55 BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
A. Gambaran Umum Indonesia
Letak Indonesia secara astronomis berada pada koordinat 6֯ 04’ 30’’
Lintang Utara, 11֯ 00’ 36 Lintang Selatan dan di antara 94֯ 58’ 21’’ sampai 141֯ 01’ 10’’ Bujur Timur serta dilalui oleh garis khatulistiwa yang terletak pada garis lintang 00. Luas wilayah daratan negara Indonesia 1.919.220 km2 dan luas lautannya 3.273.810 km2. Batas lautan 12 mil dan Zona Ekonomi Eksklusif (ZEE) 200 mil. Berdasarkan posisi geografisnya kepulauan Indonesia berada di antara Benua Asia dan Benua Australia, serta di antara Samudera Hindia dan Samudera Pasifik. Indonesia memiliki ribuan pulau yang terhubung oleh berbagai selat dan laut, jumlah pulau yang terdaftar pada Perserikatan Bangsa-Bangsa (PBB) pada tahun 2017 adalah 16.056 pulau.
Keputusan Presiden Nomor 6 Tahun 2017 tentang Penetapan Pulau- Pulau Kecil Terluar dengan jumlah 111 pulau digunakan untuk menentukan garis pangkal wilayah Indonesia dengan negara lain.
Indonesia memiliki lima pulau besar dan empat kepulauan dengan 34 provinsi meliputi (BPS, 2020):
1. Pulau Sumatra: Provinsi Aceh, Sumatra Utara, Sumatra Barat, Riau, Jambi, Sumatra Selatan Bengkulu dan Lampung.
2. Kepulauan Riau: Provinsi Kepulauan Riau.
commit to user
3. Kepulauan Bangka Belitung: Provinsi Bangka Belitung
4. Pulau Jawa: Provinsi DKI Jakarta, Jawa Barat, Banten, Jawa Tengah, DI Yogyakarta dan Jawa Timur.
5. Kepulauan Nusa Tenggara: Provinsi Bali, Nusa Tenggara Barat dan Nusa Tenggara Timur.
6. Pulau Sulawesi: Provinsi Sulawesi Utara, Gorontalo, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Barat dan Sulawesi Tenggara.
7. Kepulauan Maluku: Provinsi Maluku dan Maluku Utara 8. Pulau Papua: Provinsi Papua dan Papua Barat.
Indonesia memiliki batas-batas geografis meliputi (BPS, 2020):
1. Batas Utara: Negara Malaysia, Singapura, Vietnam, Filipina, Thailand dan Laut China Selatan.
2. Batas Selatan: Negara Australia dan Timor Leste.
3. Batas Timur: Negara Papua Nugini dan Samudera Pasifik.
4. Batas Barat: Samudera Hindia.
Peta Indonesia ditunjukkan pada gambar 4.1 sebagai berikut:
commit to user
Gambar 4. 1
Peta Negara Indonesia Tahun 2015
Sumber: Badan Informasi Geospasial (BIG) (2015)
Secara administrasi Indonesia terbagi menjadi 34 provinsi, luas wilayah ditunjukkan pada tabel 4.1.
commit to user
Tabel 4. 1
Wilayah Administrasi Pemerintahan Indonesia Tahun 2019 (Km2)
Provinsi Luas Wilayah (Km2)
Aceh 57.956,00
Sumatra Utara 72.981,23
Sumatra Barat 42.012,89
Riau 87.023,66
Jambi 50.058,16
Sumatra Selatan 91.592,43
Bengkulu 19.919,33
Lampung 34.623,80
Kep. Bangka Belitung 16.424,06
Kep. Riau 8.201,72
DKI Jakarta 664,01
Jawa Barat 35.377,76
Jawa Tengah 32.800,69
DI Yogyakarta 3.133,15
Jawa Timur 47.803,49
Banten 9.662,92
Bali 5.780,06
Nusa Tenggara Barat 18.572,32
Nusa Tenggara Timur 48.718,10
Kalimantan Barat 147.307,00
Kalimantan Tengah 153.564,50
Kalimantan Selatan 38.744,23
Kalimantan Timur 129.066,64
Kalimantan Utara 75.467,70
Sulawesi Utara 13.892,47
Sulawesi Tengah 61.841,29
Sulawesi Selatan 46.717,48
Sulawesi Tenggara 38.067,70
Gorontalo 11.257,07
Sulawesi Barat 16.787,18
Maluku 46.914,03
Maluku Utara 31.982,50
Papua Barat 319.036,05
Papua 102.955,15
Indonesia 1.916.955,55
Sumber: Permendagri (2019)
Provinsi dengan wilayah teruas dan terkecil adalah provinsi Papua Barat seluas 319.036,05 km2 dan Provinsi DKI Jakarta seluas 664,01 km2. Total wilayah administrasi Indonesia tahun 2019 adalah 1.916.955,55 km2.
commit to user
B. Deskripsi Variabel Penelitian
1. Nilai Tukar Petani Subsektor Tanaman Pangan (NTPP)
Nilai tukar petani tanaman pangan setiap provinsi berbeda disebabkan kemampuan tukar produk pertanian dengan barang atau jasa untuk keperluan rumah tangga dan keperluan dalam produksi berbeda.
Berdasarkan BPS NTPP tahun 2015-2019 masing-masing provinsi ditunjukkan pada tabel 4.2.
commit to user
Tabel 4. 2
Nilai Tukar Petani Tanaman Pangan di Indonesia Tahun 2015-2019 (Persen/Tahun)
Provinsi 2015 2016 2017 2018 2019
Aceh 95,92 93,54 94,73 90,53 90,30
Sumatera Utara 96,96 98,11 99,39 93,72 93,16 Sumatera Barat 96,18 94,99 96,97 92,02 94,79 Riau 103,65 102,63 102,97 102,11 100,99
Jambi 98,91 99,69 10,07 98,71 100,08
Sumatera Selatan 98,62 100,06 95,03 99,70 100,36
Bengkulu 97,06 96,87 94,49 97,93 99,56
Lampung 102,42 101,04 105,16 116,11 115,39 Kep. Bangka Belitung 97,55 94,41 95,78 92,31 93,08 Kep. Riau 99,50 98,54 97,54 96,30 95,97 DKI Jakarta 102,40 101,22 98,29 99,63 96,97 Jawa Barat 106,73 102,01 104,93 106,06 109,68 Jawa Tengah 98,15 95,45 100,4 102,51 107,41 DI Yogyakarta 97,57 99,99 102,08 105,29 109,57 Jawa Timur 100,34 102,05 104,10 107,31 111,99 Banten 107,84 103,88 99,75 104,51 108,03
Bali 97,28 97,24 104,69 97,84 99,62
Nusa Tenggara Barat 102,48 105,46 105,51 112,04 118,32 Nusa Tenggara Timur 105,04 103,43 102,18 108,25 107,85 Kalimatan Barat 98,70 97,33 96,69 95,42 94,58 Kalimantan Tengah 98,52 97,77 96,60 95,29 94,55 Kalimantan Selatan 102,34 99,44 96,68 93,50 93,68 Kalimantan Timur 95,28 96,61 97,15 94,57 94,20 Kalimantan Utara 95,28 96,61 94,71 96,91 103,5 Sulawesi Utara 96,28 95,75 92,93 93,53 95,80 Sulawesi Tengah 92,18 94,43 95,03 92,65 91,16 Sulawesi Selatan 99,67 100,55 100,85 99,45 100,57 Sulawesi Tenggara 94,20 93,30 95,19 89,04 87,34 Gorontalo 98,30 108,49 105,33 107,28 106,78 Sulawesi Barat 98,39 101,68 106,93 100,15 102,02 Maluku 97,46 99,92 100,89 107,33 108,19 Maluku Utara 105,75 109,14 101,25 100,09 99,53 Papua Barat 96,92 95,02 100,51 95,74 97,08
Papua 87,49 86,64 94,74 85,53 85,27
Indonesia 98,86 98,92 96,74 99,09 100,21 Sumber: BPS (2015-2019)
Berdasarkan tabel 4.2 diketahui bahwa NTPP dari masing provinsi selama tahun 2015-2019 bersifat fluktuatif, sehingga setiap tahunnya kesejahteraan petani mengalami kenaikan dan penurunan. Dari 34 wilayah yang memiliki indeks NTPP di atas 100 atau dikatakan provinsi dengan commit to user
tingkat kesejahteraan petani yang tinggi secara terus-menerus pada tahun 2015-2019 adalah Provinsi Riau, Lampung, Jawa Barat, NTB dan NTT.
Provinsi dengan indeks di bawah 90 terdapat pada Provinsi Papua yang terus mengalami penurunan selama lima tahun dan hanya mengalami kenaikan sekali pada tahun 2017 yang indeks tersebut hanya 94,74 atau masih di bawah indeks kesejahteraan petani. Rata-rata NTPP tahun 2015- 2019 mengalami kenaikan dari tahun 2015 sampai tahun 2016 NTPP mencapai 98,92, pada tahun 2017 NTPP turun menjadi 96,74 dan kembali naik hingga mencapai 100,21 pada tahun 2019.
2. Harga Beras
Harga beras pada tiap wilayah memiliki perbedaan dikarenakan terdapat sejumlah faktor yang mempengaruhi harga seperti, jarak daerah penghasil dengan produsen, jumlah ketersediaan beras dan jumlah distributor yang berperan. Harga beras dari masing-masing provinsi ditunjukkan pada tabel 4.3.
commit to user
Tabel 4. 3
Harga Beras di Indonesia Tahun 2015-2019 (Rupiah/Kg)
Provinsi 2015 2016 2017 2018 2019 Aceh 10.735 10.244 12.050 13.100 12.700 Sumatera Utara 10.147 10.548 13.750 13.500 12.850 Sumatera Barat 12.258 12.790 15.050 15.050 15.500 Riau 11.712 12.270 13.350 13.300 12.800 Jambi 10.336 12.644 13.550 12.450 12.050 Sumatera Selatan 10.644 10.371 12.931 12.650 12.650 Bengkulu 10.420 11.416 17.950 17.800 19.150 Lampung 10.200 13.767 12.050 12.750 12.600 Kep. Bangka Belitung 10.752 9.967 15.500 15.200 16.100 Kep. Riau 12.425 10.573 15.850 15.900 13.700 DKI Jakarta 11.733 12.414 17.950 17.950 17.600 Jawa Barat 10.696 11.231 14.000 14.200 12.900 Jawa Tengah 10.902 10.872 14.800 15.350 14.150 DI Yogyakarta 10.772 10.249 15.950 15.950 15.950 Jawa Timur 10.132 10.553 16.650 12.450 12.200 Banten 17.151 17.379 17.600 17.600 17.550 Bali 10.378 10.581 13.300 12.550 12.400 Nusa Tenggara Barat 14.608 14.721 14.250 14.250 14.250 Nusa Tenggara Timur 10.000 11.085 16.800 15.000 14.750 Kalimatan Barat 12.013 12.477 13.600 13.200 13.150 Kalimantan Tengah 14.728 13.814 13.800 13.550 13.500 Kalimantan Selatan 12.533 12.911 13.400 13.300 13.050 Kalimantan Timur 11.429 11.248 17.050 13.600 13.850 Kalimantan Utara 12.000 13.500 13.150 12.700 12.500 Sulawesi Utara 10.470 11.666 16.800 15.850 16.000 Sulawesi Tengah 10.446 10.925 15.350 12.500 12.750 Sulawesi Selatan 16.041 16.667 16.250 16.250 16.250 Sulawesi Tenggara 10.938 10.552 18.600 18.400 18.450 Gorontalo 10.362 10.358 17.250 17.200 17.200 Sulawesi Barat 10.827 10.774 11.350 10.450 10.650 Maluku 11.440 11.819 13.600 13.500 13.600 Maluku Utara 11.727 12.031 18.700 18.950 18.950 Papua Barat 11.189 12.965 13.250 14.300 13.000 Papua 12.394 12.376 12.900 13.500 12.550 Indonesia 11.604 11.992 14.952 14.536 14.332 Sumber: PIHPS (2015-2019)
Berdasarkan tabel 4.3, diketahui bahwa harga beras dari tiap wilayah mengalami fluktuasi harga yang berbeda-beda. Harga beras paling tinggi dari tahun 2015 terdapat pada Provinsi Sulawesi Selatan, yaitu Rp16.041/kg dan paling rendah pada NTT yaitu Rp 10.000/kg. Harga commit to user
beras paling tinggi pada tahun 2016 pada Provinsi Sulawesi Selatan, yaitu Rp16.667/kg dan paling rendah pada Bangka Belitung yaitu Rp9.967/kg.
Harga beras paling tinggi pada tahun 2017 pada Provinsi Maluku Utara, yaitu Rp18.700/kg dan paling rendah pada Sulawesi Barat yaitu Rp11.350/kg. Harga beras paling tinggi pada tahun 2018 pada Provinsi Maluku Utara, yaitu Rp18.950/kg dan paling rendah pada Sulawesi Barat yaitu Rp10.450/kg. Harga beras paling tinggi pada tahun 2019 pada Provinsi Bengkulu, yaitu Rp19.150/kg dan paling rendah pada Sulawesi Barat yaitu Rp10.650/kg. Rata-rata harga beras tahun 2015-2019 pada tiap provinsi cenderung flultuatif, harga beras tertinggi pada tahun 2017 mencapai Rp14.952/kg dan kembali turun hingga pada tahun 2019 rata- rata harga beras Rp14.332/kg.
3. Produktivitas padi
Produktivitas padi sebagai tolak ukur keberhasilan dalam suatu usaha, produktivitas padi merupakan perbandingan antara hasil yang diterima dengan kapasitas tanah. Produktivitas padi dari masing-masing provinsi memiliki perbedaan dikarenakan luas dari lahan sawah dan produksinya berbeda. Produktivitas padi dari masing-masing provinsi dijelaskan pada tabel 4.4.
commit to user
Tabel 4.4
Produktivitas Padi di Indonesia Tahun 2015-2019 (Ku/Ha)
Provinsi 2015 2016 2017 2018 2019
Aceh 50,56 51,34 53,04 53,54 51,02
Sumatera Utara 51,74 52,05 53,41 50,65 50,32 Sumatera Barat 50,25 50,90 48,97 46,72 47,58
Riau 36,63 37,57 37,44 37,28 36,56
Jambi 44,31 45,57 44,89 44,44 44,67
Sumatera Selatan 48,67 50,03 49,43 51,48 51,99
Bengkulu 44,92 43,29 44,22 45,83 46,03
Lampung 51,49 50,46 43,82 48,61 47,63
Kep. Bangka Belitung 22,85 22,79 27,69 26,53 26,83 Kep. Riau 36,46 33,80 32,73 32,21 32,30 DKI Jakarta 55,95 53,30 53,84 54,76 53,96 Jawa Barat 61,22 60,49 55,81 56,51 58,12 Jawa Tengah 60,25 58,73 56,68 57,63 60,28 DI Yogyakarta 60,65 55,82 53,73 54,81 57,86 Jawa Timur 61,13 59,84 57,15 58,26 61,14
Banten 56,61 56,63 43,95 46,24 48,02
Bali 62,14 60,60 63,09 60,11 60,78
Nusa Tenggara Barat 51,71 46,49 48,01 50,49 53,54 Nusa Tenggara Timur 35,61 35,65 38,85 41,24 40,82 Kalimatan Barat 29,40 27,49 28,77 28,23 28,23 Kalimantan Tengah 35,07 29,01 37,58 36,88 36,87 Kalimantan Selatan 41,87 42,26 42,59 41,09 41,24 Kalimantan Timur 41,20 38,00 37,60 36,95 36,65 Kalimantan Utara 27,27 26,75 31,99 32,88 34,96 Sulawesi Utara 49,05 50,00 46,00 46,47 47,43 Sulawesi Tengah 48,57 48,26 47,08 46,05 45,40 Sulawesi Selatan 52,41 50,72 50,40 49,73 50,03 Sulawesi Tenggara 47,07 40,16 42,31 39,43 38,82 Gorontalo 55,51 52,10 46,81 47,60 47,18 Sulawesi Barat 49,41 45,18 50,91 47,40 48,35
Maluku 55,72 46,11 36,03 38,07 38,50
Maluku Utara 35,11 32,54 36,17 35,87 35,81 Papua Barat 42,12 43,71 44,10 41,89 42,57
Papua 43,95 46,26 47,37 42,57 42,64
Indonesia 46,96 45,40 45,07 44,95 45,41 Sumber: BPS (2015-2019)
Berdasarkan pada tabel 4.4 produktivitas padi mengalami fluktuasi pada tiap wilayah selama lima tahun terakhir, provinsi dengan produktivitas padi paling tinggi selama tahun 2015-2018 terdapat pada Provinsi Bali, commit to user
tetapi pada tahun 2019 produktivitas padi tertinggi terdapat pada Provinsi Jawa Timur. Produktivitas padi paling rendah terdapat pada Provinsi Bangka Belitung selama lima tahun terakhir dan hanya mengalami kenaikan pada tahun 2017. Rata-rata produktivitas padi tahun 2015-2018 mengalami penurunan dari 46,96 ku/ha menjadi 44,95 ku/ha dan naik pada tahun 2019 sebesar 45,41 ku/ha.
4. Produk Domestik Regional Bruto (PDRB)
Besar kecilnya PDRB pada masing-masing wilayah berbeda, hal tersebut dikarenakan adanya perbedaan pendapatan barang dan jasa serta sumber daya alam. PDRB dari masing-masing provinsi ditunjukkan pada tabel 4.5.
commit to user
Tabel 4. 4
Produk Domestik Regional Bruto (PDRB) Perkapita Tahun 2015-2019 Berdasarkan Harga Konstan Tahun 2010
(Ribu Rupiah)
Provinsi 2015 2016 2017 2018 2019
Aceh 22.524 22.835 23.362 24.013 24.590
Sumatera Utara 31.637 32.885 34.183 35.570 37.049 Sumatera Barat 27.080 28.164 29.312 30.477 31.670
Riau 70.769 70.569 70.740 70.750 71.122
Jambi 36.753 37.728 38.833 40.044 41.181 Sumatera Selatan 31.549 32.699 34.059 35.670 37.261 Bengkulu 20.302 21.039 21.751 22.498 23.276 Lampung 24.581 25.568 26.614 27.741 28.935 Kep. Bangka Belitung 33.480 34.132 34.933 35.767 36.238 Kep. Riau 78.625 80.295 79.743 81.293 83.202 DKI Jakarta 142.913 149.831 157.636 165.872 174.137 Jawa Barat 25.845 26.923 27.970 29.161 30.247 Jawa Tengah 23.887 24.959 26.088 27.287 28.576 DI Yogyakarta 22.688 23.565 24.533 25.776 27.190 Jawa Timur 34.271 35.970 37.724 39.588 41.567 Banten 30.813 31.781 32.947 34.202 35.431
Bali 31.093 32.689 34.129 35.905 37.534
Nusa Tenggara Barat 18.475 19.305 19.091 18.028 18.542 Nusa Tenggara Timur 11.087 11.468 11.863 12.276 12.714 Kalimatan Barat 23.456 24.308 25.198 26.109 27.050 Kalimantan Tengah 31.619 32.899 34.370 35.561 36.992 Kalimantan Selatan 27.786 28.540 29.578 30.624 31.413 Kalimantan Timur 128.603 125.385 126.625 127.389 130.859 Kalimantan Utara 76.823 76.635 78.918 80.732 83.308 Sulawesi Utara 29.196 30.679 32.297 33.915 35.512 Sulawesi Tengah 28.778 31.151 32.860 34.411 36.347 Sulawesi Selatan 29.435 31.302 33.234 35.248 37.351 Sulawesi Tenggara 29.202 30.476 31.894 33.285 34.783 Gorontalo 19.474 20.427 21.477 22.540 23.642 Sulawesi Barat 20.250 21.067 22.001 22.951 23.817 Maluku 14.740 15.321 15.942 16.612 17.255 Maluku Utara 17.533 18.177 19.192 20.322 21.171 Papua Barat 60.064 61.242 62.169 64.498 64.683 Papua 41.376 44.342 45.577 48.093 39.854 Indonesia 38.138 39.245 40.495 41.888 43.073 Sumber: BPS (2015-2019)
Berdasarkan tabel 4.4, dalam lima tahun terakhir provinsi dengan PDRB tertinggi ada di Provinsi DKI Jakarta dan paling rendah pada Provinsi commit to user
NTT. Dari tabel tersebut dapat dilihat bahwa PDRB setiap tahun mengalami kenaikan pada setiap provinsi, meskipun ada beberapa provinsi yang turun seperti Provinsi Riau, NTB dan Papua. Berdasarkan data di atas, rata-rata PDRB tahun 2015-2019 naik setiap tahunnya.
C. Hasil Analisis dan Pembahasan
1. Uji MacKinnon, White dan Davidson (Uji MWD)
Pemilihan model menggunakan uji MWD untuk mengetahui model regresi baik menggunakan linear atau log linear dengan cara mencari Z1 dan Z2. Adapun hipotesis yang ditetapkan dengan signifikansi α = 5% (0,05) sebagai berikut:
a. Jika Z1 signifikan secara statistik maka menerima model linear, jika Z1 tidak signifikan maka model menggunakan log linear.
b. Jika Z2 signifikan secara statistik maka menerima model log linear, kila Z1 tidak signifikan maka menggunakan model linear.
Berdasarkan uji MWD model linear diperoleh nilai Z1 yang ditunjukkan pada tabel 4.6, sebagai berikut:
Tabel 4. 5
Uji MWD Model Linear
Variabel Notasi Koefisien t-Statistik Probabilitas Konstanta C -7.807,4690 -1,5367 0,1267 Harga Beras HB -176,0420 -1,5131 0,1326 Produktivitas Padi PDVT -4,2754 -1,5115 0,1330
PDRB PDRB 4,43E-07 1,1833 0,2388
Z1 Z1 -2.873,9550 -1,5524 0,1230
Sumber: Data diolah dengan eviews 10 (2020) commit to user
Berdasarkan uji MWD model linear 4.5 diketahui nilai probabilitas Z1 adalah 0,1230 > 0,05, artinya bahwa model yang baik digunakan adalah model log linear dan menolak model linear. Selanjutnya tabel 4.7 merupakan nilai Z2, sebagai berikut:
Tabel 4. 6
Uji MWD Model Log Linear
Variabel Notasi Koefisien t-Statistik Probabilitas Konstanta C -1.570,2510 -4,3619 0,0000 Harga Beras HB -234,3757 -4,4942 0,0000 Produktivitas Padi PDVT -5,6500 -4,4804 0,0000
PDRB PDRB 5,9700 3,1915 0,0018
Z2 Z2 30,5815 4,5840 0,0000
Sumber: Data diolah dengan eviews 10 (2020)
Berdasarkan hasil uji MWD model log linear pada 4.6, diketahui bahwa nilai probabilitas Z2 adalah sebesar 0,0000 < 0,05, dapat disimpulkan model yang baik digunakan adalah model log linear dan menolak model linear. Hasil nilai Z1 dan Z2 menunjukkan bahwa model loh linear baik digunakan. Jadi penelitian ini memilih menggunakan model log linear untuk menghindari data berdistribusi tidak normal.
2. Hasil Analisis Regresi Data Panel
Hasil analisis regresi data panel dengan tiga model yaitu common effect, fixed effect model dan random effect, dikarenakan pada uji yang terpilih adalah fixed effect maka ditunjukkan pada tabel 4.7:
commit to user
Tabel 4. 7
Hasil Regresi Pengaruh Harga Beras, Produktivitas Padi dan PDRB Terhadap NTPP Di Indonesia
Tahun 2015-2019 Nama
Variabel Notasi Common Effect
Fixed Effect
Random Effect
Konstanta C
55,4995 (4,7956) 0,0000
84,95505 (12,7511) 0,0000
70,4646 (9,2934) 0,0000
Harga Beras HB
8,4742 (3,3441)
0,0010
2,2285 (2,0283)
0,0445
5,2371 (3,2789)
0,0013
Produktivitas Padi
PVT
0,2004 (4,3254)
0,0000
0,2280 (2,3633)
0,0196
0,1735 (3,5455)
0,0005 Produk
Domestik Regional
Bruto
PDRB
-2,7300 (-2,0501)
0,0419
-1,3400 (-2,6365)
0,0094
-2,8800 (-1,8505)
0,0660
R-Squared 0,1473 0,7981 0,0956
F Statistik 9,5659 14,6118 5,8508 Probabilitas (F
Statistik) 0,0000 0,0000 0,0008 Keterangan : Angka dalam tanda kurung adalah t hitung,
Angka yang dicetak miring adalah nilai probabilitas
Sumber : Data diolah dengan eviews 10 (2020)
Selanjutnya untuk menentukan model terpilih dilakukan dengan uji chow, uji hausman dan uji lagrange multiplier sebagai berikut:
commit to user
a. Uji Chow
Pengujian model terbaik dalam penelitian antara common effect dan fixed effect dapat dilakukan melalui uji chow, dengan hipotesis sebagai berikut:
H0 : Jika nilai probabilitas lebih besar dari tingkat signifikan α = 5%
maka model common effect terpilih.
H1 : Jika nilai probabilitas lebih kecil dari tingkat signifikan α = 5%
maka model fixed effect terpilih.
Berdasarkan hasil regresi common effect dan fixed effect dengan menggunakan uji chow diperoleh nilai probabilitasnya, ditunjukkan pada tabel 4.8 sebagai berikut:
Tabel 4. 8 Hasil Uji Chow Redudant Fixed Effect Test
Effects Test Statistic d.f Probability Cross-section F 9,1094 (33,1330) 0,0000 Cross-section Chi-
square
200,9056 33 0,0000
Sumber: Data diolah dengan eviews 10 (2020)
Berdasarkan hasil tabel 4.8 diperoleh nilai statistik adalah 9,1094 dengan nilai df (33,1330) dan nilai probabilitas cross-section F adalah 0,0000 < α = 0,05, maka H0 ditolak dan H1 diterima, sehingga model yang baik digunakan adalah fixed effect.
commit to user
b. Uji Hausman
Dalam penelitian untuk memilih model yang terbaik antara fixed effect dan random effect dapat dilihat melalui uji hausman, dengan hipotesis sebagai berikut:
H0 : Jika nilai probabilitas chi square lebih besar dari tingkat signifikan α = 5% maka model random effect terpilih.
H1 : Jika nilai probabilitas chi square lebih kecil dari tingkat signifikan α = 5% maka model fixed effect terpilih.
Pengujian hasuman dapat dilihat pada tabel 4.9, sebagai berikut:
Tabel 4. 9 Hasil Uji Hausman
Correlated Random Effects - Hausman Test
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Probability Cross-section
random 55,0564 3 0,0000
Sumber: Data diolah dengan eviews 10 (2020)
Berdasarkan hasil uji hausman pada tabel 4.9 didapat nilai Cross- section random sebesar 55,0564 dengan probabilitas 0,0000 (Prob <
0,05), maka hipotesis H0 ditolak dan H1 diterima, artinya model yang tepat untuk regresi data panel adalah model fixed effect.
Uji LM dilakukan apabila pada uji hausman yang terpilih adalah model random effect, akan tetapi pada penelitian ini tidak perlu dilakukan karena pada uji chow dan uji hausman model yang terpilih adalah fixed effect, maka uji LM tidak diperlukan.
Dari hasil uji chow dan uji hausman, diperoleh model terpilih adalah fixed effect. commit to user
3. Uji Asumsi Klasik
Uji asumsi klasik dilakukan terhadap model terpilih, yaitu fixed effect.
Uji asumsi klasik sebagai berikut:
a. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data penelitian berdistribusi normal atau tidak. Uji normalitas dalam penelitian ini dilakukan dengan menggunakan Jarque-Bera, kriteria pengujian yang dilakukan adalah (Winarno, 2015):
1) Data terdistribusi normalitas jika nilai probabilitas Jarque- Bera (JB) hitung > apha 0,05 atau.
2) Data terdistribusi tidak normalitas jika nilai probabilitas Jarque-Bera (JB) hitung < apha 0,05
Hasil pengujian normalitas ditunjukkan pada gambar 4.2, sebagai berikut:
Gambar 4. 2 Hasil Uji Normalitas
Sumber: Data diolah dengan eviews 10 (2020)
0 2 4 6 8 10 12 14 16
-6 -4 -2 0 2 4 6 8
Series: Standardized Residuals Sample 2015 2019 Observations 170
Mean 2.09e-17 Median -0.066937 Maximum 8.487134 Minimum -6.661953 Std. Dev. 2.877439 Skewness 0.362034 Kurtosis 3.237309
Jarque-Bera 4.112519 Probability 0.127932
commit to user
Berdasarkan gambar 4.2, dapat diketahui hasil uji normalitas menunjukkan nilai probabilitas Jarque-Bera (JB) hitung sebesar 0,1279 > 0,05, sehingga dapat diambil kesimpulan bahwa asumsi klasik uji normalitas terpenuhi.
b. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui apakah ada kemiripan antara variabel independen dalam satu model, pengujian ini ditentukan berdasarkan koefisien korelasi, apabila nilai koefisien korelasi > 0,80, maka terindikasi bahwa model terjadi masalah multikolinearitas dan jika nilai koefisien korelasi < 0,80 maka mengalami masalah multikolinearitas (Ghozali, 2016).
Koefisien korelasi pada penelitian ini dapat dilihat pada tabel 4.10, sebagi berikut:
Tabel 4. 10 Uji Multikolinearitas Variabel Harga
Beras
Produktivitas Padii
PDRB
Harga Beras 1 -0,3285 0,0756
Produktivitas Padi -0,3285 1 -0,1294
PDRB 0,0756 -0,2945 1
Sumber: Data diolah dengan eviews 10, 2020
Berdasarkan hasil uji multikolinearitas pada tabel 4.10, diketahui bahwa korelasi antara variabel HB, PVT dan PDRB < 0,80.
Disimpulkan bahwa tidak terdapat masalah multikolinearitas.
commit to user
c. Uji Heteroskedastisitas
Uji heteroskedastisitas dugunakan untuk mengtahui apakah dalam model regresi terjadi ketidaksamaan varian residual (kesalahan pengganggu). Untuk mengetahui ada tidaknya heteroskedastisitas dapat menggunakan uji glejser. Uji glejser dilakukan dengan meregresikan semua variabel bebas terhadap nilai absolute residual (Ghozali, 2016). Kriteria pengujian untuk mengambil keputusan adalah:
1) Data tidak terjadi masalah heteroskedastisitas, apabila nilai probabilitas hitung > alpha 0,05.
2) Data terjadi masalah heteroskedastisitas, apabila nilai probabilitas hitung < alpha 0,05.
Hasil uji heteroskedastisitas pada penelitian ditunjukkan pada tabel 4.11, sebagai berikut:
Tabel 4. 11
Hasil Uji Heteroskedastisitas
Variabel Notasi t-Statistik Probabilitas
Konstanta C -1,1421 0,2555
Harga Beras HB 0,7682 0,4437
Produktivitas Padi PVT 1,1378 0,2572
PDRB PDRB 0,0660 0,9474
Sumber: Data diolah dengan eviews 10 (2020)
Berdasarkan tabel 4.11 diketahui bahwa nilai probabilitas uji glesjer pada variabel independen > 0,05, dengan rincian commit to user
probabilitas HB sebesar 0,4437 > 0,05, probabilitas PVT 0,2572 >
0,05 dan probabilitas PDRB 0,9474 > 0,05, sehingga disimpulkan bahwa model regresi tidak mengalami masalah heteroskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi merupakan suatu model yang menunjukkan hubungan antara observasi pada waktu tertentu yang berbeda satu dengan yang lain. Untuk menditeksi autokorelasi dapat menggunakan metode Durbin-Watson (DW). Kriteria penhujian untuk mengambil keputusan adalah sebagai berikut (Sadono, 2005):
1) 0 < DW < dL: menolak hipotesis nol, ada autokorelasi positif 2) dL < DW < dU: daerah keragu-raguan, tidak ada keputusan 3) dU < DW < 4 – dU: gagal menolak hipotesis nol, tidak ada
keputusan autokorelasi positif atau negatif
4) 4 – dU < DW < 4 – dL: daerah keragu-raguan, tidak ada keputusan
5) 4 – dL < DW < 4: menolak hipotesis nol, ada autokorelasi negatif
Hasil uji autokorelasi dapat dilihat pada tabel 4.12, sebagai berikut:
commit to user
Tabel 4. 12 Hasil Uji Autokorelasi R-squared 0,7981 Mean dependent
var 142,2377
Adjusted R-
squared 0,7435 S.D. dependent
var 89,5769
S.E. of
regression 3,1101 Sum squared resid 1.286,5000 F-statistic 14,6118 Durbin-Watson
stat 1,7551
Prob(F-
statistic) 0,0000
Sumber: Data diolah dengan eviews 10 (2020)
Berdasarkan tabel 4.12 diketahui nilai Durbin Watson adalah 1,7551, dimana dL= 1,7134 dan dU= 1,7851. nilai Durbin Watson dibandingkan dengan nilai dL dan dU yang ditentukan berdasarkan model regresi (k) dan jumlah sampelnya (n).
berdasarkan tabel di atas nilai 1,7851 > 1,7551 < 2,2149 sehingga tidak dapat disimpulkan apakah autokorelasi berpengaruh positif atau negatif, namun pendekatan dengan model fixed effect yang digunakan pada penelitian ini tidak mensyaratkan penelitian terbebas dari masalah autokorelasi, sehingga asumsi adanya autokorelasi dapat di abaikan (Sunendar, 2012).
4. Hasil Analisis Regresi Data Panel
Pengaruh variabel independen harga beras, produktivitas padi dan PDRB terhadap variabel dependen NTPP di Indonesia periode 2015-commit to user
2019 yang dianalisis menggunakan regresi data panel. Hasil estimasi persamaan yang telah dilakukan setelah uji chow dan uji hausman, model yang terpilih adalah fixed effect model, dengan hasil seperti yang ditunjukkan pada tabel 4.13, sebagai berikut:
Tabel 4. 13
Hasil Regresi Faktor yang Mempengaruhi NTPP (Fixed Effect Model)
Variabel Notasi Koefisien t-
Statistik Probabilitas
Konstanta C 84,9550 12,7511 0,0000
Harga Beras HB 2,2285 2,0283 0,0445
Produktivitas Padi PVT 0,2280 2,3633 0,0196
PDRB PDRB -1,3400 -2,6365 0,0094
Sumber: Data diolah dengan eviews 10, 2020
Berdasarkan hasil regresi yang telah dilakukan pada tabel 4.13, hasil dari model persamaan sebagai berikut:
LOGNTPPit = 84,9550 + 2,2285 + 0,2280 + -1,3400 5. Uji Statistik
Berdasarkan estimasi persamaan yang telah dilakukan dengan uji chow dan uji hausman serta untuk menginterprestasikan pada penelitian ini menggunakan Fixed Effect Model.
a. Uji Signifikansi Simultan (Uji Statistik F)
Uji F dilakukan untuk melihat bagaimana pengaruh semua variabel independen secara bersama-sama terhadap variabel dependen (NTPP). Jika model signifikan maka model dapat digunakan untuk commit to user
prediksi/peramalan. Uji F simultan dapat diektahui dengan melihat nilai probabilitasnya dengan kriteria:
1) Jika nilai probabilitas < α = 0,05 maka H0 diterima, artinya semua variabel indenpenden secara bersama-sama berpengaruh terhadap variabel dependen.
2) Jika nilai probabilitas > α = 0,05 maka H1 diterima, artinya semua variabel indenpenden secara bersama-sama tidak berpengaruh terhadap variabel dependen.
Untuk mengetahui F tabel pada tingkat signifikansi 0,05, diperlukan d.f yaitu = n-k-1 (170-3-1= 166), sehingga didapatkan nilai F tabel sebesar 2,66. Hasil uji F pada penelitian ini dapat dilihat pada tabel 4.14, sebagai berikut:
Tabel 4. 14 Hasil Uji F Statistik
Keterangan Hasil Perbandingan
Keputusan Akhir F-Statistik 14,6118 F-Statistik >
F-Tabel
Signifikan
F-Tabel 2,6600
Probabilitas F-
Statistik 0,0000 Probabilitas F-Statistik <
0,05
Signifikan
a = 5% 0,0500
Sumber: Data diolah dengan eviews 10, 2020
Berdasarkan tabel 4.14, diperoleh hasil berupa nilai F-statistik > F- tabel yaitu 14,6118 > 2,66 dan nilai probabilitas sebesar 0,0000 <
0,05. kesimpulannya variabel H1 berupa harga beras, produktivitas commit to user
padi dan PDRB berpengaruh secara bersama-sama terhadap variabel NTPP.
b. Koefisien Determinasi (R2)
R2 dapat digunakan untuk mengukur garis regresi yang palimg cocok dengan datanya atau mengukur total variasi variabel dependen. Apabila nilai koefisien determinasi semakin mendekati angka satu (1) maka garis regresi semakin baik, hal tersebut dikarenakan dapat menjelaskan fakta data secara aktual. Jika nilai koefisien determinasi semakin mendekati nol maka garis regresi data kurang baik. Nilai koefisien determinasi dijelaskan pada tabel 4.15, sebagai berikut:
Tabel 4. 15
Koefisien Determinasi (R2) R-squared 0,7981 Mean dependen
var 142,2377
Adjusted R-
squared 0,7435 S.D. dependent
var 89,5769
S.E. of
regression 3,1101 Sum squared
resid 1286,5000 F-statistic 14,6118 Durbin-Watson
stat 1,7551
Prob(F-
statistic) 0,0000
Sumber: Data diolah dengan eviews 10, 2020
Berdasarkan tabel 4.15, dapat dilihat bahwa nilai Adjusted R- Square (R2) sebesar 0,7435. Hal ini menunjukkan bahwa proporsi
commit to user
pengaruh variabel independen harga beras, produktivitas padi dan PDRB terhadap NTPP sebesar 74,35% sedangkan sisanya 25,65%
dipengaruhi oleh variabel lain yang tidak dijelaskan dalam model.
c. Uji Signifikansi Parameter Individual (Uji t)
Uji t digunakan untuk mengetahui bagaimana pengaruh masing-masing variabel independen secara sendiri-sendiri terhadap variabel dependen. Uji ini dilakukan dengan membandingkan nilai probabilitas setiap variabel dengan tingkat signifikansi < α = 5%.
Hasil uji t dapat dilihat pada tabel 4.13.
Berdasarkan tabel 4.13 menunjukkan nilai probabilitas dari setiap variabel independen, sehingga hipotesis dibuktikan sebagai berikut:
1) Harga beras terhadap NTPP
Harga beras (HB) memiliki nilai probabilitas sebesar 0,0445, dimana nilai probabilitas lebih kecil dari α = 5% (0,0445 <
0,05). Kesimpulannya penelitian ini H0 ditolak, sehingga terdapat pengaruh yang positif dan signifikan harga beras terhadap NTPP.
2) Produktivitas padi terhadap NTPP
Produktivitas padi (PVT) memiliki nilai probabilitas sebesar 0,0196, dimana nilai probabilitas lebih kecil dari α = 5%
(0,0196 < 0,05). Kesimpulannya penelitian ini H0 ditolak, commit to user
sehingga terdapat pengaruh yang positif dan signifikan produktivitas padi terhadap NTPP.
3) PDRB terhadap NTPP
Produk Domestik Regional Bruto (PDRB) memiliki nilai probabilitas sebesar 0,0094, dimana nilai probabilitas lebih kecil dari α = 5% (0,0094< 0,05). Kesimpulannya penelitian ini H0 ditolak, sehingga terdapat pengaruh yang negatif dan signifikan PDRB terhadap NTPP.
D. Hasil Pembahasan Penelitian
1. Pengaruh Harga Beras Terhadap NTPP
Pengaruh harga beras terhadap NTPP menunjukkan nilai koefisien regresi sebesar 2,2285. Hal tersebut mengartikan bahwa harga beras berpengaruh positif dan signifikan terhadap NTPP di Indonesia tahun 2015-2019. Berarti naiknya harga beras akan memberikan pengaruh peningkatan pada NTPP, begitu juga sebaliknya jika harga beras menurun akan memberikan pengaruh pada turunnya NTPP. Bila harga beras naik 1 rupiah/kg maka akan menaikkan NTPP sebesar 2,2285% dengan asumsi variabel lain konstan. Jadi hipotesis yang menyatakan bahwa variabel harga beras berpengaruh positif terhadap NTPP terbukti dan hipotesis yang menyatakan bahwa variabel harga beras berpengaruh signifikan terhadap NTPP terbukti.
Teori yang memperkuat hasil penelitian ini telah dikemukakan oleh penelitian terdahulu seperti, Purba (2014), Febriana (2015), Wahed (2015), commit to user
Rahayu (2016) yang menyatakan bahwa harga beras berpengaruh positif terhadap nilai tukar petani tanaman pangan. Besar kecilnya harga beras dipengaruhi oleh permintaan dan penawaran berdasarkan kualitas beras.
Permintaan beras premium jauh lebih tinggi terhadap beras medium, sehingga petani yang memproduksi beras premium akan mendapatkan keuntungan yang lebih tinggi, sedangkan permintaan beras medium lebih rendah, hal ini yang menyebabkan harga beras medium tidak efisien dalam meningkatkan kesejahteraan petani. Kemampuan petani untuk memproduksi beras premium sangat rendah dan mayoritas beras yang dihasilkan adalah beras medium hal ini yang menyebabkan pengaruh harga beras terhadap NTPP sangat kecil. Penyebab petani tidak mampu memproduksi beras premium disebabkan oleh beberapa faktor diantaranya, pengetahuan petani dalam mengelola sawah, teknologi yang memadai, iklim serta hama (Fatimah, 2018).
2. Pengaruh Produktivitas Padi Terhadap NTPP
Pengaruh produktivitas padi terhadap NTPP menunjukkan bahwa nilai koefiesien regresi variabel sebesar 0,2281. Hal tersebut mengartikan bahwa produktivitas padi berpengaruh positif dan signifikan terhadap NTPP di Indonesia tahun 2015-2019. Artinya meningkatnya produktivitas padi akan memberikan pengaruh peningkatan pada NTPP, begitu juga sebaliknya jika produktivitas padi menurun akan memberikan pengaruh pada turunnya NTPP. Bila produktivitas padi naik 1 ku/ha maka akan menaikkan NTPP sebesar 0,2281% dengan asumsi variabel lain konstan. commit to user
Jadi hipotesis yang menyatakan bahwa variabel produktivitas padi berpengaruh positif terhadap NTPP terbukti dan hipotesis yang menyatakan bahwa variabel produktivitas beras berpengaruh signifikan terhadap NTPP terbukti.
Hasil penelitian ini diperkuat oleh hasil penelitian terdahulu yaitu, Istiana (2018), Fauzia (2018), dan Rahayu (2016) yang pada penelitiannya menyatakan bahwa produktivitas padi berpengaruh positif dan signifikan terhadap NTPP. Produktivitas padi mempengaruhi fluktuasi NTPP dikarenakan berkaitan langsung dengan produktivitas padi. Produktivitas padi yang rendah disebabkan oleh faktor-faktor diantaranya, pendidikan petani masih rendah, minimnya pengetahuan tentang inovasi teknologi pertanian, ketrampilan petani dalam mengelola sawah masih banyak menggunakan tradisi jaman dahulu (Istiana, 2018). Meskipun dalam penelitian ini produktivitas padi berpengaruh positif, tetapi pengaruh tersebut masih sangat rendah untuk mencapai kesejahteraan petani dikarenakan seperti faktor-faktor yang mempengaruhi produksi padi masih menjadi hambatan petani di Indonesia.
3. Pengaruh PRDB Terhadap NTPP
Pengaruh PDRB terhadap NTPP menunjukkan bahwa nilai koefiesien regresi variabel sebesar -1,3400. Hal tersebut menunjukkan bahwa PDRB berpengaruh negatif dan signifikan terhadap NTPP di Indonesia tahun 2015-2019. Secara umum penelitian ini menyatakan bahwa ada keterkaitan anatara variabel PDRB dengan NTPP di Indonesia. commit to user
Bila PDRB turun 1 rupiah maka akan menurunkan NTPP sebesar - 1,3400%. dengan asumsi variabel lain konstan. Jadi Hipotesis yang menyatakan bahwa variabel PDRB berpengaruh positif terhadap NTPP tidak terbukti, akan tetapi hipotesis yang menyatakan bahwa PDRB berpengaruh secara signifikan terbukti.
Perkembangan pendapatan per kapita yang diperoleh dari perbandingan antara PDRB harga berlaku dan PDRB harga konstan dengan jumlah penduduk pada tahun berlaku pada tahun tertentu dapat digunakan untuk membandingkan tingkat kemakmuran masyarakat suatu daerah dengan daerah lainnya. Tingkat kesejahteraan petani yang bekerja di sektor pertanian dapat dilihat melalui indeks nilai tukar petani. Pada penelitian Nurpita (2017) menyatakan bahwa PDRB berpengaruh positif dalam jangka pendek terhadap NTPP. Hal tersebut berbeda dengan hasil penelitian yang menyatakan bahwa PDRB berpengaruh negatif terhadap NTPP.
Pengaruh negatif PDRB terhadap NTPP diperkuat oleh penelitian terdahulu seperti Istiana (2018) yang menyatakan, PDRB berpengaruh negatif disebabkan karena sektor pertumbuhan ekonomi Indonesia bukan pada sektor pertanian, melaikan pada sektor non pertanian. Apabila laju perbaikan teknologi di sektor pertanian sama dengan di sektor non- pertanian, maka nilai tukar pada sektor pertanian akan terus menurun, selama laju peningkatan produksi pertanian lebih tinggi dari peningkatan penduduk. Peningkatan pendapatan akan menyebabkan nilai tukar sektor
commit to user
pertanian turun dikarenakan permintaan terhadap barang non pertanian akan meningkat, apabila produksi pertanian meningkat melebihi sektor non pertanian, maka nilai tukar petani akan mengalami penurunan (Ernst Engel, 1896).
commit to user
