*R-squared mempunyai nilai probabilitas Chi-square <0.05, maka terjadi autokorelasi.
2. Jika nilai probabilitas dari nilai Obs*R-squared mempunyai nilai probabilitas Chi-square >0.05, maka tidak terjadi autokorelasi.
Uji autokorelasi dinyatakan dengan hipotesis sebagai berikut: Ho: α < 0,05
H1: α > 0,05
3.6.4.Koefisien Determinasi (R²)
Menurut Santosa dan Ashari (2005, lihat Palar dkk., 2016) koefisien determinasi digunakan untuk mengetahui seberapa besar hubungan dari beberapa variabel dalam pengertian yang lebih jelas. Koefisien determinasi akan menjelaskan seberapa besar perubahan atau variasi suatu variabel bisa dijelaskan oleh perubahan atau variasi pada variabel yang lain. Dalam bahasa sehari-hari adalah kemampuan variabel bebas untuk berkontribusi terhadap variabel tetapnya dalam satuan persentase.
Rumus R2 adalah sebagai berikut: R2 = 1-(1- R2)
Keterangan:
R2 : Koefisien determinasi yang telah disesuaikan R2 : Koefisien determinasi
N : Jumlah data
k : Jumlah variabel bebas
3.6.5.Uji F (Uji Simultan)
Uji F merupakan pengujian hubungan regresi secara simultan yang bertujuan untuk mengetahui apakah seluruh variabel independen bersama-sama mempunyai pengaruh yang signifikan terhadap variabel dependen. Tingkat signifikansi untuk uji F pada penelitian ini adalah pada tingkat kepercayaan 95% atau taraf uji α= 0,05.
Rumus:
F hitung =
Keterangan:
R2 : Koefisien determinasi n : Banyaknya sampel
k : Jumlah koefisien yang ditaksir Nilai Ftabel adalah 2,90 di dapat dengan cara,
df1 = k-1 , df2 = n-k
df1 = 4-1 , df2 = 36-4
df1 = 3 , df2 = 32
Dengan kriteria pengujian sebagai berikut: Fhitung < Ftabel, Ho diterima
Fhitung > Ftabel, Ho ditolak, H1 diterima
Adapun model hipotesis dalam penelitian ini sebagai berikut: Ho : β1= β2 = β3 = 0
H1 : β1≠β2 ≠β3≠ 0 (minimal ada satu yang ≠ 0).
Kriteria pengambilan keputusan:
1. Jika Fhitung < Ftabel, maka Ho diterima dan H1 ditolak. Artinya semua faktor atau
variabel bebas secara bersama-sama tidak berpengaruh nyata terhadap variabel terikat.
2. Jika Fhitung > Ftabel, maka Ho ditolak dan H1 diterima. Artinya variabel bebas
3.6.6.Uji t (Uji Parsial)
Uji t digunakan untuk menguji hipotesis secara parsial guna menunjukkan pengaruh tiap variabel independen secara individu terhadap variabel dependen. Uji t adalah pengujian koefisien regresi masing-masing variabel independen terhadap variabel dependen untuk mengetahui seberapa besar pengaruh variabel independen terhadap variabel dependen. Tingkat signifikansi untuk uji t pada dengan tingkat kepercayaan 95% atau taraf uji α= 0,05 (Sugiyono, 2012).
Rumus: thitung=
Keterangan:
r: Koefisien korelasi parsial n : banyaknya sampel
k : banyaknya variabel bebas Nilai ttabel adalah 2,04 di dapat dengan cara,
df = n-k-1 df = 36-4-1 df = 31
Dengan kriteria pengujian sebagai berikut: thitung < ttabel, Ho diterima
thitung > ttabel, Ho ditolak, H1 diterima
Adapun model hipotesis dalam penelitian ini sebagai berikut: Ho : βi= 0
H1 : βi≠ 0
Kriteria pengambilan keputusan:
1. Jika thitung < ttabel, maka Ho diterima dan H1 ditolak. Artinya masing-masing
variabel bebas tidak berpengaruh nyata terhadap variabel tidak bebasnya. 2. Jika thitung > ttabel, maka Ho ditolak dan H1 diterima. Artinya masing-masing
