IV METODE PENELITIAN
4.4 Metode Pengolahan dan Analisis Data
Pengolahan dan analisis data dalam penelitian ini menggunakan analisis secara statistik dan deskriptif yang diolah menggunakan Microsoft Excel dan software STATA 15 Stata. Analisis data yang dilakukan yaitu menganalisis pengaruh pemberian kredit terhadap kinerja usaha peternakan menggunakan regresi logit biner yang diduga berpengaruh atau tidak terhadap kinerja usaha peternakan dan menganalisis pemberian kredit terhadap kinerja usaha peternakan yang bertujuan untuk melihat perbandingan kinerja usaha peternakan yang menggunakan kredit/tambahan modal dan kinerja usaha peternakan yang tidak menggunakan kredit/tambahan modal.
Selain itu, dilakukan analisis ekonomi yakni analisis struktur biaya menggunakan data biaya produksi dan biaya penerimaan untuk mendapatkan data keuntungan. Pengolahan data tersebut menggunakan worksheet dari Microsoft excel sehingga dapat diuji menggunakan regresi logit biner. Sehingga untuk menduga pengaruh pemberian kredit terhadap kinerja peternak dilakukan uji logit biner kemudian membandingkan antara peternak yang menggunakan kredit dan tidak menggunakan kredit.
4.4.1 Propensity Score Matching (PSM)
Pendugaan pengaruh kredit terhadap kinerja usaha peternakan akan dianalisis menggunakan metode propensity score matching (PSM) yaitu suatu metode alternatif untuk mengestimasi dampak sebuah treatment pada suatu
subyek tertentu. Pembagian analisis pada observasi dibagi menjadi dua kelompok, yaitu kelompok yang mendapat perlakuan (treatment) dan kelompok (control) yang tidak mendapatkan perlakuan. Dalam penelitian ini kelompok treatment yang dimaksud adalah rumah tangga usaha peternakan yang menggunakan kredit sebagai tambahan modal sedangkan kelompok control yaitu rumah tangga usaha peternakan yang tidak menggunakan kredit sebagai tambahan modal. Selanjutnya di regresi dengan analisis regresi logit.
Regresi logit biner merupakan salah satu metode analisis data yang digunakan untuk mencari hubungan antara variabel respon (y) yang bersifat biner dengan variabel prediktor (x). Regresi logit biner tersebut bertujuan untuk menganalisis faktor-faktor yang memengaruhi keputusan usaha peternakan menggunakan kredit dimana keputusan menggunakan kredit merupakan bentuk biner yang bernilai 0 dan 1. Apabila variabel tersebut diduga memengaruhi keputusan usaha peternakan menggunakan kredit bernilai (1) dan apabila variabel tersebut diduga tidak memengaruhi keputusan usaha peternakan menggunakan kredit bernilai bernilai (0). Sehingga variabel respon (y) terdiri dari dua kategori yaitu sukses (y=1) dan gagal (y=0). Model Fungsi logit untuk menduga model tersebut dengan bentuk umum sebagai berikut menurut Hosmer dan Lemeshow (2013), penggunaan variabel serta spesifikasi model fungsi logit biner mengacu pada penelitian (Sinaga 2019; Feryanto dan Rosiana 2021;
Mawarni 2021).
𝑃𝑖 = ln ( 𝑃𝑖
1− 𝑃𝑖) = 𝛼 + 𝛽1𝑋1+ 𝛽2𝑋2+ 𝛽3𝑋3 … + 𝛽14 𝑋14+ 𝜀𝑖 (Persamaan 5) Keterangan:
𝑃𝑖 = Keputusan usaha peternakan menggunakan kredit bernilai (1) dan yang tidak menggunakan kredit bernilai (0).
α = Intersep (konstanta) 𝜀𝑖 = Bilangan natural (2,7182)
X1 = Lokasi usaha peternakan (dummy, pulau Jawa = 1) X2 = Usia (tahun)
X3 = Jenis kelamin (dummy, laki-laki = 1) X4 = Tingkat pendidikan (tahun)
X5 = Jumlah tanggungan dalam keluarga (orang) X6 = Jenis ternak (dummy, ruminansia = 1) X7 = Pengalaman beternak (tahun)
X8 = Kepemilikan lahan (dummy, milik sendiri=1)
X9 = Kepemilikan sarana usaha ternak (dummy, milik sendiri=1) X10 = Keanggotaan koperasi (dummy, anggota koperasi=1)
X11 = Kelompok peternak (dummy, anggota kelompok peternak=1) X12 = Keanggotaan asosiasi (dummy, anggota asosiasi=1)
X13 = Penyuluhan (dummy, mendapat penyuluhan =1) X14 = Kemitraan (dummy, memiliki mitra =1)
Berdasarkan persamaan 5, diketahui bahwa 𝑃𝑖 merupakan variabel dummy faktor yang memengaruhi keputusan usaha peternakan menggunakan kredit (1=berpengaruh, 0= tidak berpengaruh). Pada penelitian ini model faktor-faktor yang memengaruhi keputusan usaha peternakan menggunakan kredit akan diduga dengan fungsi logit terdiri atas empat sebelas variabel yakni lokasi usaha
peternakan, usia peternak, jenis kelamin, tingkat pendidikan, jumlah tanggungan dalam keluarga, jenis ternak, pengalaman beternak, kepemilikan lahan, kepemilikan sarana usaha ternak, keanggotaan koperasi, kelompok peternak, keanggotaan asosiasi, penyuluhan, dan kemitraan.
PSM dapat mengurangi bias dalam penelitian karena sebuah penelitian observasi biasanya memiliki masalah dalam pengambilan keputusan akibat adanya potential confounding. Pengaruh confounding merupakan alternatif yang dapat memperbesar atau memperkecil hubungan sebenarnya. Dengan demikian kurang tepat jika dua kondisi tersebut dibandingkan meskipun sudah dilakukan adjustment melalui regresi karena masih ada potensi bias
Metode PSM merupakan metode sangat baik digunakan apabila seseorang ingin melakukan analisis dampak dari sebuah intervensi, namun tidak mampu mengumpulkan data eksperimental (Li 2012). Hal ini berkaitan dengan kemampuan PSM yang mampu mengestimasi besarnya dampak sebuah intervensi secara tidak bias. Dalam hal ini, analisis regresi tidak mampu mengestimasi bias tersebut. Salah satu sumber bias yang seringkali terjadi dalam penelitian yaitu adanya kedua kelompok sampel yang tidak memiliki distribusi data atau data yang overlap (tumpang tindih) (Mawarni 2021). Sementara dalam PSM, hal ini dideteksi dengan baik kemudian disesuaikan dengan distribusi yang seharusnya. Selanjutnya teknik analisis yang dilakukan yaitu menggunakan propensity score yang digunakan untuk melakukan adjustment pada covariate kedua kelompok (Sinaga 2019). Tujuannya yaitu untuk melakukan analisis perbandingan dengan kelompok pembanding terdekat dari sekumpulan sampel non-partisipan bagi kelompok partisipan (Rosenbaum dan Rubin 1984).
Persamaan PSM yang digunakan dalam penelitian yaitu Yi merupakan potential outcomes dari seorang peternak i. 𝑌1𝑖 merupakan potential outcomes apabila usaha peternakan tersebut menggunakan kredit, yakni apabila hasil dari intervensi 𝐷𝑖 sama dengan satu. 𝑌0𝑖 merupakan potential outcomes apabila usaha peternakan tersebut tidak menggunakan kredit dan merupakan hasil dari kelompok control ketika 𝐷𝑖 sama dengan nol. Estimasi PSM dirumuskan sebagai berikut:
τ
i = 𝑌1𝑖 - 𝑌0𝑖 ………. (Persamaan 6)Berdasarkan persamaan 6 tersebut, terdapat masalah yang sering terjadi yaitu PSM tidak dapat mengukur potensi outcomes dari kelompok treatment dan kelompok control secara bersama-sama. Dengan begitu hanya salah satu kelompok saja yang diamati. Oleh karena itu diperlukan analisis menggunakan model estimasi dampak yang digunakan untuk melihat nilai rata-rata dampak dari penggunaan kredit menggunakan metode pendekatan ATT atau Average Treatment Effect in the Treated. ATT digunakan untuk mengestimasi besarnya nilai rata-rata potential outcomes rumah tangga usaha peternakan yang menggunakan kredit. Model ATT dijelaskan pada persamaan 7 sebagai berikut (Feryanto dan Rosiana 2021; Mawarni 2021).
τ
ATT = E (Yi (1) | D=1) – E(Yi (0) | D=0) ………. (Persamaan 7) Oleh karena itu, berdasarkan persamaan 7 diatas diketahui bahwa ATT merupakan dampak yang dihitung dari variabel outcomes dalam penelitian iniyaitu variabel jumlah ternak, omset penjualan, dan keuntungan yang diestimasi dari hasil rumah tangga usaha peternakan yang menggunakan kredit E [Y1i | 𝐷𝑖
=1] (kelompok treatment) yang dikurangi dengan hasil rumah tangga usaha peternakan yang tidak menggunakan kredit E [Y0i | 𝐷𝑖 = 0] yang merupakan kelompok control. Kemudian, Langkah selanjutnya yaitu memilih matching algorithm yaitu dengan membandingkan kelompok treatment dengan kelompok control berdasarkan skor popensitasnya dengan menggunakan metode matching yang sesuai.
Pada penelitian ini metode yang digunakan adalah Nearest Neighbor Matching (NNM). Nearest Neighbor Matching (NNM) adalah teknik yang paling sering digunakan, setiap unit menyesuaikan dengan nilai propensitas terdekatnya, yaitu dengan memberikan bobot yang sama untuk setiap unit dengan perbandingan nilai propensitas yang terdekat. Dimana metode ini bertujuan untuk meminimalkan perbedaan mutlak skor kecenderungan yang diperkirakan (estimated propensity score) antara kelompok yang diberi perlakuan dan yang tidak. Selain itu, PSM juga memberikan hasil estimasi simple mean comparison atau unmatched yang merupakan hasil perbandingan potential outcomes (sebelum pencocokan) atau perbandingan yang dilakukan dengan mengabaikan perlakuan kredit yang diterima sehingga membandingkan secara langsung rata-rata dampak antara kelompok peternak yang menggunakan kredit dan yang tidak menggunakan kredit (Sari 2019; Sinaga et al. 2019).
Apabila telah dilakukan perbandingan menggunakan matching yang sesuai, selanjutnya yakni memeriksa overlap atau common support antara kedua kelompok saat dibandingkan dengan melihat distribusi keduanya. Common support bertujuan untuk memastikan apakah proses matching antara dua kelompok tersebut dapat dilakukan. Terakhir yaitu melakukan penilaian kualitas matching. Hal ini dilakukan untuk mengkondisikan semua covariate dalam propensity score guna menyeimbangkan distribusi variabel yang relevan pada kedua kelompok. Langkah ini bertujuan untuk membantu menentukan interaksi dan istilah tingkat tinggi mana yang dapat dimasukkan untuk himpunan kovariat x tertentu. Hal ini tentu bertujuan untuk membandingkan keadaan sebelum dan sesudah pencocokan dan memeriksa apakah terdapat perbedaan setelah dilakukan propensity score. Jika telah dilakukan pencocokan skor kemudian tidak terdapat perbedaan maka perlu dilakukan tindakan perbaikan.