3. Bulakamba
a. Luwungragi 3
b. Banjaratma 3
4. Larangan
a. Kedungbokor 7
b. Larangan 7
Total 45
4.3 Desain Penelitian
Desain penelitian ini adalah penelitian dengan metode deskriptif dengan menggunakan sampel pada objek penelitian. Metode deskriptif yang digunakan
adalah untuk menjelaskan gambaran mengenai objek penelitian yang diteliti. Penggunaan metode sampling pada penelitian ini dilakukan karena jumlah
populasi yang diamati sangat besar dan sifat objek penelitian yang relatif homogen. Pengambilan sampel dilakukan dengan mengambil sejumlah petani
sebagai berdasarkan rumus solvin dari total populasi petani bawang merah di empat kecamatan yang diteliti.
4.4 Data dan Instrumentasi
Data yang digunakan dalam penelitian ini meliputi data primer dan data sekunder. Data primer diperoleh melalui penyebaran kuesioner dan wawancara dengan
petani bawang merah di lokasi penenlitian. Sementara data sekunder diperoleh dari Pasar Induk Kramat Jati PIKJ, Departemen Pertanian, Direktorat tanaman
Hortikultura, Pemerintah Kabupaten Brebes, BPS, dan literatur serta beberapa penelitian terdahulu yang menjadi bahan rujukan bagi penelitian ini.
4.4 Metode Pengolahan Data
Metode pengolahan data dalam penelitian ini menggunakan software SPSS 13. Microsoft excel, dan kalkulator. Adapun metode analisis yang digunakan
meliputi analisis risiko, dan analisis regresi linier berganda. Dalam penelitian ini data yang digunakan bersifat determinan atau non-stokastik dan merupakan data
rasio.
4.4.1 Analisis Risiko Produksi
Analisis risiko dilakukan dengan melihat penyimpangan yang terjadi antara nilai yang diharapkan dengan nilai yang terjadi. Untuk menilai tingkat risiko tersebut
beberapa ukuran yang digunakan yaitu nilai variance, standard deviation, dan coefficient variation. Nilai variance menunjukkan adanya penyimpangan,
standard deviation diperoleh dari nilai kuadrat nilai variance, dan coefficient variation diperoleh dari rasio standard deviation dengan nilai yang diukur Elton
dan Gruber 1995. Dalam menganalisis risiko produksi dilakukan analisis mengenai faktor-faktor
eksternal yang tidak dapat dikendalikan oleh petani. Dalam hal ini, faktor eksternal yang dimaksud adalah faktor iklim dan cuaca, peristiwa alam seperti
bencana alam yang mempengaruhi produksi, dan serangan hama penyakit. Analisis terhadap faktor eksternal ini dilakukan dengan melihat dari seberapa
besar kemungkinan terjadinya probabilitas kejadian dari faktor-faktor eksternal yang dianalisis dan seberapa besar kerugian yang disebabkannya. Semakin besar
probabilitas kejadian eksternal yang merugikan maka semakin besar pula tingkat risiko yang mungkin dihadapi oleh petani. Pengukuran probabilitas pada setiap
kejadian diperoleh dari frekuensi setiap kejadian yang dibagi dengan jumlah bulan dalam satu tahun. Secara matematis, pengukuran probabilitas tersebut dapat
dituliskan sebagai berikut : =
Keterangan : f = frekuensi kejadian T = periode waktu proses produksi
4.4.1.1 Expected Value Produksi
Dalam menentukan seberapa besar output produksi yang diharapkan dilakukan dengan penjumlahan dari setiap probabilitas dikalikan dengan tingkat
output produksinya. Penentuan estimasi produksi tersebut dapat dirumuskan sebagaimana berikut :
E Q = pi Qi dimana :
E Q = output produksi yang diharapkan Pi
= probabilitas ke-i Qi
= output produksi i
= kondisi tertinggi, normal, terendah
4.4.1.2 Standard deviation
Standard deviation dari output produksi menggambarkan perbedaan atau selisih antara output produksi dengan output yang diharapkan. Semakin besar nilai
standard deviation maka semakin besar pula tingkat risiko yang dihadapi dalam kegiatan produksi. Secara matematis, standard deviation dari output produksi
dapat dituliskan sebagai berikut : ∂Q
= √ σ
i 2
dimana : ∂Q : Standard deviation
σ
i 2
: Variance
4.4.1.3 Coefficient variation
Coefficient variation dari output diukur dari rasio standard deviation dari output dengan output yang diharapkan. Semakin kecil coefficient variation maka
semakin rendah risiko yang dihadapi. Secara matematis, coefficient variation dapat dituliskan sebagai berikut :
= ⁄
dimana CV : Coefficient variation
: Standard deviation : Expected value
4.4.2 Analisis Regresi Linier Berganda
Analisis regresi linier berganda dalam penelitian ini digunakan untuk menganalisis perilaku penawaran bawang merah di Kabupaten Brebes.
Sebagaimana teori penawaran bahwa suplai atau penawaran suatu komoditas dipengaruhi oleh beberapa faktor yaitu teknologi, harga input, harga produk yang
lain, jumlah produsen, dan harapan produsen terhadap harga produksi di masa mendatang. Maka faktor-faktor yang mempengaruhi penawaran bawang merah
yang digunakan sebagai variabel independen dalam penelitian ini meliputi: 1. Harga
bawang merah
2. Nilai variance
harga bawang
merah 3. Harga bibit bawang
merah 4. Nilai
variance harga bibit bawang
merah 5. Harga pupuk Urea
6. Harga pupuk TSP 7. Harga pupuk KCl
8. Harga pupuk NPK 9. Biaya obat-obatan
10. Nilai ekspektasi
produksi 11. Nilai
variance produktivitas
bawang merah Selanjutnya setelah ditentukan variabel independen kemudian disusun suatu
model untuk menduga hubungan antara variabel independen dengan variabel dependen yang akan dianalisis. Dalam penelitian ini digunakan dengan analisis
regresi linier. Secara matematis model tersebut dapat ditulis seperti berikut: Y = f X
1
, X
2
, ...., X
n
Y = a + a
1
X
1
+a
2
X
2
+ .... +a
n
X
n
+e dimana:
Y = produksi bawang merah di kabupaten Brebes
a = koefisien intersep
a
n
= parameter peubah ke-n, dimana n=1,2,...,11, dengan hipotesis : a
1
,a
12
a
2
,a
3
,a
4
,a
5
,a
6
,a
7
,a
8
,a
9
,a
10
,a
11
X
1
= harga bawang merah X
2
= variasi harga bawang merah X
3
= harga bibit bawang merah X
4
= variasi harga bibit bawang merah X
5
= harga pupuk urea X
6
= harga pupuk NPK X
7
= harga pupuk TSP X
8
= harga pupuk KCl X
9
= biaya obat-obatan X
10
= nilai expected value X
11
= variasi produksi e
= unsur galat eror Model regresi yang digunakan diduga dengan menggunakan metode
kuadrat terkecil atau Ordinary Least Square OLS yang didasarkan pada asumsi- asumsi berikut Juanda 2008.
1. Nilai rata-rata kesalahan pengganggu sama dengan nol, yaitu E e
i
= 0, untuk i = 1,2,......n
2. Varian e
j
= E e
j
= σ
, sama untuk semua kesalahan pengganggu asumsi homoskedasititas
3. Tidak ada autokorelasi antara kesalahan pengganggu berarti covarian e
i
,e
j
= 0, i ≠ j 4. Variabel bebas X
1
, X
2, ........,
X
n
konstan dalam sampling yang terulang dan bebas terhadap kesalahan pengganggu, E X
i
, e
i
= 0 5. Tidak ada kolinearitas ganda diantara variabel bebas X
6. E
i
≈ N 0 ; σ , artinya kesalahan pengganggu mengikuti distribusi normal
dengan rata-rata nol dengan varian σ
4.4.2.1 Pengujian terhadap Model Penduga
Pengujian terhadap model penduga ini digunakan untuk mengetahui apakah model penduga tersebut sudah tepat dalam menduga parameter dan fungsi.
Adapaun hipotesis yang digunakan adalah: H
0 :
a
1
= a
2
= .... = a
5
= 0 H
1
: minimal ada satu a
n
≠ 0 dan uji statistik yang digunakan adalah uji F, dimana F-hitung secara matematis
dapat dituliskan sebagai berikut: − ℎ =
R k − 1
1 − −
⁄ dimana:
R
2
= koefisien determinasi k
= jumlah parameter n
= jumlah pengamatan contoh dengan kriteria uji yang digunakan adalah:
− Apabila F-hitung F-tabel k-1, n-k maka tolak H
−
Apabila F-hitung F-Tabel k-1, n-k maka terima H Apabila H
ditolak maka berarti paling sedikit terdapat satu variabel independen X yang digunakan berpengaruh secara signifikan terhadap variabel dependen,
sehingga model yang digunakan tersebut dapat digunakan untuk memperkirakan variabel dependen Y. Sebaliknya, apabila H
diterima, maka tidak ada variabel independen yang digunakan berpengaruh terhadap variabel dependen secara
signifikan dan model yang digunakan tidak dapat digunakan untuk memperkirakan variabel dependen Y.
Untuk melihat sejauh mana variasi variabel dependen Y dijelaskan oleh variabel independen X dapat dilihat dari besarnya nilai koefisein determinasi R
2
. Secara matematis, koefisien determinasi dapat dirumuskan sebagai berikut:
= 1 −
= dimana:
SST = jumlah kuadrat total
SSE = jumlah kuadrat galateror
SSR = jumlah kuadrat regresi
Nilai R
2
bergerak antara nol sampai dengan satu 0 ≤ R
2
≤ 1. Apabila R
2
sama dengan satu berarti bahwa sumbangan variabel independen secara bersama- sama terhadap variasi variabel dependen adalah seratus persen. Hal ini berarti
bahwa seluruh variasi variabel dependen dapat dijelaskan oleh model Gujarati 2003.
4.4.2.2 Pengujian terhadap Koefisien Regresi
Tujuan pengujian terhadap koefisien regresi adalah untuk mengetahui apakah setiap variabel independen berpengaruh nyata terhadap variabel dependen.
Secara statistik, pengujian terhadap koefisien regresi ini dilakukan dengan melihat nilai t-hitung. Apabila t-hitung lebih besar dari t-tabel atau P-value lebih kecil dari
α P-valueα, berarti variabel independen yang diuji berpengaruh nyata terhadap variabel dependen. Begitu pula sebaliknya Gujarati 2003.
Adapaun hipotesis yang digunakan adalah: H
0 :
b
n
= 0 H
1
: b
n
; n = 1,2,...,5 dan uji statistik yang digunakan adalah uji t, dimana t-hitung secara matematis
dapat dituliskan sebagai berikut: − ℎ =
dengan kriteria uji yang digunakan adalah: −
Apabila t-hitung t-tabel α, n-k maka tolak H
−
Apabila t-hitung t-Tabel α, n-k maka terima H
Jika H ditolak, artinya variabel X
n
berpengaruh signifikan terhadap variabel dependen Y. Sebaliknya, jika H
diterima maka variabel independen X
n
tidak
berpengaruh nyata terhadap variabel dependen Y. 4.4.3.3 Pengujian terhadap asumsi
Untuk mendapatkan model regresi linier yang baik maka perlu dilakukan pengujian terhadap asumsi-asumsi yang diperlukan, yaitu meliputi non-
multicollienearity, homoscedasticity,
dan non-autocorrelation.
Non- multicollineraity didekati dari nilai VIF dari masing-maing variabel. Secara
praktis, adanya indikasi multicollinearity terjadi apabila nilai VIF ≥ 30. Sementara autocorrelation dapat dilihat dari nilai statistik dari uji Durbin Watson. Nilai
statistik Durbin Watson berada pada kisaran 0-4, dan jika nilainya mendekati dua maka menunjukkan tidak ada autokorelasi pada orde kesatu. Adapun
homoscedasticity dapat dilihat dengan uji Goldfeld-Quandt, uji Breusch-Pagan, dan uji White Juanda 2008.
4.5 Definisi Operasional
