1
Pendapatan Petani Padi Sawah di Pulau Jawa Tahun 2013
dan Faktor-faktor yang Memengaruhinya
(Menggunakan Regresi
Robust
pada Data SPP 2013)
Candra Wibowo*1, Agung Priyo Utomo2
14SE3/13.7541 Jurusan Statistika Peminatan Ekonomi
e-mail: *113.7541@stis.ac.id, 2agung@stis.ac.id
Abstrak
Kontributor utama dalam sektor pertanian yaitu subsektor tanaman pangan, khususnya tanaman padi sawah. Sektor ini banyak menyerap tenaga kerja, yaitu sebanyak 8.698.015 rumah tangga atau sekitar 61,5 % dari total rumah tangga usaha pertanian tanaman padi di Indonesia. Namun sebagian besar pekerja di sektor ini memiliki pendapatan yang rendah meskipun harga gabah semakin meningkat setiap tahunnya. Penelitian ini bertujuan untuk menganalisis variabel-variabel yang memengaruhi pendapatan petani padi sawah di Pulau Jawa tahun 2013. Data yang digunakan yaitu Survei Pendapatan Rumah Tangga Usaha Pertanian tahun 2013 yang dilakukan oleh BPS. Metode analisis yang digunakan yaitu regresi robust karena data menunjukkan adanya nilai pencilan (outlier). Hasil penelitian menunjukkan variabel yang berpengaruh signifikan secara parsial terhadap pendapatan petani padi sawah yaitu luas lahan irigasi, luas lahan non irigasi, luas panen, kredit bank, dan pemasaran, sementara variabel penyuluhan pertanian tidak berpengaruh secara signifikan. Dalam upaya meningkatkan produksi dan pendapatan petani padi sawah perlu ditingkatkan penggunaan lahan irigasi. Hal ini dapat dilakukan dengan meningkatkan perbaikan sistem irigasi, sehingga petani padi sawah tidak perlu untuk terlalu mengandalkan kondisi alam untuk mengairi sawahnya.
Kata kunci—Padi sawah, outlier, regresi robust
Abstract
The main contributor in the agriculture sector are food crops sub-sector, especially rice field crops. This sector absorbs a lot of labor, which is 8.698.015 households or about 61.5% of the total household of rice farming business in Indonesia. But mostly, workers in this sector have low incomes even though grain prices are increasing every year. This study aims to analyze the variables that affect the income of rice farmers in Java Island in 2013. The data used is the Household Income Survey of Agricultural Enterprises in 2013 conducted by BPS. The analytical method used is robust regression because the data shows the value of outliers. The result of the research shows that the variables that have significant partial effect on the income of paddy farmer are irrigated land area, non irrigation area, harvest area, bank credit, and marketing, while agricultural extension variable has no significant effect. In an effort to increase production and income of paddy field farmers need to increase the use of irrigated land. This can be done by improving the improvement of irrigation systems, so that rice farmers do not need to rely too heavily on natural conditions to irrigate their fields.
2
1. PENDAHULUAN
Kontributor utama dalam sektor pertanian yaitu subsektor tanaman pangan, khususnya tanaman padi sawah. Hasil Sensus Pertanian tahun 2013 menunjukkan bahwa rumah tangga tanaman pangan di Indonesia didominasi oleh rumah tangga yang mengelola tanaman padi, khususnya di Pulau Jawa. Jumlah rumah tangga usaha tanaman padi sawah di Pulau Jawa pada tahun 2013 sebanyak 8.698.015 rumah tangga atau sekitar 61,5 % dari total rumah tangga usaha pertanian tanaman padi di Indonesia.
Namun di sisi lain, hasil Sensus Pertanian tahun 2013 menunjukkan bahwa sebagian besar dari para pekerja di sektor pertanian hidup di bawah garis kemiskinan, yaitu sebanyak 16,66 juta jiwa atau 59,36 % dari total penduduk miskin. Seperti yang telah diketahui sebelumnya, pekerja subsektor tanaman pangan yang mengelola tanaman padi mendominasi jumlah pekerja di sektor pertanian. Hal ini menunjukkan bahwa banyak petani padi di Indonesia yang masih berpendapatan rendah, meskipun harga gabah dari tahun ke tahun selalu mengalami peningkatan. Fenomena di atas tentu menjadi suatu permasalahan yang besar bagi Indoensia. Karena dengan tingkat kesejahteraan yang masih tergolong rendah, orang akan terdorong untuk mencari pekerjaan yang memberikan tingkat kesejahteraan yang lebih baik. Dengan demikian, semakin berkuranglah minat seseorang untuk bekerja di sektor pertanian, sehingga banyak tenaga kerja sektor pertanian yang berpindah ke sektor lain untuk mendapatkan kesejahteraan yang lebih baik. Selain hal tersebut, keberlanjutan sektor pertanian tanaman padi sawah sedang dihadapkan pada ancaman serius lain, yakni luas lahan pertanian yang terus menyusut akibat konversi lahan pertanian produktif ke penggunaan non-pertanian, seperti pembangunan pabrik, perumahan, industri, dan infrastruktur lainnya. Menurut data BPS, laju konversi lahan sawah mencapai 100 ribu hektar per tahun, dan hanya mampu diimbangi oleh pemerintah dengan pencetakan 40 ribu hektar lahan sawah baru setiap tahunnya. Artinya, setiap tahun rata-rata terdapat 60 ribu hektar lahan sawah yang lenyap.
Dalam jangka panjang, jika berbagai permasalahan di atas tidak diatasi dengan cepat, maka tidak akan ada lagi orang yang berminat bekerja di sektor pertanian. Akibatnya, produksi beras dalam negeri berkurang, sementara konsumsi beras di Indonesia akan meningkat seiring dengan bertambahnya jumlah penduduk. Hal ini akan mengancam ketahanan pangan Nasional, bahkan swasembada pangan yang dicanangkan Pemerintah akan sulit untuk terwujud. Untuk itu, sektor pertanian harus dipertahankan sehingga petani padi sawah dapat bertahan di tengah perkembangan zaman yang semakin lama semakin menggerus lahan mereka. Bahkan dapat membuat sektor pertanian menjadi pekerjaan yang mudah dengan pendapatan yang tinggi, sehingga petani padi sawah dapat berkembang dengan baik dan tidak perlu khawatir akan krisis ketahanan pangan di dalam negeri.
Tujuan penelitian ini adalah untuk mendeskripsikan pendapatan dan karakteristik perilaku petani padi sawah di Pulau Jawa tahun 2013 serta menganalisis faktor-faktor yang memengaruhinya. Penelitian serupa dilakukan oleh Phahlevi (2013) mengenai pendapatan petani padi sawah di Kota Padang Panjang. Dalam penelitiannya, variabel yang digunakan yaitu luas lahan, harga jual padi sawah, biaya usaha tani, dan jumlah produksi. Dengan menggunakan analisis jalur (Path Analysis) diperoleh bahwa semua variabel berpengaruh signifikan terhadap pendapatan petani, kecuali biaya usaha tani.
Sementara, penelitian yang dilakukan oleh Rosmiati (2012) menunjukkan bahwa adanya kredit menyebabkan peningkatan penggunaan input produksi, hasil produksi dan pendapatan usahatani. Kemudian dalam penelitian Bachtar dkk (2013) menunjukkan bahwa secara parsial pencurahan tenaga kerja, dan frekuensi mengikuti penyuluhan/pelatihan berpengaruh signifikan terhadap pendapatan petani. Zikrina dkk (2013) dalam penelitiannya menunjukkan bahwa produktivitas padi organik, harga urin sapi dan upah tenaga kerja berpengaruh signifikan terhadap pendapatan petani padi organik, sementara harga bibit, harga pupuk kandang, harga pestisida organik, dan biaya pemasaran tidak berengaruh signifikan terhadap pendapatan petani padi organik.
2. METODOLOGI 2.1 Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data sekunder dari BPS, yaitu Survei Pendapatan Rumah Tangga Usaha Petanian (SPP) tahun 2013. Sampel yang digunakan dalam survei ini sebanyak 418.060 rumah tangga, yang mencakup seluruh kabupaten/kota di Indonesia. 2.2 Metode Analisis
Penelitian ini menggunakan analisis deskriptif berupa grafik dan tabel. Sementara analisis inferensia yang digunakan adalah regresi robust MM-estimate. Dalam analisis regresi, tahapan analisis yang diakukan adalah :
1. Pendeteksian outlier
Pendeteksian
outlierpada variabel independen dan variabel dependen serta
pengaruhnya terhadap model regresi dan koefisien regresi, dapat dilakukan
dengan cara berikut (Neter, 1989).
a. Identifying Outlying X Observation - Hat Matrix Leverage Value
Suatu amatan ke-i dicurigai sebagai high leverage point apabila nilai leverage
ℎ > � �⁄ , dengan p=7 dan n=84.201. Hasil perhitungan yang diperoleh
� �
⁄ = ⁄ . = , .
b. Identifying Outlying Y Observation - Studentized Deleted Residuals Nilai studentized deleted residuals ∗ dihitung menggunakan rumus
∗= [ �−�−
��� −ℎ −� ] dengan = � − �̂
(1)
Suatu amatan ke-i dikatakan outlier apabila ∗> � ; � − � − . Dengan =, , n=84.201 dan p=7, maka � , ; . − − =1,645. c. Influence on Fitted Values – DFFITS
Nilai DFFITS dihitung dengan rumus
= [��� −ℎ −��−�− ] −ℎℎ = ∗ ℎ−ℎ
(2)
Suatu amatan ke-i dikatakan sebagai amatan yang berpengaruh terhadap model regresi apabila nilai |DFFITS| > √��. Dengan p=7, dan n=84.201, maka
|DFFITS| > √��= |DFFITS| > √ 4. = , .
d. Influence on The Regression Coefficient – DFBETAS Nilai DFBETAS dihitung menggunakan rumus
4
8%
92%
Pernah Tidak Pernah
Suatu amatan ke-i dikatakan berpengaruh terhadap koefisien ke-j apabila amatan tersebut memiliki nilai | | >
√�. Dengan n=84.201, maka √�=√ 4. =
, .
2. Analisis Regresi Robust dengan MM-estimate
Metode analisis regresi robust merupakan regresi yang tegar/robust yang digunakan ketika data mengandung outlier. Adapun dalam analisisnya, digunakan software R (MASS package). Estimasi dilakukan dengan mempertimbangkan weight karena desain survei yang digunakan merupakan desain survei yang kompleks. Metode estimasi yang digunakan yaitu MM-estimate. Dipilih MM-estimate karena lebih efisien dibanding estimasi regresi robust yang lain, selain itu memiliki high breakdown point sehingga dapat mengakomodasi outlier pada variabel dependen maupun pada variabel independen (leverage).
3. HASIL DAN PEMBAHASAN 3.1 Gambaran umum petani padi sawah di Pulau Jawa tahun 2013
Pendapatan petani padi sawah di Pulau Jawa tahun 2013 masih tergolong rendah. Hal ini dapat kita lihat pada gambar berikut.
Gambar 1. Persentase petani padi sawah di Pulau Jawa tahun 2013 menurut kategori pendapatan setahun yang lalu
Menurut gambar di atas, 94, 03% petani padi sawah di Pulau Jawa tahun 2013 memiliki pendapatan rendah, yaitu < 18 juta per tahun. Ini menunjukkan bahwa secara umum kondisi petani padi sawah di Pulau Jawa tahun 2013 masih berpenghasilan rendah, sedangkan yang berpenghasilan di atas cukup hanya sebagian kecil saja. Artinya bahwa terdapat banyak petani padi sawah di Pulau Jawa yang masih berada pada taraf hidup yang rendah, sehingga sulit untuk memenuhi kebutuhan sehari-hari.
Kemudian, proporsi penggunaan jenis lahan sawah di Pulau Jawa tahun 2013 besarnya sama, yaitu 50% lahan sawah irigasi dan 50 % lahan non irigasi. Fakta tersebut mengindikasikan bahwa masih banyak petani padi sawah yang menggunakan lahan sawah non irigasi, yaitu yang irigasinya masih bergantung pada alam, seperti hujan, air rembesan, pasang surut air sungai/laut, dll. Pada umumnya, petani padi sawah di Pulau Jawa tidak pernah mengajukan kredit ke bank. Perhatikan gambar berikut.
94,03% 3,52%1,19%
1,26%
22%
78%
Ikut Tidak Ikut
Ya 0,3%
Tidak 99,7%
Gambar 2. Persentase petani padi sawah di Pulau Jawa tahun 2013 yang mengajuan fasilitas kredit ke bank tiga tahun yang lalu.
Gambar di atas menunjukkan bahwa 92% petani padi sawah di Pulau Jawa tidak pernah mengajukan fasilitas kredit ke bank, artinya hanya 8% yang pernah mengajukan kredit ke bank. Artinya, secara umum petani padi sawah di Pulau Jawa tahun 2013 mengalami kesulitan modal dalam proses produksinya, sehingga proses produksi yang dilakukan menjadi tidak optimal yang menyebabkan pendapatan yang dihasilkan juga tidak optimal.
Dalam meningkatkan SDM petani padi sawah yang lebih baik, terdapat beberapa program penyuluhan pertanian. Namun, keikutsertaan petani padi sawah dalam penyuluhan pertanian juga masih tergolong rendah.
Gambar 3. Persentase petani padi sawah di Pulau Jawa tahun 2013 yang mengikuti penyuluhan pertanian.
Menurut gambar di atas, hanya 22% petani padi sawah yang mengikuti penyuluhan pertanian sedangkan 78% tidak pernah ikut penyuluhan. Hal ini membuktikan bahwa kesadaran petani padi sawah di Pulau Jawa tahun 2013 tentang pentingnya penyuluhan pertanian masih rendah. Masih banyak yang melakukan teknik menanam padi secara turun temurun atau secara otodidak, tidak ingin mengetahui teknologi dan terobosan-terobosan baru, atau pangsa pasar pada pertanian padi sawah. Sehingga hal ini menimbulkan ketidakefisienan kerja petani padi sawah, sehingga produksi yang dilakukan membuahkan hasil yang kurang optimal, pendapatan yang diperoleh pun menjadi kurang optimal.
Hampir secara keseluruhan petani padi sawah di Pulau Jawa tahun 2013 tidak memanfaatkan fasilitas koperasi untuk memasarkan hasil pertaniannya. Perhatikan gambar berikut.
Gambar 4. Persentase petani padi sawah di Pulau Jawa tahun 2013 yang memanfaatkan fasilitas koperasi untuk memasarkan hasil pertanian.
6
3.2 Model Regresi Robust Pendapatan Petani Padi Sawah
Dari hasil pengujian nilai leverage, disimpulkan bahwa terdapat 1.636 amatan hasil estimasi yang merupakan leverage. Sementara itu, dari nilai Studentized Deleted Reidual (SDR), ditemukan 185.381 amatan hasil estimasi yang merupakan outlier.
Berdasarkan hasil pengukuran nilai DFFITS, dari 1.636 leverage, seluruhnya merupakan amatan yang berpengaruh. Sementara itu dari 185.381 outlier, sebanyak 99.905 amatan merupakan amatan yang berpengaruh. Hal ini menunjukkan bahwa sebagian besar outlier (53,89%) merupakan amatan yang berpengaruh. Artinya bahwa baik leverage maupun outlier yang terdeteksi sebagian besarnya adalah amatan yang berpengaruh terhadap model regresi yang ditinjau dari fitnya. Sehingga, amatan-amatan tersebut tidak boleh dibuang begitu saja, namun harus tetap diikutsertakan dalam analisis.
Dari penghitungan DFBETAS menunjukkan dari 1.636 leverage dan 185.381 outlier, terdapat sebagian amatan leverage dan outlier tersebut berpengaruh ke seluruh koefisien regresi. Hal ini menunjukkan bahwa memang sebaiknya amatan-amatan yang terdeteksi sebagai leverage dan outlier tersebut tetap diikutsertakan dalam analisis.
Uji Signifikansi Simultan (Uji F) Hipotesis yang diuji adalah :
: = , � = , , … , (tidak terdapat pengaruh signifikan dari variabel independen secara simultan terhadap variabel dependen)
: minimal ada satu ≠ , � = , , … , (paling sedikit terdapat satu variabel independen yang berpengaruh signifikan terhadap variabel dependen)
Uji Signifikansi Parsial (Uji t)
: = , � = , , … , (variabel independen ke-j tidak berpengaruh signifikan terhadap variabel dependen)
: ≠ , � = , , … , (variabel independen ke-j berpengaruh signifikan terhadap variabel dependen)
Berikut merupakan hasil regresi robust yang dilakukan. Tabel 1. Hasil regresi robust MM-estimate dengan penimbang
Estimasi Koefisien
Regresi
Std. Error t-hitung p-value Keputusan
(1) (2) (3) (4) (5) (6)
(Constant) 329,7180 8,1269 40,5712 0,0000 Tolak Ho Irigasi 0,4169 0,0018 231,4086 0,0000 Tolak Ho Non Irigasi 0,0424 0,0022 19,3380 0,0000 Tolak Ho LPanen 0,8254 0,0008 1037, 1900 0,0000 Tolak Ho DKredBank -61,3526 23,2735 -2,6362 0,0083 Tolak Ho DPenyuluhan 23,4241 14,9935 1,5623 0,1182 Gagal
Tolak Ho Dpemasaran 290,1335 129,2630 2,2445 0,0248 Tolak Ho
R-Square adj 0,5
F-Hitung 17217,84 (p-value = 0,000)
Standard
Error 16650
Menurut tabel 1, dengan tingkat signifikansi 5 persen, terdapat minimal satu variabel independen yang berpengaruh terhadap pendapatan petani padi sawah. Variabel independen yang berpengaruh signifikan secara parsial yaitu luas lahan irigasi, luas lahan non irigasi, luas panen, kredit bank, dan pemasaran. Persamaan yang dibentuk dari hasil regresi di atas adalah sebagai berikut.
Pendapatan̂ = , + , Irigasi∗+ , NonIrigasi∗+
, LPanen∗− , DKredBank∗+ , DPenyuluhan +
, DPemasaran∗ (4)
*Signifikan pada taraf uji 5 persen
R2 yang dihasilkan adalah sebesar 0,6139. Artinya bahwa 61 persen keragaman pendapatan petani padi sawah di Pulau Jawa tahun 2013 dapat dijelaskan oleh variabel-variabel independen dalam model, sementara itu 39 persen sisanya dipengaruhi oleh faktor-faktor lain di luar model. Berdasarkan persamaan model yang terbentuk, dapat dilihat interpretasi dari setiap koefisien regresi dari variabel independennya sebagai berikut.
a. Luas lahan sawah irigasi
Koefisien regresi luas lahan sawah irigasi sebesar 0,4169. Artinya bahwa peningkatan luas lahan sawah irigasi seluas 1 m2 akan meningkatkan pendapatan petani padi sawah sebesar Rp416,9 dengan asumsi variabel lainnya konstan. Hal ini sejalan dengan penelitian Nababan (2009). Oleh karena itu, perluasan penggunaan lahan sawah irigasi dapat menjadi salah satu alternatif untuk meningkatkan pendapatan petani padi sawah.
b. Luas lahan sawah non irigasi
Koefisien regresi luas lahan sawah non irigasi sebesar 0,0424. Artinya bahwa peningkatan luas lahan sawah non irigasi seluas seluas 1 m2 akan meningkatkan pendapatan petani padi sawah sebesar Rp42,4 dengan asumsi variabel lainnya konstan. Hal ini juga sejalan dengan penelitian Nababan (2009). Oleh karena itu, perluasan penggunaan lahan sawah non irigasi juga dapat menjadi salah satu alternatif setelah perluasan penggunaan lahan sawah irigasi untuk meningkatkan pendapatan petani padi sawah.
c. Luas panen
Koefisien regresi luas panen sebesar 0,8254. Artinya bahwa peningkatan luas panen seluas 1 m2 akan meningkatan pendapatan petani padi sawah sebesar Rp825,4 dengan asumsi variabel lainnya konstan. Oleh karena itu, peningkatan luas panen dengan ekstensifikasi lahan dapat menjadi salah satu alternatif yang tepat untuk meningkatkan pendapatan petani padi sawah. d. Pengajuan fasilitas kredit ke bank
Koefisien regresi dummy kredit bank sebesar -61,3526. Artinya bahwa secara rata-rata, petani padi sawah yang pernah mengajukan kredit ke bank selama 3 tahun terakhir memiliki pendapatan sebesar Rp61.352,6 lebih rendah daripada petani padi sawah yang tidak pernah mengajukan kredit ke bank, dengan asumsi variabel lain konstan. Hal ini menunjukkan bahwa pengajuan kredit ke bank untuk tambahan modal dalam berproduksi tidak serta merta dapat meningkatkan pendapatan petani padi sawah. Hal ini menurut penelitian Santosa (2009), menyatakan bahwa pinjaman kredit yang didapat petani tidak digunakan dengan baik untuk pengembangan usaha tani, namun digunakan untuk keperluan lain seperti membayar hutang, membayar uang sekolah, membayar arisan, dan membeli kebutuhan pokok sehari-hari.
e. Keikutsertaan dalam penyuluhan pertanian
Koefisien regresi dummy penyuluhan sebesar 23,4241. Artinya bahwa secara rata-rata, petani padi sawah yang pernah ikut dalam penyuluhan pertanian memiliki pendapatan sebesar Rp23.424,1 lebih tinggi daripada petani padi sawah yang tidak pernah ikut dalam penyuluhan pertanian, dengan asumsi variabel lain konstan.
8
dengan kebutuhan masing-masing daerah di Pulau Jawa.Pemanfaatan fasilitas koperasi dalam pemasaran hasil pertanian
f. Koefisien regresi dummy pemasaran sebesar 290,1335. Artinya bahwa secara rata-rata, petani padi sawah yang pernah memanfaatkan fasilitas koperasi untuk memasarkan hasil pertanian memiliki pendapatan sebesar Rp290.133,5 lebih tinggi dari pada petani padi sawah yang belum pernah melakukannya, dengan asumsi variabel lain konstan. Oleh karena itu, pemanfaatan fasilitas koperasi dalam pemasarkan hasil pertanian dapat menjadi satu langkah alternatif lain dalam meningkatkan pendapatan petani padi sawah.
Perbandingan dengan regresi OLS
Tabel 2. Hasil regresi OLS dengan penimbang
Oleh karena estimasi yang dilakukan menggunakan OLS, terdapat asumsi-asumsi yang harus terpenuhi. Berdasarkan hasil regresi OLS dengan penimbang, asumsi yang terlanggar yaitu kenormalan dan homoskedasitas (Lampiran 7 dan 8). Seperti pembahasan sebelumnya, dengan adanya keberadaan outlier yang berpengaruh, maka outlier tersebut tidak boleh dikeluarkan begitu saja dari permodelan. Oleh karena terdapat beberapa asumsi yang masih terlanggar, apabila OLS tetap digunakan dalam permodelan maka varians yang dihasilkan menjadi tidak minimum, sehingga estimasi yang dihasilkan menjadi tidak efisien. Oleh karena itu, permodelan yang lebih baik digunakan yaitu regresi robust MM-estimate dengan penimbang, meskipun standard error
yang dihasilkan lebih besar dibandingkan dengan regresi OLS. Hal ini menurut (Jacoby,
2005) disebabkan oleh adanya
leverage,sehingga ketika dilakukan dengan estimasi OLS,
standard erroryang dihasilkan menjadi
underestimate.Sementara itu, R
2adj yang
dihasilkan adalah sebesar 0,5.
4. KESIMPULAN
Berdasarkan hasil dan pembahasan yang telah dilakukan, dapat disimpulkan beberapa hal sebagai berikut.
Estimasi Koefisien
Regresi
Std. Error t-hitung p-value Keputusan
(1) (2) (3) (4) (5) (6)
(Constant) 488,237 3,433 142,212 ,000 Tolak Ho
Irigasi 1,625 ,001 2135,269 ,000 Tolak Ho
Non Irigasi ,826 ,001 891,288 ,000 Tolak Ho
LPanen ,310 ,000 921,375 ,000 Tolak Ho
DKredBank 328,717 9,832 33,434 ,000 Tolak Ho
DPenyuluhan 215,878 6,334 34,083 ,000 Tolak Ho
Dpemasaran -400,788 54,607 -7,340 ,000 Tolak Ho
R-Square adj 0,630
F-Hitung 2292111,670 (p-value = 0,000)
Standard
Error 7429,496
1. Secara umum, pendapatan petani padi sawah di Pulau Jawa tahun 2013 masih tergolong rendah. Proporsi penggunaan jenis lahan sawah irigasi dan non irigasi oleh petani padi sawah di Pulau Jawa tahun 2013 adalah sama besar. Kemudian, sebagian besar petani padi sawah tidak pernah mengajukan kredit ke bank. Sementara itu, hanya sebagian kecil petani padi sawah yang pernah mengikuti penyuluhan pertanian dan hampir secara keseluruhan petani padi sawah tidak pernah memanfaatkan fasilitas koperasi untuk memasarkan hasil pertanian mereka.
2. Berdasarkan perbandingan dengan regresi OLS, permodelan yang lebih baik digunakan dalam penelitian ini yaitu regresi robust MM-estimate dengan penimbang. Hasil regresi robust MM-estimate dengan penimbang menunjukkan bahwa variabel independen yang berpengaruh signifikan pada tingkat signifikansi 5 persen adalah luas lahan irigasi dan non irigasi, luas panen, dummy kredit bank, dan dummy pemasaran. Variabel independen yang berpengaruh positif terhadap variabel dependen antara lain : luas lahan irigasi dan non irigasi, luas panen, dan dummy pemasaran. Sementara, variabel dummy kredit bank berpengaruh negatif terhadap variabel dependen.
5. SARAN
1. Pemerintah harus mengadakan upaya untuk meningkatkan produksi dan pendapatan petani padi sawah dengan meningkatkan penggunaan lahan irigasi. Hal ini dapat dilakukan dengan meningkatkan perbaikan sistem irigasi, sehingga petani padi sawah tidak perlu untuk terlalu mengandalkan kondisi alam untuk mengairi sawahnya.
2. Selain itu, perlu dilakukan evaluasi program penyuluhan pertanian bagi petani padi sawah, karena program penyuluhan yang dilakukan selama ini dinilai belum efektif.
10
DAFTAR PUSTAKA
Badan Pusat Statistik. (2013). Sensus Pertanian 2013. Jakarta : Badan Pusat Statistik. Bachtar, dkk. (2013). Pengaruh Sumber Daya Manusia (SDM) Petani terhadap Pendapatan
Petani Padi Sawah (Studi Kasus : Desa Pematang Setrak, Kec Teluk Mengkudu, Kab Serdang Bedagai). Medan : Universitas Sumatera Utara.
Direktorat Pangan dan Pertanian Kementrian PPN/Bapenas. (2014). Analisis Rumah Tangga, Lahan, dan Usaha Pertanian di Indonesia : Sensus Pertanian 2013. Jakarta.
Filardi dan Septina. (2014). Faktor-Faktor Sosial Ekonomi yang Mempengaruhi Pendapatan Usahatani Padi Sawah Petani Kooperator di Desa Sungai Geringging Kecamatan Kampar Kiri Kabupaten Kampar. Riau : Universitas Islam Riau.
Jacoby, W. (2005). Regression III, Advance Method, diakses pada 10 Juni 2017 melalui http://www.onurtoka.com.tr/yonetim/upload/source/11.Outliers.pdf.
Kementrian Pertanian. (2014). Statistik Lahan Pertanian tahun 2009-2013. Jakarta : Kementrian Pertanian.
Mailusiana, S F.(2012). Analisis Faktor-Faktor Sosial Ekonomi Terhadap Pendapatan
Usahatani Padi pada Lahan Sawah Tadah Hujan di Kabupaten Sukoharjo. Surakarta : Universitas Sebelas Maret.
Nababan, C. (2009). Analisis Faktor-Faktor yang Memengaruhi Pendapatan Petani Jagung di Kecamatan Tiga Binangka Kabupaten Karo.[Skripsi].Sumatera Utara: Universitas Sumatera Utara.
Neter, J. dkk. (1989). Applied Linear Regression Models (Second Edition). Boston: Irwin. Phahlevi, Rico. (2013). Faktor-Faktor yang Mempengaruhi Pendapatan Petani Padi Sawah di
Kota Padang Panjang. Padang : Universitas Negeri Padang.
Rosmiati, Mia. (2012). Pengaruh Kredit terhadap Perilaku Ekonomi Rumah Tangga Petani Padi Sawah : Aplikasi Model Ekonomi Rumah Tangga Usaha Tani. Bandung : Institut Teknologi Bandung.
Zikrina, dkk. (2013). Faktor-Faktor yang Mempengaruhi Pendapatan Petani Padi Organik di Kabupaten Serdang Bedagai (Studi Kasus Desa Lubuk Bayas, Kecamatan
LAMPIRAN Lampiran 1. Pendeteksian outlier pada variabel x (leverage)
Frekuensi Persentase
(1) (2) (3)
Bukan Leverage 8084694 99,98
Leverage 1636 0,02
Lampiran 2. Pendeteksian outlier pada variabel y Frekuensi Persentase
(1) (2) (3)
Bukan Outlier 7900949 97,71
Outlier 185381 2,29
Lampiran 3. Outlier pada variabel independen (x)/leverage dan variabel dependen (y) yang memiliki pengaruh terhadap model regresi yang ditinjau dari nilai fitnya (DFFITS)
DFFITS Leverage Outlier
(1) (2) (3)
Berpengaruh 1636 99905
(100%) (53,89%)
Tidak Berpengaruh - 85476
(46,11%)
Total 1636 185381
(100%) (100%)
Lampiran 4. Outlier pada variabel independen (x) dan variabel dependen (y) yang memiliki pengaruh terhadap koefisien persamaan regresinya (DFBETAS)
Koefisien Leverage Outlier
(1) (2) (3)
Intercept 1636 183122
(100%) (98,78%)
Irigasi 1407 2306
(86,00%) (1,24%)
NonIrigasi 1299 1969
(79,40%) (1,06%)
LPanen 1171 655
(71,58%) (0,35%)
DKredBank 1636 185381
(100%) (100%)
DPenyuluhan 1636 185381
(100%) (100%)
12
(100%) (97,62%)
Lampiran 5. Regresi OLS dengan Survey weight Model Summary
Model R R Square
Adjusted R Square
Std. Error of the Estimate
1 ,794a ,630 ,630 7429,496
a. Predictors: (Constant), DPemasaran, LPanen, DKredBank, DPenyuluhan, NonIrigasi, Irigasi
ANOVAa
Model
Sum of
Squares df Mean Square F Sig.
1 Regression 759111842284
956,400 6
126518640380
826,080 2292111,670 1
Residual 446344131154
777,600 8086323 55197415,581 Total 120545597343
9734,000 8086329 a. Dependent Variable: Pendapatan
b. Predictors: (Constant), DPemasaran, LPanen, DKredBank, DPenyuluhan, NonIrigasi, Irigasi
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 488,237 3,433 142,212 ,000
Irigasi 1,625 ,001 ,592 2135,269 ,000
NonIrigasi ,826 ,001 ,208 891,288 ,000
LPanen ,310 ,000 ,260 921,375 ,000
DKredBank 328,717 9,832 ,007 33,434 ,000
DPenyuluhan 215,878 6,334 ,007 34,083 ,000
DPemasaran -400,788 54,607 -,002 -7,340 ,000
Lampiran 6. Pengujian Multikolineraritas
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 488,237 3,433 142,212 ,000
Irigasi 1,625 ,001 ,592 2135,27 ,000 ,596 1,677
NonIrigasi ,826 ,001 ,208 891,288 ,000 ,843 1,187
LPanen ,310 ,000 ,260 921,375 ,000 ,576 1,737
DKredBank 328,717 9,832 ,007 33,434 ,000 ,990 1,010
DPenyuluhan 215,878 6,334 ,007 34,083 ,000 ,989 1,011
DPemasaran -400,79 54,607 -,002 -7,340 ,000 ,997 1,003
a. Dependent Variable: Pendapatan
Lampiran 7. Pengujian Normalitas
One-Sample Kolmogorov-Smirnov Test Unstandardize
d Residual
N 84197
Normal Parametersa,b Mean -8,9173737 Std. Deviation 8000,0636857 Most Extreme
Differences
Absolute ,234
Positive ,234
Negative -,225
Test Statistic ,234
Asymp. Sig. (2-tailed) ,000c
a. Test distribution is Normal. b. Calculated from data.
14 Lampiran 8. Pengujian Heteroskedastis
Uji glejser
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 42,454 2,233 19,013 ,000
Irigasi ,692 ,000 ,450 1398,222 ,000
NonIrigasi ,527 ,001 ,237 874,438 ,000
LPanen ,197 ,000 ,294 899,464 ,000
DKredBank 244,553 6,394 ,010 38,244 ,000
DPenyuluhan 46,708 4,120 ,003 11,338 ,000
DPemasaran 818,190 35,515 ,006 23,038 ,000
a. Dependent Variable: Res_hetero
Lampiran 9. Regresi Robust MM Estimate
> library(MASS)
> mm<-rlm(Pendapatan~Irigasi+NonIrigasi+LPanen+DKredBank+DPenyuluhan+D Pemasaran, data=DataCan, weights = DataCan$weight, method="MM", maxit= 40)
> summary(mm)
Call: rlm(formula = Pendapatan ~ Irigasi + NonIrigasi + LPanen + DKred Bank +
DPenyuluhan + DPemasaran, data = DataCan, weights = DataCan$weight ,
Min 1Q Median 3Q Max -8.842e+06 -7.986e+03 -8.112e+01 1.197e+04 5.696e+06
Coefficients:
Value Std. Error t value (Intercept) 329.7180 8.1269 40.5712 Irigasi 0.4169 0.0018 231.4086 NonIrigasi 0.0424 0.0022 19.3380 LPanen 0.8254 0.0008 1037.1900 DKredBank -61.3526 23.2735 -2.6362 DPenyuluhan 23.4241 14.9935 1.5623 DPemasaran 290.1335 129.2630 2.2445
Residual standard error: 16650 on 84190 degrees of freedom (4 observations deleted due to missingness)
> w<-data.frame(mm$weights) > SSEw<-sum(w*mm$res*mm$res) > SSEw
[1] 6.192905e+14
> a<-mean(DataCan$Pendapatan) > SS<-(DataCan$Pendapatan-a) > SSTw<-sum(w*SS*SS)
> SSTw
[1] 1.23791e+15 > library(stats)
> b<-data.frame(predict(mm)) > c<-b-a
> SSRw<-sum(w*c*c) > SSRw
[1] 7.599129e+14 > RSquare<-SSRw/SSTw > RSquare
[1] 0.6138679 > MSEw<-SSEw/84190 > MSEw
[1] 7355867891 > MSRw<-SSRw/6 > MSRw
[1] 1.266522e+14 > FHitung<-MSRw/MSEw > FHitung
[1] 17217.84
> MSTw<-SSTw/84196 > MSTw
[1] 14702712816
> adjRSquare<-1-(MSEw/MSTw) > adjRSquare