ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI PRODUKSI PADI DI INDONEISA TAHUN 2009-2013
SKRIPSI
Diajukan Guna Memenuhi Persyaratan untuk Memperoleh Gelar Sarjana pada Fakultas Ekonomi Program Studi Ilmu Ekonomi
Universitas Muhammadiyah Yogyakarta
Oleh
REATA LUPJA ROMA DONA 20120430121
FAKULTAS EKONOMI
UNIVERSITAS MUHAMMADIYAH YOGYAKARTA 2016
(2)
Oleh
REATA LUPJA ROMA DONA 20120430121
FAKULTAS EKONOMI
UNIVERSITAS MUHAMMADIYAH YOGYAKARTA 2016
(3)
i
ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI PRODUKSI PADI DI INDONEISA TAHUN 2009-2013
THE ANALYSIS ON FACTORS EFFECTING THE RICE PRODUCTION IN INDONESIA DURING 2009-2013
SKRIPSI
Diajukan Guna Memenuhi Persyaratan untuk Memperoleh Gelar Sarjana pada Fakultas Ekonomi Program Studi Ilmu Ekonomi
Universitas Muhammadiyah Yogyakarta
Oleh
REATA LUPJA ROMA DONA 20120430121
FAKULTAS EKONOMI
UNIVERSITAS MUHAMMADIYAH YOGYAKARTA 2016
(4)
ii
PERNYATAAN Dengan ini saya,
Nama : Reata Lupja Roma Dona
Nomor Mahasiswa : 20120430121
Menyatakan bahwa skripsi ini dengan judul: “ANALISIS FAKTOR -FAKTOR YANG MEMPENGARUHI PRODUKSI PADI DI INDONESIA (PERIODE 2009-2013)” tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam Daftar Pustaka. Apabila ternyata dalam skripsi ini diketahui terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain maka saya bersedia karya tersebut dibatalkan.
Yogyakarta, 15 April 2016
(5)
iii
MOTTO DAN PERSEMBAHAN
Tugas kita bukanlah untuk berhasil. Tugas kita adalah untuk mencoba, karena didalam mencoba itulah kita menemukan dan belajar membangun kesempatan untuk berhasil.
Kaum petani sebelum makan hasil keringatnya bersodaqoh terlebih dahulu untuk memberi makan burung, tikus, wereng dan lain sebagainya.
(K.H. Mohammad Sobari).
Skripsi ini Kupersembahkan untuk....
Yang utama dari segalanya, sembah sujud serta syukur kepada Allah SWT. Atas karunia serta kemudahan yang engkau berikan akhirnya skripsi yang sederhana ini dapat terselesaikan.
Ayah dan Ibu (Alm) tercinta kupersembahkan karya kecil ini kepada ayah dan ibu yang telah memberikan kasih sayang, do’a, nasehat dan semangat yang membuatku sadar untuk terus berjuang.
Keluarga besarku yang telah memberikan do’a dan motivasi selama ini. Fauzi Ramadhan, terima kasih yang selalu memberikan perhatian, nasehat,
semangat, do’a dan dukungan. Semoga engkau pilihan yang terbaik untukku dan masa depanku.
Almamaterku tercinta Universitas Muhammadiyah Yogyakarta.
Teman-temanku di Yogyakarta, Willia Agustiani, Safira Arimbi, Nonik Diah Ayu Sugesti dan Ba’iq Irmala. Terima kasih.
(6)
iv
KATA PENGANTAR Bismillahirrohmanirrohim.
Segala puji bagi Allah SWT yang telah memberikan kemudahan serta Rahmat-Nya dalam penulisan skripsi yang berjudul “Analisis Faktor-Faktor Yang Mempengaruhi Produksi Padi di Indonesia Tahun 2009-2013”.
Skripsi ini disusun untuk memenuhi salah satu persyaratan untuk memperoleh gelar sarjana pada Fakultas Ekonomi Universitas Muhammadiyah Yogyakarta. Penyelesaian skripsi ini tidak terlepas dari bimbingan dan dukungan berbagai pihak, oleh karena itu pada kesempatan ini penulis mengucapkan terima kasih yang sebanyak-banyaknya kepada:
1. Dekan Fakultas Ekonomi Universitas Muhammadiyah Yogyakarta yang telah memberikan petunjuk, bimbingan dan kemudahan selama penulis menyelesaikan studi.
2. Bapak Agus Tri Basuki, S.E.,M.Si, yang dengan penuh kesabaran telah memberikan masukan dan bimbingan selama proses penyelesaian karya tulis ini.
3. Seluruh dosen Fakultas Ekonomi khususnya Prodi Ilmu Ekonomi Universitas Muhammadiyah Yogyakarta yang telah mengajarkan dan memberikan bekal ilmu kepada penulis.
4. Ayah dan Ibu (Alm) tersayang, terima kasih banyak atas kasih sayang, perhatian, dukungan, kesabaran serta setiap doa yang tercurah untuk penulis.
5. Keluargaku yang telah memberikan doa, dukungan dan semangat.
6. Kakakku tersayang Alpin Tarera Lukita tetap semangat walaupun ibu sudah meninggal dunia.
7. Fauzi Ramadhan yang selalu memberikan perhatian, semangat, do’a dan dukungan untuk menyelesaikan skripsi ini.
(7)
v
8. Teman – teman Ilmu Ekonomi angkatan 2012 yang lain yang telah memberikan perhatian, semangat dan motivasi kepada penulis.
Dengan segala kerendahan hati penulis menyadari masih banyak terdapat kekurangan-kekurangan, sehingga penulis mengharapkan adanya saran dan kritik yang bersifat membangun demi kesempurnaan skripsi ini.
Yogyakarta, 15 April 2016
(8)
vi DAFTAR ISI
HALAMAN JUDUL ... i
HALAMAN PERSETUJUAN DOSEN PEMBIMBING………ii
HALAMAN PENGESAHAN. ... iii
HALAMAN PERNYATAAN ………iv
HALAMAN MOTTO DAN PERSEMBAHAN...v
INTISARI………vi
ABSTRACT………...vii
KATA PENGANTAR...viii
DAFTAR ISI………....x
DAFTAR TABEL………..xii
DAFTAR GAMBAR ... xiii
BAB 1 PENDAHULUAN ... 1
A. Latar Belakang Penelitian………..1
B. Batasan Masalah Penelitian...5
C. Rumusan Masalah Penelitian……….5
D. Tujuan Penelitian………...5
E. Manfaat Penelitian……….6
BAB II TINJAUAN PUSTAKA…...7
A. Landasan Teori………..7
Produksi Padi………...7
Teori Fungsi Produksi………..7
Fungsi Produksi Cobb-Douglas……….11
Faktor-Faktor Yang Mempengaruhi Produksi Padi...12
B. Hasil Penelitian Terdahulu...13
C. Hipotesis...19
D. Model Penelitian...20
BAB III METODE PENELITIAN…...21
A. Objek Penelitian...21
(9)
vii
C. Teknik Pengumpulan Data...21
D. Definisi Operasional Variabel Penelitian...22
E. Uji Kualitas Data...23
F. Analisis Data...25
BAB IV GAMBARAN UMUM OBYEK PENELITIAN…...42
A. Gambaran Umum Obyek Penelitian...42
1. Letak Geografis dan Astronomis Indonesia………..42
B. Gambaran Umum Variabel Operasional...45
1. Produksi Padi di Indonesia...45
2. Perkembangan Produksi Padi di Indonesia...47
3. Luas Lahan...49
4. Tenaga Kerja...50
5. Harga Beras...52
BAB V HASIL ANALISIS DAN PEMBAHASAN...55
A. Uji Kualitas Data...55
1. Heterokedastisitas...55
2. Multikolinearitas...55
B. Analisa Pemilihan Model Terbaik...56
1. Uji Chow...57
2. Uji Hausman...58
C. Analisis Model Terbaik...58
D. Hasil Estimasi Model Data Panel...60
E. Uji Statistik...68
F. Pembahasan...70
BAB VI SIMPULAN, SARAN DAN KETERBATASAN PENELITIAN 73 A. Simpulan………..73
B. Saran………74
C. Keterbatasan Penelitian………...75 DAFTAR PUSTAKA
(10)
viii
DAFTAR TABEL
1.1 Luas Panen, Produksi padi, Produktivitas tahun 2009-2013...2
1.2 Luas Lahan di Indonesia tahun 2009-2013...3
1.3 Tenaga Kerja di Indonesia tahun 2009-2013...3
1.4 Harga Beras di Indonesia tahun 2009-2013...4
2.1 Ringkasan Penelitian Terdahulu...15
4.1 Produksi Padi per Provinsi di Indonesia tahun 2009-2013...45
4.2 Perkembangan Luas Panen, Produksi, Produktivitas di Pulau Jawa, Luar Jawa dan Indonesia tahun 2009-2013...47
4.3 Luas Lahan per Provinsi di Indonesia tahun 2009-2013...49
4.4 Tenaga Kerja per Provinsi di Indonesia tahun 2009-2013...51
4.5 Harga Beras per Provinsi di Indonesia tahun 2009-2013...53
5.1 Hasil Uji Heterokedastisitas...55
5.2 Hasil Test Uji Chow...57
5.3 Hasil Test Uji Hausman...58
5.4 Hasil Estimasi Common Effect, Fixed Effect dan Random Effect...59
5.5 Hasil Estimasi Model Fixed Effect...60
(11)
ix
DAFTAR GAMBAR
2.1 Model Penelitian...15 3.1 Kerangka Pemikiran Regresi...31
(12)
THE ANALYSIS ON FACTORS EFFECTING THE RICE PRODUCTION IN INDONESIA DURING 2009-2013
Diajukan oleh
REATA LUPJA ROMA DONA 20120430121
Telah disetujui Dosen Pembimbing Pembimbing
Agus Tri Basuki, SE.,M.Si. Tanggal: 30 Mei 2016 NIK: 14304
(13)
ii
ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI PRODUKSI PADI DI INDONESIA TAHUN 2009-2013
THE ANALYSIS ON FACTORS EFFECTING THE RICE PRODUCTION IN INDONESIA DURING 2009-2013
Diajukan oleh
REATA LUPJA ROMA DONA 20120430121
Skripsi ini telah Dipertahankan dan Disahkan di depan Dewan Penguji Program Studi Ilmu Ekonomi Fakultas Ekonomi
Universitas Muhammadiyah Yogyakarta Tanggal, 30 Mei 2016
Yang terdiri dari
Dr. Nano Prawoto, SE., M.Si. Ketua Tim Penguji
Agus Tri Basuki, SE., M.Si. Drs. Hudiyanto Anggota Tim Penguji Anggota Tim Penguji
Mengetahui Dekan Fakultas Ekonomi
Universitas Muhammadiyah Yogyakarta
Dr. Nano Prawoto. SE., M.Si. NIK. 1966064199202143016
(14)
Statistics (BPS) during 2009 to 2013. The populations as the object of this research were 33 provinces in Indonesia. The research used data panel regression as the instrument analysis. The result of the research showed that the land area variable, the labour variable, and the price of rice had significant and positive effects toward rice production in Indonesia.
(15)
1
Produksi adalah suatu kegiatan untuk menciptakan atau menghasilkan nilai guna terhadap suatu barang atau jasa untuk memenuhi kebutuhan oleh orang atau badan (produsen). Orang atau badan yang melakukan kegiatan produksi dikenal dengan sebutan produsen. Sedangkan barang dan jasa yang dihasilkan dari melakukan kegiatan produksi disebut produk. Padi merupakan salah satu tanaman budidaya strategis di Indonesia. Hal ini terkait dengan kenyataan bahwa makanan pokok sebagian besar penduduk Indonesia adalah nasi, yaitu yang berasal dari tanaman padi. Padi tersebut kemudian diproses menjadi beras, yang mana beras itu sendiri akan diolah menjadi nasi. Nasi merupakan sumber kalori utama yang banyak mengandung unsur karbohidrat yang sangat tinggi.
Pembangunan merupakan suatu proses perubahan menyeluruh yang meliputi usaha penyelarasan keseluruhan sistem ekonomi yang terdapat dalam suatu masyarakat sehingga membawa kemajuan dalam arti meningkatkan taraf hidup masyarakat yang bersangkutan. Pembangunan pertanian perlu terus dikembangkan dan diarahkan menuju tercapainya pertanian yang tangguh (Sudrajat, 1996).
Salah satu tujuan pembangunan pertanian adalah untuk menciptakan ketahanan pangan dan peningkatan kesejahteraan petani, sehingga pemerintah mempunyai kewajiban untuk selalu mengupayakan ketersediaannya, melalui
(16)
berbagai langkah kebijakan. Dalam rangka peningkatan kesejahteraan petani, diupayakan agar harga jual produk-produk petanian berada dalam tingkat yang mampu memberikan keuntungan bagi petani.
Dan sebagian besar penduduk Indonesia berprofesi sebagai petani. Petani padi di Indonesia umumnya merupakan petani tradisional, artinya para petani ini bekerja dengan cara dan peralatan sederhana berdasarkan pengetahuan yang diperolehnya secara turun temurun.
Tabel 1.1
Luas Panen(ha), Produksi Padi(ton) dan Produktivitas(ku/ha) di Indonesia Tahun 2009-2013
Tahun Luas Panen(ha) Produksi Padi(ton)
Produktivitas (ku/ha)
2009 12.883.576 64.398.890 49,99
2010 13.253.450 66.469.394 50,15
2011 13.203.643 65.756.904 49,80
2012 13.445.524 69.056.126 51,36
2013 13.835.252 71.291.494 51,52
Sumber: Statistik Indonesia, BPS, 2009-2013
Berdasarkan tabel diatas menunjukkan tingkat Luas Panen, Produksi Padi dan Produktivitas di Indonesia dari tahun 2009-2013. Luas panen dan produktivitas dari tahun 2009 sampai 2010 meningkat lalu mengalami penuruan pada tahun 2011. Tetapi dari tahun 2011 sampai 2013 mengalami peningkatan. Produksi padi adalah produksi tanaman pangan paling utama dan karbohidrat sangat tinggi. Produksi padi pada tahun 2009 sebesar 64.398.890 meningkat menjadi 66.469.394 tahun 2010. Lalu mengalami penurunan pada tahun 2011 sebesar 65.756.904 tetapi dari tahun 2011 sanpai tahun 2013 mengalami peningkatan sebesar 71.291.494. Jika produksi padi semakin meningkat maka pembangunan perekonomian semakin membaik.
(17)
Tabel 1.2
Luas Lahan (ha) di Indonesia 2009-2013
No Tahun Luas Lahan
1 2009 8.068.327
2 2010 8.002.552
3 2011 8.095.962
4 2012 8.127.264
5 2013 8.112.103
Sumber: Statistik Indonesia, BPS, 2009-2013
Luas lahan diatas dari tahun ketahun mengalami penurunan bahkan peningkatan. Karena disetiap provinsi berbeda-beda. Pada tahun 2009 yaitu sebesar 8.068.327 lalu menurun menjadi 8.002.552 pada tahun 2010. Dari tahun 2010 meningkat sebesar 8.095.962 Pada tahun 2011. Dari tahun 2011 sebesar 8.095.962 mengalami penurunan menjadi 8.112.103 pada tahun 2013. Luas lahan mengalami penurunan dari tahun 2009 sampai tahun 2010 karena tanah sawah pada tahun tersebut luasnya kecil. Lalu mengalami peningkatan pada tahun 2011 karena pada tahun 2011 tanah sawahnya semakin besar jika semakin besar maka luas lahan mengalami peningkatan yang cukup besar. Tetapi pada tahun 2011 sampai tahun 2013 mengalami penurunan, karena tahan sawah ditahun tersebut semakin kecil. Tanah sawah yakni berpetak-petak.
Tabel 1.3
Tenaga Kerja (Juta jiwa) di Indonesia 2009-2013
No Tahun Tenaga Kerja
1 2009 41.661.840
2 2010 41.494.941
3 2011 39.328.15
4 2012 38.882.134
5 2013 38.068.254
(18)
Berdasarkan tabel diatas tenaga kerja setiap provinsi berbeda beda. Di Indonesia tenaga kerja yakni dari tahun 2009-2013. Di Indonesia yang paling tertinggi pada tahun 2009 sebesar 41.661.840 dan yang paling terendah pada tahun 2013 sebesar 38.068.254. Tetapi dari tahun 2009 sampai dengan tahun 2013 mengalami penurunan. Karena yang bekerja ibu-ibu sudah tua dan kakek-kakek, maka dari itu penghasilan petani berkurang, seharusnya dari tahun ketahun bertambah dan yang bekerja diatas umur 15 tahun sampai umur 65 tahun supaya tenaga kerja dari tahun 2009 sampai tahun 2013 mengalami peningkatan.
Tabel 1.4
Harga Beras (rupiah/kg) 2009-2013
No Tahun Harga Beras
1 2009 6.137,92
2 2010 6.958,21
3 2011 8.126,83
4 2012 8.858,72
5 2013 9.198,36
Sumber: Statistik Indonesia, BPS, 2009-2013
Berdasarkan tabel diatas menunjukkan harga beras disetiap provinsi mengalami peningkatan dari tahun ketahun. Pada tahun 2009 sebesar Rp. 6.137,92 selalu meningkat dari tahun ketahun sampai tahun 2013 yaitu sebesar Rp. 9.198,36. Setiap tahunnya total harga beras yang ditetapkan pemerintah semakin meningkat, berbeda dengan harga beras disetiap provinsi yang ada di Indonesia disebabkan kemajuan didaerah itu masing-masing dan tingginya pendapatan daerah tersebut.
Berdasarkan uraian diatas terdapat keterkaitan antara Luas Lahan, Tenaga Kerja dan Harga Beras terhadap produksi padi di Indonesia. Oleh
(19)
karena itu, penulis tertarik untuk melakukan penelitian dengan judul
“ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI
PRODUKSI PADI DI INDONESIA TAHUN 2009-2013”. B.Batasan Masalah
Berdasarkan latar belakang diatas maka yang menjadi batasan-batasan dalam penelitian ini adalah sebagai berikut:
a. Variabel-variabel yang dianggap berpengaruh terhadap produksi padi di Indonesia adalah Luas Lahan, Tenaga Kerja dan Harga Beras.
b. Data yang digunakan adalah data per tahun dari tahun 2009 sampai dengan tahun 2013 adalah sebagai berikut:
1. Luas Lahan. 2. Tenaga Kerja. 3. Harga Beras. C.Rumusan Masalah
Berdasarkan latar belakang di atas maka yang menjadi permasalahan dalam penelitian ini adalah sebagai berikut:
a. Bagaimana pengaruh luas lahan terhadap Produksi Padi di Indonesia? b. Bagaimana pengaruh tenaga kerja terhadap Produksi Padi di Indonesia? c. Bagaimana pengaruh harga beras terhadap Produksi Padi di Indonesia? D.Tujuan Penelitian
Berdasarkan latar belakang dan perumusan masalah yang telah disebutkan diatas, maka yang menjadi tujuan dari penelitian ini adalah:
(20)
a. Mengetahui pengaruh luas lahan terhadap Produksi Padi di Indonesia. b. Mengetahui pengaruh tenaga kerja terhadap Produksi Padi di Indonesia. c. Mengetahui pengaruh harga beras terhadap Produksi Padi di Indonesia. E.Manfaat Penelitian
Dari latar belakang dan tujuan diatas, penelitian ini diharapkan dapat memberikan manfaat bagi berbagai pihak maupun instansi terkait terhadap hasil penelitian ini diantaranya:
a. Sebagai referensi untuk melakukan penelitian yang terkait dengan penelitian ini.
b. Penelitian ini diharapkan dapat digunakan sebagai suatu kajian ilmiah untuk mengetahui pengaruh luas lahan, tenaga kerja dan harga beras terhadap Produksi Padi di Indonesia.
c. Sebagai bahan untuk menambah wacana kepustakaan, baik di tingkat Fakultas sampai tingkat Universitas.
(21)
7
BAB II
TINJAUAN PUSTAKA A.Landasan Teori
1. Produksi padi
Produksi padi merupakan salah satu hasil bercocok tanam yang dilakukan dengan penanaman bibit padi dan perawatan serta pemupukan secara teratur sehingga menghasilkan suatu produksi padi yang dapat dimanfaatkan. Padi tersebut kemudian diproses menjadi beras, yang mana beras itu sendiri akan diolah menjadi nasi. Nasi merupakan sumber kalori utama yang banyak mengandung unsur karbohidrat yang sangat tinggi sehingga sangat bermanfaat dan menjadikan sebagai bahan pangan utama.
2.Teori Fungsi Produksi
Fungsi produksi adalah hubungan antara output fisik dengan input-input fisik. Konsep tersebut didefinisikan sebagai skedul atau persamaan matematika yang menunjukkan kuantitas maksimum output yang dapat dihasilkan dari serangkaian input (Roger Leroy Miller, Roger E Meiners, 2000).
Dalam pengertian umum, fungsi produksi tersebut dapat ditunjukkan dengan rumus sebagai berikut:
(22)
Q = f (K,L,Pb) Dimana:
Q = Produksi Padi F = Konstanta K = Tenaga Kerja L = Luas Lahan Pb = Harga Beras
Pengertian fungsi produksi adalah hubungan Antara output yang dihasilkan dan faktor-faktor produksi yang digunakan sering dinyatakan dalam suatu fungsi produksi (production function) (Ari Sudarman, 2004).
Fungsi produksi suatu skedul (atau tabel atau persamaan matematis) yang menggambarkan jumlah output maksimum yang dapat dihasilkan dari satu set faktor produksi tertentu dan pada tingkat produksi tertentu pula, faktor produksi dapat diklasifikasikan menjadi dua macam (Ari Sudarman, 2004).
1.Faktor Produksi Tetap (Fixed Input)
Faktor produksi tetap adalah faktor produksi dimana jumlah yang digunakan dalam proses produksi tidak dapat diubah secara cepat bila keadaan pasar menghendaki perubahan jumlah output. Dalam kenyataannya tidak ada satu faktor produksi pun yang sifatnya tetap secara mutlak. Faktor produksi ini tidak dapat ditambah atau dikurangi jumlahnya dalam waktu yang relatif singkat. Input tetap akan selalu ada walaupun output turun sampai dengan nol. Contoh faktor produksi tetap dalam industri ini adalah alat atau mesin yang digunakan dalam proses produksi.
(23)
2. Faktor Produksi Variabel (Variable output)
Faktor produksi variabel adalah faktor produksi di mana jumlah dapat berubah dalam waktu yang relatif singkat sesuai dengan jumlah output yang dihasilkan. Contoh faktor produksi variabel dalam industri adalah bahan baku dan tenaga kerja.
Sejalan berkembangnya faktor produksi menjadi faktor produksi yang bersifat tetap dan variabel, para ally ekonomi sering membagi kurun waktu produksi menjadi dua macam, yaitu jengka pendek (short run) dan jangka panjang (long run). Kurun waktu jangka pendek adalah menunjukkan kurun waktu di mana salah satu faktor produksi atau lebih bersifat tetap. Jadi, dalam kurun waktu itu output dapat diubah jumlahnya dengan jalan mengubah faktor produksi variabel yang digunakan dan dengan peralatan mesin yang ada. Bila seorang produsen ingin menambah produksinya dalam jangka pendek, maka hal ini hanya dapat dilakukan dengan jalan menambah jam kerja dan dengan tingkat skala perusahaan yang ada (dalam jangka pendek peralatan mesin perusahaan ini tidak mungkin untuk ditambah). Adapun kurun waktu jangka panjang adalah kurun waktu di mana semua faktor produksi bersifat variabel. Hal ini berarti dalam jangka panjang, perubahan output dapat dilakukan dengan cara mengubah faktor produksi dalam tingkat kombinasi yang seoptimal mungkin. Misalnya dalam jangka pendek produsen dapat memperbesar outputnya dengan jalan menambah jam kerja per hari dan hanya pada tingkat skala perusahaan yang ada. Dalam jangka panjang, mungkin akan
(24)
lebih ekonomis baginya bila ia menambah skala perusahaan (peralatan mesin) dan tidak perlu menambah jam kerja (Ari Sudarman, 2004).
Pengertian periode produksi jangka pendek dan jangka panjang secara mutlak tidak dikaitkan dengan kurun waktu yang tertentu. Dalam arti mungkin saja dalam suatu proses produksi tertentu, kurun waktu 1 tahun termasuk jangka pendek, tetapi untuk proses produksi yang lain kurun waktu tersebut termasuk jangka panjang. Jangka pendek dan jangka panjang dalam hal ini banyak dikaitkan dengan situasi proses produksi di mana produsen dapat mengubah faktor produksi yang digunakan atau tidak. Dalam kurun waktu satu hari mungkin lebih intensif apabila produsen tetap menggunakan mesin yang ada, dalam kurun waktu satu bulan produsen tersebut akan merasa lebih untung apabila menyewa tambahan peralatan produksinya, dan dalam kurun waktu satu tahun akan lebih menguntungkan lagi apabila produsen tersebut membayar sendiri tambahan peralatan produksi yang baru lagi, dalam kurun waktu yang lebih panjang kemungkinan produsen untuk mengadakan penggantian dan penyesuaian faktor -faktor produksi yang digunakan menjadi lebih besar. Dalam hal ini terlihat bahwa besarnya biaya produksi untuk menghasilkan sejumlah output tertentu tergantung kepada lamanya waktu yang tersedia bagi produsen untuk mengadakan penyesuaian jumlah faktor-faktor produksi yang ia gunakan (Ari sudarman, 2004).
(25)
3. Fungsi Produksi Cobb-Douglas
Fungsi produksi adalah hubungan fisik antara masukan produksi (input) dengan produksi (output). Fungsi produksi Cobb-Douglas adalah suatu fungsi atau persamaan yang melibatkan dua atau lebih variabel, di mana variabel satu disabuse variabel dependen (Y) dan yang lain disebut variabel independen (X). Penyelesaian hubungan antara X dan Y adalah biasanya dengan cara regresi, dimana variasi dari Y akan dipengaruhi variasi dari X. Dengan demikian kaidah-kaidah pada garis regresi juga berlaku dalam penyelesaian fungsi Cobb-Douglas (Soekartawi, 2003).
Fungsi produksi Cobb-Dougals dapat ditulis sebagai berikut (Soekartawi, 2003):
Y = a X1b1, X2b2 , … Xnbn eu
Dimana :
Y = Produksi Padi X1 = Luas Lahan X2 = Tenaga Kerja X3 = Harga Beras
a,b = Besaran yang akan diduga e = Kesalahan (disturbance term)
Untuk memudahkan pendugaan terhadap persamaan di atas maka persamaan tersebut diperluas secara umum dan diubah menjadi bentuk linier dengan cara melogaritmakan persamaan tersebut (Soekartawi, 2003) yaitu: LogY = Log a + b1 LogX1 + b2 LogX2 + b3 LogX3 +e…...(4)
(26)
Karena penyelesaian fungsi Cobb-Douglas selalu dilogaritmakan dan diubah bentuknya menjadi linier, maka persyaratan dalam menggunakan fungsi tersebut antara lain (Soekartawi, 2003):
1. Tidak ada pengamatan yang bernilai nol. Sebab logaritma dari nol adalah suatu bilangan yang besarnya tidak diketahui (infinite). 2. Dalam fungsi produksi perlu diasumsikan bahwa tidak ada
perbedaan tingkat teknologi pada setiap pengamatan. 3. Tiap variabel X dalam pasar perfect competition.
Perbedaan lokasi (pada fungsi produksi) seperti iklim adalah sudah tercakup pada faktor kesalahan (e).
4. Faktor-faktor yang Mempengaruhi Produksi Padi di Indonesia
Berikut beberapa faktor yang dapat mempengaruhi produksi padi di Indonesia.
a. Luas Lahan
Tanah sawah adalah tanah pertanian yang berpetak-petak dan dibatasi oleh pematang (galengan), saluran untuk menahan atau menyalurkan air dan biasanya ditanami padi sawah, tanpa memandang dari mana diperolehnya ataupun status dari tanah tersebut.
b. Tenaga Kerja
Tenaga kerja adalah banyaknya tenaga kerja (petani) sawah disetiap masing-masing provinsi tersebut yang membudidayakan
(27)
atau mengusahakan tanaman padi dengan tujuan memenuhi kebutuhan hidup.
Tenaga kerja yang dilakukan dalam pertanian yaitu meliputi: 1. Tenaga kerja manusia yaitu pekerjaan yang dilakukan dan
diselesaikan oleh manusia.
2. Mesin yaitu pengolahan sawah dilakukan dengan menggunakan mesin atau alat.
c. Harga Beras
Harga beras disetiap masing-masing provinsi sangat berbeda. Beras diolah menjadi nasi. Pangan beras mempunyai peran yang sangat strategis dalam pemantapan ketahanan pangan dan ketahanan ekonomi.
B.Hasil Penelitian Terdahulu
1. Hubungan Luas Lahan Terhadap Produksi Padi
Dalam pertanian, terutama indonesia, faktor produksi tanah mempunyai kedudukan paling penting. Lahan sebagai salah satu faktor yang merupakan pabriknya hasil-hasil pertanian yang mempunyai kontribusi yang cukup besar terhadap usahatani. Besar kecilnya produksi dari usahatani antara lain dipengaruhi oleh sempitnya lahan yang digunakan. Penggunaan luhan lahan untuk pertanian secara umum dapat dibedakan atas penggunaan luas lahan semusim, tahunan dan permanen. Penggunaan luas lahan tanaman semusim diutamakan untuk tanaman musiman yang dalam polanya dapat dengan rotasi atau tumpang sari dan panen dilakukan setiap musim dengan periode biasanya
(28)
kurang dari setahun. Penggunaan luas lahan tahunan merupakan penggunaan tanaman jangka panjang yang pergilirannya dilakukan setelah hasil tanaman tersebut secara ekonomi tidak produktif lagi, seperti pada tanaman perkebunan. Penggunaan luas lahan permanen diarahkan pada lahan yang tidak diusahakan untuk pertanian. Seperti hutan, daerah konservasi, perkotaan, desa dan sarananya, lapangan terbang dan pelabuhan.
Jadi hubungan luas lahan dengan produksi padi adalah positif (Lains 1988 dalam Joko Triyanto 2006).
2. Hubungan Tenaga Kerja Terhadap Produksi Padi
Merupakan faktor produksi kedua setelah tanah. Tenaga kerja yang digunakan didaerah menggunakan tenaga mekanik dan manusia. Dimana tenaga kerja manusia dapat diperoleh dari dalam keluarga dan dari luar keluarga. Tenaga kerja dalam keluarga adalah jumlah tenaga potensial yang tersedia dalam keluarga, sedangkan tenaga kerja dari luar diperoleh dengan cara sistim upah yaitu tergantung harga dari masing-masing daerah.
3. Hubungan Harga Beras Terhadap Produksi Padi
Harga Beras adalah salah satu produk makanan pokok paling penting didunia. Beras merupakan bahan pangan pokok yang sampai saat ini masih dikonsumsi oleh sebagian besar penduduk Indonesia. Jumlah masyarakat yang mengkonsumsi beras ini menunjukkan ketergantungan masyarakat pada beras. Kalau produksi padinya sedikit maka beras yang dijual akan lebih mahal. Semakin banyak produksi, permintaan akan semakin murah. Hidup layak dengan kemampuan untuk memenuhi kebutuhan pangan merupakan hak asasi
(29)
manusia. Oleh karena itu, setiap warga negara berhak atas terpenuhinya pangan yang cuckup dengan harga murah (Amang dan Sawit, 1999).
Tabel 2.1
Ringkasan Penelitian Terdahulu No Penulis
dan Tahun
Judul Tujuan Metode
Penelitian
Hasil Penelitian 1. Mahananto,
2009
Faktor-faktor yang
Mempengaruhi Produksi Padi di Jawa Tegah.
Untuk menganalisis faktor-faktor yang mempengaruhi peningkatan produksi padi sawah. Penarikan sampel dilakukan dengan dua tahap, yang pertama
menentukan smapel desa yang dilakukan dengan metode simpel random sampling. Pengumpulan data dilakukan dengan teknik wawancara dengan menggunakan instrumen kuesioner. Alat analisis yang digunakan adalah model Fungsi produksi Transendental. Menunjukkan bahwa model yang digunakan secara simultan faktor-faktor luas lahan garapan, jumlah tenaga kerja efektif, jumlah pupuk, jumlah dan sistem irigasi berpengaruh sangat nyata terhadap terhadap peningkatan produksi padi sawah.
2 Arief Rachman, 2014 Analisis efisiensi dan faktor-faktor produksi usahatani padi. Untuk menganalisis pengaruh faktor produksi(luas lahan, bibit, pupuk, pestisida dan tenaga kerja) terhadap jumlah produksi padi. Regresi linier berganda dan uji efisiensi. Berdasarkan pengolahan data diperoleh hasil bahwa variabel yang signifikan mempengaruhi produksi padi.
(30)
Lanjutan Tabel 2.1 No Penulis
dan Tahun
Judul Tujuan Metode
Penelitian
Hasil Penelitian 3 Klivensi
Ilona Mafor, 2015
Analisis Faktor Produksi Padi Sawah Di Desa Tompasobaru Dua Untuk mengetahui pengaruh penggunaan faktor produksi padi sawah di Desa Tompasobaru Dua. Data yang dikumpulkan dalam penelitian ini adalah menggunakan data primer. Analisis yang digunakan dalam penelitian ini adalah dengan menggunakan analisis regresi linier berganda. Variabel dependen adalah produksi padi dan variabel independen adalah luas lahan, penggunaan pupuk urea, penggunaan pupuk ponska dan tenaga kerja. Hasil penelitian menunjukkan bahwa faktor-faktor produksi yang berpengaruh secara nyata terhadap produksi padi Desa Tompasobaru Dua Kecamatan Tompasobaru adalah luas lahan, penggunaan pupuk ponska dan tenaga kerja.
(31)
Lanjutan Tabel 2.1 No Penulis
dan Tahun
Judul Tujuan Metode
Penelitian
Hasil Penelitian
4. Fatihah Ulfah Uzzam, 2011 Analisis Faktor-Faktor Yang Mempengaruhi Produksi Padi Di Kabupaten Solok. Untuk mengetahui pengaruh luas lahan dan tenaga kerja terhadap produksi padi di kabupaten solok selama 15 tahun digunakan untuk menganalisis tujuan penelitian. Alat analisis yang digunakan adalah regresi berganda dengan fungsi produksi Cobb-Douglas dan metode OLS (Ordinary Least Square). Hasil analisis menunjukkan bahwa variabel luas lahan memberikan pengaruh positif dan signifikan pada taraf kepercayaan 5% terhadap produksi padi. Artinya luas lahan berpengaruh terhadap produksi padi. Setiap penambahan luas lahan akan meningkatkan produksi padi. Sementara variabel tenaga kerja mempunyai hubungan yang negatif dan tidak signifikan dalam mempengaruhi produksi padi di Kabupaten Solok pada taraf kepercayaan 5%. Tenaga kerja tidak berpengaruh terhadap produksi padi.
(32)
Lanjutan Tabel 2.1
No Penulis dan Tahun
Judul Tujuan Metode
Penelitian
Hasil Penelitian
5. S Hasman Hasyim, 2014 Analisis Faktor-faktor Yang Mempengaruhi Produksi Padi Sawah (Studi di Desa Medang, Kecamatan Medang Deras) Untuk menganalisis faktor-faktor yang mempengaruhi produksi padi sawah, mengetahui pendapatan petani dari usahatani padi sawah dan melihat hubungan karakteristik sosial ekonomi petani. Metode penentuan daerah penelitian dilakukan secara purposive sampling dan penentusn petani sampel dilakukan dengan metode accidental sampling. Dan kajian ini menggunakan analisis Regresi Linier Berganda dan analisis Korelasi Rank Spearman. Menunjukkan faktor-faktor produksi seperti bibit, pupuk, pestisida dan tenaga kerja secara serempak berpengaruh nyata terhadap produksi padi sawah, tetapi secara parsial hanya pestisida yang berpengaruh terhadap produksi.
Hasil-hasil penelitian tersebut memperkaya referensi dari penelitian ini. Penelitian-penelitian yang telah dilakukan tersebut mempunyai kesamaan pada permasalahan yang dibahas, yaitu mengenai analisis faktor-faktor yang mempengaruhi produksi padi di Indonesia. Beberapa hal yang membedakan penelitian ini dengan penelitian sebelumnya adalah dalam lokasi dan kondisi objek penelitian, periode waktu penelitian dan beberapa variabel yang dipergunakan.
(33)
C.Hipotesis
1. H0 : Luas Lahan = 0 : Luas Lahan Tidak Berpengaruh Terhadap Produksi Padi di Indonesia.
Luas lahan di seluruh provinsi Indonesia yang berpetak-petak. Jika lahan sawah sangat luas maka panennya sangat banyak. Berdasarkan hal ini, maka dapat disusun hipotesis sebagai berikut:
H1 : Luas Lahan > 0 : Luas Lahan Berpengaruh Positif dan Signifikan Terhadap Produksi Padi di Indonesia.
2. H0 : Tenaga Kerja = 0 : Tenaga Kerja Tidak Berpengaruh Terhadap Produksi Padi di Indonesia.
Tenaga kerja di Indonesia akan memberikan hasil yang sangat baik dan cepat dalam melakukan suatu pekerjaan terhadap masing-masing usahatani diseluruh provinsi Indonesia. Jika banyak yang bekerja, maka diharapkan dapat meningkatkan pendapatan petani di Indonesia. Berdasarkan hal tersebut, maka dapat disusun hipotesis sebagai berikut: H1 : Tenaga Kerja > 0 : Tenaga Kerja Berpengaruh Positif dan Signifikan Terhadap Produksi Padi di Indonesia.
3. H0 : Harga Beras = 0 : Harga Beras Tidak Berpengaruh Terhadap Produksi Padi di Indonesia.
Semakin besar harga beras maka semakin besar pula kemampuan masyarakat untuk melakukan pembelian harga beras, yang pada akhirnya berpengaruh positif dalam meningkatkan harga beras di seluruh provinsi
(34)
Indonesia. Berdasarkan hal tersebut, maka dapat disusun hipotesis sebagai berikut:
H1 : Harga Beras > 0 : Harga Beras Berpengaruh Positif dan Signifikan Terhadap Produksi Padi di Indonesia.
4. Model Penelitian
Pada pembahasan ini penulis akan memaparkan kerangka pikir penelitian yang menjadi dasar sekaligus alur berpikir dalam melihat pengaruh variabel yang menentukan produksi padi. Selanjutnya Informasi mengenai kerangka pikir penelitian dapat dilihat pada Gambar di bawah ini sebagai berikut:
Gambar 2.2 Model Penelitian
Dari gambar diatas, penulis ingin mengkaji dan menguji apakah Luas Lahan, Tenaga Kerja dan Harga Beras berpengaruh terhadap produksi padi. Untuk mengujinya penelitian ini menggunakan analisis regresi Data Panel.
Luas Lahan (+)
Tenaga Kerja (+)
Harga Beras (+)
(35)
21
BAB III
METODE PENELITIAN A. Objek/Subjek Penelitian
Objek penelitian yang digunakan dalam penelitian ini adalah yang menjadi penyebab dari produksi padi di Indonesia. Sedangkan yang subjek adalah luas lahan, tenaga kerja dan harga beras terhadap produksi padi di Indonesia.
B. Jenis Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari BPS (Badan Pusat Statistik). Data bersifat time series dengan periode 2009 sampai dengan 2013. Data yang diperlukan dalam penelitian ini adalah:
a. Luas Lahan di seluruh provinsi Indonesia pada tahun 2009 sampai dengan 2013.
b. Tenaga Kerja di seluruh provinsi Indonesia pada tahun 2009 sampai dengan 2013.
c. Harga Beras di seluruh provinsi Indonesia pada tahun 2009 sampai dengan 2013.
C. Teknik Pengumpulan Data
Pengambilan sampel dalam penelitian ini yaitu sampel gabungan antara data runtut waktu (time series) dan data silang (cross section) di
(36)
Seluruh Provinsi dari tahun 2009-2013. Dan hasil penelitian yang diperoleh dari perhitungan data panel.
Untuk melengkapi data dan referensi yang diperlukan dalam penyusunan penelitian ini, maka ditempuh cara sebagai berikut:
a. Studi Pustaka, yang merupakan cara memperoleh informasi melalui benda-benda tertulis, yang diperoleh dari berbagai sumber antara lain jurnal, skripsi, maupun buku-buku yang relevan dalam membantu penyusunan penelitian ini, juga termasuk buku-buku terbitan instansi pemerintah (BPS).
b. Studi Dokumen, metode pengambilan data dengan mengambil data dari berbagai sumber yaitu dari Badan Pusat Statistik.
D.Definisi Operasional Variabel Penelitian
Dalam penelitian ini terdiri dari Variabel Dependen (Y) adalah produksi padi, Variabel Independen (X1) adalah Luas Lahan, Variabel Independen (X2) adalah Tenaga Kerja dan Variabel Independen (X3) adalah Harga Beras di seluruh Provinsi Indonesia.
a. Produksi padi (Y)
Merupakan produksi padi yang berhasil dipanen pada tahun 2009-2013 seluruh provinsi di Indonesia, dinyatakan dalam (ton/tahun).
(37)
b. Luas Lahan (X1)
Merupakan luas lahan pertanian yang dapat ditanami padi selama satu tahun dari masing-masing di Indonesia, dinyatakan dalam (ha/tahun).
c. Tenaga Kerja (X2)
Merupakan penduduk dalam usia kerja yang siap melakukan pekerjaan, yaitu usia 15-65 tahun. Berdasarkan UU No 13 tahun 2003, tenaga kerja adalah setiap orang yang mampu melakukan pekerjaan guna menghasilkan barang dan jasa, baik untuk memenuhi kebutuhan sendiri maupun masyarakat.
d. Harga Beras
Harga beras adalah harga beras rata-rata per kilogram dari berbagai jenis varietas selama satu tahun dalam satuan rupiah. Beras itu akan diolah menjadi nasi. Nasi merupakan sumber kalori utama yang banyak mengandung unsur karbohidrat yang sangat tinggi sehingga sangat bermanfaat dan menjadikan sebagai bahan pangan utama. Data diambil dari Statistik Indonesia (BPS) pada tahun 2009-2013.
e. Uji Kualitas Data 1. Uji Multikolinearitas
Multikolinearitas adalah adanya hubungan linear antar variabel independent. Salah satu asumsi model regresi klasik adalah tidak terdapat diatara variabel independent dalam model regresi. Multikolinearitas artinya
(38)
terdapat korelasi yang signifikan diantara dua atau lebih variabel independent dalam model regresi. Pengujian terhadap ada tidaknya multikolinearitas ini dilakukan dengan cara melihat koefisien korelasi antar variabel. Beberapa kaidah untuk mendeteksi ada tidaknya multikolinearitas dalam suatu model empiris yaitu sebagai berikut:
1). Nilai R2 yang dihasilkan dari hasil estimasi model empiris sangat tinggi, tetapi tingkat signifikan variabel bebas berdasarkan uji t statistik sangat sedikit.
2). Tolerance and variance inflation factor (VIF). VIF mencoba melihat bagaimana varian dari suatu penaksir meningkat seandainya ada multikolnearitas dalam suatu model empiris. Misalkan R2 dari hasil estimasi regresi secara parsial mendekati satu, maka nilai VIF akan mempunyai nilai tak hingga. Dengan demikian nilai kolinearitas meningkat maka varian dari penaksir akan meningkat dalam limit yang tak terhingga.
Ada beberapa cara untuk mengetahui multikolinearitas dalam suatu model, salah satunya adalah dengan melihat koefisien korelasi hasil output komputer. Jika terdapat koefisien korelasi yang lebih besar |0.9| maka terdapat gejala multikolinearitas.
2. Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lainnya. Deteksi adanya heterokedastisitas adalah:
(39)
a). Signifikan korelasi >0,05 berarti bebas dari heteroskedastisitas b). Signifikan korelasi < 0,05 berarti terkena heteroskedastisitas f. Analisis Data
Untuk menjawab permasalahan yang telah ditetapkan, maka dalam menganalisis permasalahan (data) penulis akan menggunakan metode regresi Data Panel. Analisis regresi data panel adalah analisis regresi dengan struktur data yang merupakan data panel. Umumnya pendugaan parameter dalam analisis regresi dengan data cross section dilakukan menggunakan pendugaan metode kuadrat terkecil atau disebut Ordinary Least Square (OLS).
Data panel adalah gabungan antara data runtut waktu (time series) dan data silang (cross section). Menurut Agus Widarjono (2009) penggunaan data panel dalam sebuah observasi mempunyai beberapa keuntungan yang diperoleh. Pertama, data panel yang merupakan gabungan dua data time series dan cross section mampu menyediakan data yang lebih banyak sehingga akan lebih menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi dari data time series dan cross section dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel (omitted-variabel).
Hsiao (1986), mencatat bahwa penggunaan panel data dalam penelitian ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis cross section maupun time series. Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkan degree of freedom (derajat kebebasan), data memiliki variabelitas yang besar dan mengurangi kolinearitas antara
(40)
variabel penjelas, di mana dapat menghasilkan estimasi ekonometri yang efisien. Kedua, panel data dapat memberikan informasi lebih banyak yang tidak dapat dberikan hanya oleh data cross section dan time series saja. Dan ketiga, panel data dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section (Agus T.B. dan Imamudin Y, 2015).
Menurut Wibisono (2005) keunggulan regresi data panel antara lain: pertama, panel data mampu memperhitungkan heterogenitas individu secara eksplisit dengan mengizinkan variabel spesifik individu. Kedua, kemampuan mengontrol heterogenitas ini selanjutnya menjadikan data panel dapat digunakan untuk menguji dan membangun model prilaku lebih kompleks. Ketiga, data panel mendasarkan diri pada observasi cross section yang berulang-ulang (time series), sehingga metode data panel cocok digunakan sebagai study of dynamic adjustment. Keempat, tingginya jumlah observasi memiliki implikasi pada data yang lebih informatif, lebih variatif, dan kolinearitas (multiko) antara data semakin berkurang, dan derajat kebebasan (degree of freedom/ df) lebih tinggi sehingga dapat diperoleh hasil estimasi yang lebih efisien. Kelima, data panel dapat digunakan untuk mempelajari model-model perilaku yang kompleks. Dan keenam, data panel dapat digunakan untuk meminimalkan bias yang mungkin ditimbulkan oleh agregasi data individu (Agus T.B. dan Imamudin Y, 2015).
(41)
a. Model Regresi Data Panel
Model regresi panel dari judul diatas sebagai berikut ini:
Y = α + b1X1it + b2X2it + b3X3it + e Keterangan:
Y = Produksi Padi α = Konstanta
b(1...3) = Koefisien dari masing-masing variabel independen X1 = Luas Lahan
X2 = Tenaga Kerja X3 = Harga Beras i = Indonesia t = waktu e = error term 1. Penentuan Model Estimasi
Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, antara lain:
a. Common Effect atau Pooled Least Square (PLS)
Merupakan pendekatan model data panel yang paling sederhana karena hanya mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam berbagai kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi model data panel. b. Fixed Effect Model (FEM)
Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Untuk mengestimasi data panel
(42)
model Fixed Effects menggunakan teknik variable dummy untuk menangkap perbedaan intersep antar perusahaan, perbedaan intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan insentif. Namun demikian slopnya sama antar perusahaan. Model estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).
c. Random Effect Model (REM)
Model ini akan mengestimasi data panel dimana variabel gangguan mungkin saling berhubungan antar waktu dan antar individu. Pada model Random Effect perbedaan intersep diakomodasi oleh error terms masing-masing perusahaan. Keuntungan menggunakan model Random Effect yakni menghilangkan heteroskedastisitas. Model ini juga disebut dengan Error Component Model (ECM) atau teknik Generalized Least Square (GLS).
Untuk memilih model yang paling tepat terdapat beberapa pengujian yang dapat dilakukan, antara lain:
a. Uji Statistik F (Uji Chow)
Untuk mengetahui model mana yang lebih baik dalam pengujian data panel, bisa dilakukan dengan penambahan variabel dummy sehingga dapat diketahui bahwa intersepnya berbeda dapat diuji dengan uji Statistik F. Uji ini digunakan untuk mengetahui apakah teknik regresi data panel dengan metode Fixed Effect lebih baik dari regresi model data panel tanpa variabel dummy atau metode Common Effect.
(43)
Hipotesis nol pada uji ini adalah bahwa intersep sama, atau dengan kata lain model yang tepat untuk regresi data panel adalah Common Effect, dan hipotesis alternatifnya adalah intersep tidak sama atau model yang tepat untuk regresi data panel adalah Fixed Effect.
Nilai Statistik F hitung akan mengikuti distribusi statistik F dengan derajat kebebasan (deggre of freedom) sebanyak m untuk numerator dan sebanyak n – k untuk denumerator. m merupakan merupakan jumlah restriksi atau pembatasan di dalam model tanpa variabel dummy. Jumlah restriksi adalah jumlah individu dikurang satu. n merupakan jumlah observasi dan k merupakan jumlah parameter dalam model Fixed Effect.
Jumlah observasi (n) adalah jumlah individu dikali dengan jumlah periode, sedangkan jumlah parameter dalam model Fixed Effect (k) adalah jumlah variabel ditambah jumlah individu. Apabila nilai F hitung lebih besar dari F kritis maka hipotesis nul ditolak yang artinya model yang tepat untuk regresi data panel adalah model Fixed Effect. Dan sebaliknya, apabila nilai F hitung lebih kecil dari F kritis maka hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah model Common Effect.
b. Uji Hausman
Hausman telah mengembangkan suatu uji untuk memilih apakah metode Fixed Effectdan metode Random Effect lebih baik dari metode Common Effect. Uji Hausman ini didasarkan pada ide bahwa Least Squares Dummy Variables (LSDV) dalam metode metode Fixed
(44)
Effect dan Generalized Least Squares (GLS) dalam metode Random Effect adalah efisien sedangkannOrdinary Least Squares (OLS) dalam metode Common Effect tidak efisien. Dilain pihak, alternatifnya adalah metode OLS efisien dan GLS tidak efisien. Karena itu, uji hipotesis nulnya adalah hasil estimasi keduanya tidak berbeda sehingga uji Hausman bisa dilakukan berdasarkan perbedaan estimasi tersebut.
Statistik uji Hausman mengikuti distribusi statistik Chi-Squares dengan derajat kebebasan (df) sebesar jumlah variabel bebas. Hipotesis nolnya adalah bahwa model yang tepat untuk regresi data panel adalah model Random Effect dan hipotesis alternatifnya adalah model yang tepat untuk regresi data panel adalah model Fixed Effect. Apabila nilai statistik Hausman lebih bears dari nilai kritis Chi-Squares maka hipotesis nol ditolak yang artinya model yang tepat untuk regresi data panel adalah model Fixed Effect. Dan sebaliknya, apabila nilai statistik Hausman lebih kecil dari nilai kritis Chi-Squares maka hipotesis nol diterima yang artinya model yang tepat untuk regresi data panel adalah model Random Effect.
Dari penjelasan mengenai metode estimasi dan pemilihan model regresi panel di atas, digambarkan kerangka pemikiran regresi data panel sebagai berikut:
(45)
Sumber: Agus T.B. dan Imamudin Y, 2015 GAMBAR 3.1
Kerangka Pemikiran a. Teknik Penaksiran Model
Pada penelitian ekonomi, seorang peneliti sering menghadapi kendala data. Apabila regresi diestimasi dengan data runtut waktu, observasi tidak
Obyek Penelitian
Uji Chow
Pemilihan Model Regresi Panel
Random Effect Fixed Effect
Common Effect
Model Estimasi Data
Variabel Independen (X) Variabel Dependen (Y)
Uji Asumsi Klasik
Uji Hausman
Heteroskedastisitas Multikolinieritas
Adjusted R2
Uji t Uji Signifikasi
Uji F
(46)
mencukupi. Jika regresi diestimasi dengan data lintas sektoral terlalu sedikit untuk menghasilkan estimasi yang efisien. Salah satu solusi untuk menghasilkan estimasi yang efisien adalah dengan menggunakan model regresi data panel. Data panel (pooling data) yaitu suatu model yang menggabungkan observasi lintas sektoral dan data runtut waktu. Tujuannya supaya jumlah observasinya meningkat. Apabila observasi meningkat maka akan mengurangi kolinieritas antara variabel penjelas dan kemudian akan memperbaiki efisiensi estimasi ekonometri (Insukindro, 2001).
Hal yang diungkap oleh Baltagi (Puji dalam Irawan, 2012), ada beberapa kelebihan penggunaan data panel yaitu:
1. Estimasi data panel dapat menunjukkan adanya heterogenitas dalam tiap unit.
2. Penggunaan data panel lebih informatif, mengurangi kolinieritas antar variabel, meningkatkan derajat kebebasan dan kebih efisien.
3. Data panel cocok utnuk digunakan karena menggambarkan adanya dinamika perubahan.
4. Data panel dapat meminimalkan bias yang mungkin dihasilkan dalam agregasi.
Untuk menguji estimasi pengaruh jumlah unit usaha, nilai investasi, nilai produksi dan upah minimum terhadap penyerapan tenaga kerja pada industri kecil digunakan alat regresi dengan model data panel. Ada dua pendekatan yang digunakan dalam mengalisis data panel. Pendekatann Fixed Effect dan Random Effect. Sebelum model estimasi dengan model yang tepat,
(47)
terlebih dahulu dilakukan uji spesifikasi apakah Fixed Effect dan Random Effect atau keduanya memberikan hasil yang sama. Metode GLS (Generated Least Square) dipilih dalam penelitian ini karena adanya nilai lebih yang dimiliki oleh GLS dibanding OLS dalam mengestimasi parameter regresi. Menyebutkan bahwa metode OLS yang umum mengasumsikan bahwa varians variabel adalah heterogen, pada kenyataannya variasi pada data pooling cenderung heterogen. Metode GLS sudah memperhitungkan heterogenitas yang terdapat pada variabel independen secara eksplisit sehingga metode ini mampu menghasilkan estimator yang memenuhi kriteria BLUE (best linier unbiased estimator) Gujarati (2003).
Dari beberapa variabel yang digunakan dalam penelitian ini maka dapat dibuat model penelitan sebagai berikut:
Yit =β0+ β1X1it+ β2X2it + β3X3it +ε
Yang kemudian di transformasikan kedalam persamaan logaritma, yaitu:
LogYit =β0+Log β1X1it+ Log β2X2it +Log β3X3it +ε Keterangan :
Log Yit = Produksi Padi
β0 = Konstanta
Log β123 = Koefisien variabel 1,2,3
Log X1 = Luas Lahan Log X2 = Tenaga Kerja
X3 = Harga Beras
i = Indonesia
t = Periode Waktu ke-t
(48)
Dalam menguji spesifikasi model pada penelitian, penulis menggunakan beberapa metode :
1. Uji Hausman
Uji Spesifikasi Hausman membandingkan model fixed effect dan random di bawah hipotesis nol yang berarti bahwa efek individual tidak berkorelasi dengan regresi dalam model (Hausman dalam Venia, 2014). Jika tes Hausman tidak menunjukkan perbedaan yang signifikan (p> 0,05), itu mencerminkan bahwa efek random estimator tidak aman bebas dari bias, dan karena itu lebih dianjurkan kepada estimasi fixed effect disukai daripada efek estimator tetap.
2. Uji Chow Test
Chow test yakni pengujian untuk menentukan model Fixed Effect atau Random Effect yang paling tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah:
H0 = Common Effect Model atau pooled OLS H1 = Fixed Effect Model
Dasar penolakan terhadap hipotesis diatas adalah dengan membandingkan perhitungan F-statistik dengan F-tabel. Perbandingan dipakai apabila hasil F hitung lebih besar (>) dari F table maka Ho di tolak yang berarti model yang digunakan adalah Cammon Effect Model (Widarjono, 2009). Perhitungan F statistic didapat dari uji chow dengan rumus (Baltagi, 2005).
(49)
Dimana :
SSE1 = Sum Square Error dari model Common Effect SSE2 = Sum Square Error dari model Fixed Effect n = Jumlah perusahaan (cross section)
nt = Jumlah cross section x jumlah time series k = Jumlah variable independen
sedangkan variable F table didapat dari :
Dimana :
a = tingkat signifikan yang dipakai n = jumlah Indonesia (cross section) nt = jumlah cross section x time series k = jumlah variable independen
1. Pengujian Asumsi Klasik (Multikolinearitas dan Heteroskedastisitas).
Dengan pemakaian metode Ordinary Least Squared (OLS), untuk menghasilkan nilai parameter model penduga yang lebih tepat, maka diperlukan pendeteksian apakah model tersebut menyimpang dari asumsi klasik atau tidak, deteksi tersebut terdiri dari:
a. Uji Multikolinearitas
Multikolinearitas dapat diartikan sebagai suatu keadaan dimana satu atau lebih variabel bebas dapat dinyatakan sebagai kombinasi kolinier dari variabel yang lainnnya. Uji ini bertujuan untuk mengetahui apakah dalam regresi ini ditemukan adanya korelasi antar variabel independen. Jika terjadi
(50)
korelasi maka dinamakna terdapat problem multikolinieritas. Salah satu cara mendeteksi adanya multikolinearitas yaitu:
R2 cutupa tinggi (0,7 – 0,1), tetapi uji-t untuk masing-masing koefisien regresi nya tidak signifikan.
Tingginya R2 merupakan syarat yang cukup (sufficent) akan tetapi bukan syarat yang perlu (necessary) untuk terjadinya multikolinearitas, sebab pada R2 yang rendah < 0,5 bisa juga terjadi multikolinearitas.
1. Meregresikan variabel independen X dengan variabel-variabel independen yang lain, kemudian di hitung R2 nya dengan uji F.
2. Jika F* > F tabel berarti H0 di tolak, ada multikolinearitas.
3. Jika F* < F tabel berarti H0 di terima, tidak ada multikolinearitas.
Ada beberapa cara untuk mengetahui multikolienaritas dalam suatu model. Salah satunya adalah dengan melihat koefisien korelasi hasil output komputer. Jika terdapat koefisien korelasi yang lebih besar dari (0,9), mka terdapat gejala multikolinearitas (Rosadi, 2011).
Untuk mengatasi masalah multikolinieritas, satu variabel independen yang memiliki korelasi dengan variabel independen lain harus dihapus. Dalam hal metode GLS, model ini sudah diantisipasi dari multikolienaritas. b. Uji Heteroskedastisitas
Suatu model regresi dikatakan terkena heteroskedastisitas apabila terjadi ketidaksamaan varians dari residual dari suatu pengamatan ke pengamatan yang lain. Jika varians dari residual dan satu pengamatan ke
(51)
pengamatan yang lain tetap, maka disebut homoskedastisitas. Jika varians berbeda disebut heteroskedastisitas.
Adanya sifat heteroskedastisitas ini dapat membuat penaksiran dalam model bersifat tidak efisien. Umumnya masalah heteroskedastisitas lebih biasa terjadi pada data cross section dibandingkan dengan time series (Gujarati, 1978).
Untuk mendeteksi masalah heteroskedastisitas dalam model, penulis menggunakan uji park yang sering digunakan dalam beberapa referensi. Dalam metodenya, Park menyarankan suatu bentuk fungsi spesifik diantara varian kesalahan σ dan variabel bebas yang dinyatakan sebagai berikut :
σ = αX ………...…...….(1) Persamaan dijadikan linier dalam bentuk persamaan log sehingga menjadi:
Ln σ = α + β Ln Xi + vi …………...………..(2)
Karena varian kesalahan (σ tidak teramati, maka digunakan e
sebagai penggantinya. Sehingga persamaan menjadi:
Lne = α +β Ln Xi + vi ………...(3) Apabila koefisien parameter β dari persamaan regresi tersebut signifikan secara statistik, berarti didalam data terdapat masalah heteroskedastisitas. Sebaliknya, jika β tidak signifikan, maka asumsi homokedastisitas pada data dapat diterima. (Park dalam Sumodiningrat, 2010).
(52)
Uji ini bertujuan untuk menguji apakah pada model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain. Jika varians dari residual dari suatu pengamatan ke pengamatan yang lain tetap, maka disebut heteroskedastisitas. Model regresi yang baik adalah tidak adanya heteroskedastisitas. Dalam hal metode GLS, model ini sudah diantisipasi dari heteroskedastisitas. Deteksi adanya heteroskedastisitas:
- Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu yang terartur (bergelombang, melebat kemudian menyempit), maka telah terjadi heteroskedastisitas.
- Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas.
1. Uji Statistik Analisis Regresi
Uji signifikasi merupakan prosedur yang digunakan untuk menguji kesalahan atau kebenaran dari hasil hipotesis nol dari sampel.
a. Uji Koefisien Determinasi (R-Square)
Koefisien determinasi R2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel independen. Nilai koefisien determinasi diantara 0 dan 1 (0 < R2 <1), nilai (R2 ) yang kecil berarti kemampuan variabel-variabel independent dalam menjelaskan variasi variabel independen sangat terbatas. Nilai yang mendekati 1 berarti variabel independen memberikan hampir semua
(53)
informasi yang dibutuhkan untuk memprediksi variasi model dependen (Gujarati, 2003).
Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel dependen, (R2 ) pasti meningkat, tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen atau tidak. Oleh karena itu, banyak peneliti menganjurkan untuk menggunakan nilai adjusted R2 pada saat mengevaluasi model regresi terbaik. Tidak seperti nilai R2 , nilai adjusted R2 dapat naik dapat turun apabila satu variabel independen ditambahkan dalam model. Pengujian ini pada intinya adalah mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel independen.
b. Uji F-Statistik
Uji F-statistik ini dilakukan untuk melihat seberapa besar pengaruh variabel independen secara keseluruhan atau bersama-sama terhadap variabel dependen. Untuk pengujian ini dilakukan hipotesa sebagai berikut:
a. H0: β1 = β2=0, artinya secara bersama-sama tidak ada pengaruh variabel independen terhadap variabel dependen. b. Ha: β1≠ β2≠ 0, artinya secara bersama-sama ada pengaruh
variabel independen terhadap variabel dependen.
Pengujian ini dilakukan untuk membandingkan nilai F-hitung dengan F-tabel. Jika F-hitung lebih besar dari F-tabel maka H0
(54)
ditolak, yang berarti variabel independen secara bersama sama mempengaruhi variabel dependen.
c. Uji t-Statisik (Uji Parsial)
Uji t dilakukan untuk melihat signifikasi dari pengaruh variabel bebas secara individual terhadap variabel terikat dengan menganggap variabel bebas lainnya adalah konstan. Uji t mengunakan hipotesis sebagai berikut (Gujarati, 2003):
Hipotesis 1
Uji t untuk variabel Luas Lahan
H0: β1 = 0 (tidak ada hubungan linier antara luas lahan dengan produksi padi)
H1: β1>0 (ada pengaruh positif dan signifikan luas lahan dengan produksi padi)
Bila t hitung < t tabel maka H0 ditolak dan H1 diterima. Hipotesis 2
Uji t untuk variabel Tenaga Kerja
H0: β2 = 0 (tidak ada hubungan linier antara Tenaga Kerja dengan produksi padi)
H1: β1>0 (ada pengaruh positif dan signifikan dengan produksi padi)
Bila t hitung < t tabel maka H0 ditolak dan H1 diterima Hipotesis 3
(55)
H0: β2 = 0 (tidak ada hubungan linier antara harga beras dengan produksi padi)
H1: β1>0 (ada pengaruh positif dan signifikan harga beras dengan produksi padi)
Bila t hitung < t tabel maka H0 ditolak dan H1 diterima
Uji ini dapat dilakukan dengan membandingkan t hitung dengan t tabel.
Adapun rumus untuk mendapatkan t hitung adalah sebagai berikut:
t hitung = (bi – b)/sbi Dimana:
bi = koefisien variabel independen ke-i b = nilai hipotesis nol
sbi = simpangan baku dari variabel independen ke-i
Pada tingkat signifikans 5 persen dengan kriteria pengujian yang digunakan sebagai berikut:
- Jika t hitung < t tabel maka H0 diterima dan H1 ditolak, yang artinya salah satu variabel bebas (independent) tidak mempengaruhi variabel terikat (dependent) secara signifikan.
- Jika t hitung > t tabel maka H0 ditolak dan H1 diterima, yang artinya salah satu variabel bebas (independent) mempengaruhi variabel terikat (dependent) secara signifikan.
(56)
42
1.Letak Geografis dan Astronomis Indonesia Serta Pengaruhnya
Letak geografi Indonesia dan letak astronomis Indonesia adalah posisi negara Indonesia yang didefinisikan terhadap batasan-batasan yang mengelilingi Indonesia. Negara kita memiliki sejumlah pulau yang tersusun dari sabang sampai merauke. Penampakan permukaan alam Indonesia terdiri diri perairan dan daratan yang berbanding antara 4:1. Penampakan daratan berupa gunung tertinggi, sungai terpanjang di Indonesia, danau membuat Indonesia menjadi negara ke 15 terluas di dunia. Indonesia termasuk negara kepulauan yang berada pada posisi strategis yang digambarkan dari letak geografis dan letak astronomis Indonesia. Berikut ini selengkapnya:
1). Letak geografis Indonesia
Letak geografis Indonesia adalah posisi negara Indonesia yang dilihat dari permukaan bumi secara nyata sesak geuai penampakanalam yang membatasi Indonesia. Letak geografis menekankan pada fenomena alam berupa keadaan alam yang melingkupi wilayah tersebut. Hal ini berarti benua, samudera, danau, laut dan sebagainya. Batasan letak geografis Indonesia secara umum diapit oleh dua benua dan dua samudera, berikut penjelasannya:
1. Bagian barat laut: Wilayah Indonesia di batasi dengan Benua Asia. 2. Bagian tenggara: Batasan wilayah Indonesia dengan Benua Australia.
(57)
3. Bagian barat: Indonesia sebelah berat berbatasan dengan Samudera Hindia.
4. Bagian timur: Wilayah laut Indonesia berbatasan dengan Samudera Pasifik.
2). Letak Astronomis Indonesia
Selain letak geografis di Indonesia ada letak astronomis dimana posisi Indonesia yang dipengaruhi oleh garis khayal bumi yakni garis lintang dan bujur yang mengelilingi bumi. Dinamai garis khayal karena memang pada permukaan bumi sebenarnya, garis ini tidak ada hanya merupakan pengembangan ilmu astronomi pada cabang-cabang ilmu biologi. Letak astronomis Indonesia berdasarkan garis lintang dan bujur, yaitu :
1. Garis Lintang
Garis lintang membagi struktur bumi menjadi 2 bagian sama besar yaitu antara utara dan selatan. Garis lintang sejajar dengan garis khayal khatulistiwa (equator) yang membentang hingga kutub selatan dan kutub utara. Letak astronomis Indonesia berada pada titik 6o Lintang Utara (LU) sampai 11o Lintang Selatan (LS).
2. Garis Bujur
Garis Bujur membelah bumi secara horizontal, dari barat ke timur. Garis bujur disebut juga dengan garis meredien yang membatasi letak astronomis Indonesia antara 95o Bujur Timur (BT) – 141o Bujur Timur (BT).
(58)
3). Pengaruh Letak Geografis dan Astronomis Indonesia
Beberapa hal yang mempengaruhi Indonesia berdasarkan letak geografis: a. Mempengaruhi musim – Letak geografis Indonesia dilalui hembusan
angin muson (monsoon). Angin muson membawa perbedaan mus Indonesia yang mempengaruhi proses terjadinya hujan pada musim penghujan dan kemarau yang panas. Angin muson bergerak bergantian sepanjang tahun sebanyak 2 kali.
b. Wilayah strategis – Letak Indonesia yang berada diantara 2 benua dan 2 samudera membuat Indonesia menjadi jalur perlintasan Internasional baik laut dan udara. Hal ini akan mempengaruhi perkembangan ekonomi pada zona ekonomi eksklusif Indonesia yang dilewati industri-industri besar. Beberapa hal yang mempengaruhi Indonesia berdasarkan letak astronomis.
c. Mempengaruhi iklim – Indonesia terletak di sepanjang garis khatulistiwa yang berarti memiliki iklim tropis. Wilayah negara dengan iklim tropis akan memperoleh sinar matahari sebagai pusat tata surya sepanjang waktu. Hal tersebut akan berbeda dengan yang terjadi pada iklim sub tropis yang memiliki 4 musim, begitu juga dengan daerah beriklim kutub.
d. Mempengaruhi perbedaan waktu - Letak astronomis mempengaruhi perbedaan waktu yang ditetapkan mulai pada titik lintang dan bujur 0o kota Greenwich Inggris. Indonesia sendiri terbagi menjadi 3 zona waktu
(59)
yaitu WIB, WIT dan WITA sesuai Keputusan Presiden No.41 Tahun 1987.
2. Gambaran Umum Variabel Operasional 1. Produksi Padi di Indonesia
Produksi padi merupakan salah satu hasil bercocok tanam yang dilakukan dengan penanaman bibit padi dan perawatan serta pemupukan secara teratur sehingga menghasilkan suatu produksi padi yang dapat dimanfaatkan.
Tabel 4.1
Produksi Padi (ha) di Indonesia Tahun 2009-2013
Provinsi Tahun
2009 2010 2011 2012 2013
Aceh 1.556.858 1.582.393 1.772.962 1.778.738 1.956.940
Sumatera Utara 3.527.899 3.582.302 3.607.403 3.715.514 3.727.249
Sumatera Barat 2.105.790 2.211.248 2.279.602 2.368.390 2.430.384
Riau 531.429 574.864 535.788 512.152 434.144
Kepulauan Riau 430 1.246 1.223 1.323 1.370
Jambi 644.947 628.828 646.641 625.164 664.535
Sumatera Selatan 3.125.236 3.272.451 3.384.670 3.295.247 3.676.723
Kepulauan Ba Bel 19.864 22.259 15.211 22.976 28.480
Bengkulu 510.160 516.869 502.552 581.911 622.832
Lampung 2.673.844 2.807.676 2.940.795 3.093.422 3.207.002
DKI Jakarta 11.013 11.164 9.516 11.044 10.268
Jawa Barat 11.322.681 11.737.070 11.633.891 11.271.861 12.083.162
Banten 1.849.007 2.048.047 1.949.714 1.865.893 2.083.608
Jawa Tengah 9.600.415 10.110.830 9.391.959 10.232.934 10.344.816
DI Yogyakarta 837.930 823.887 842.934 946.224 921.824
Jawa Timur 11.259.085 11.643.773 10.576.543 12.198.707 12.049.342
Bali 878.764 869.161 858.316 865.553 882.092
Nusa Tenggara Barat 1.870.775 1.774.499 2.067.137 2.114.231 2.193.698
Nusa Tenggara Timur 607.359 555.493 591.371 698.566 729.666
Kalimatan Barat 1.300.798 1.343.888 1.372.988 1.300.100 1.441.876
Kalimatan Tengah 578.761 650.416 610.236 755.507 812.652
Kalimatan Selatan 1.956.993 1.842.089 2.038.309 2.086.221 2.031.029
Kalimatan Timur 555.560 588.879 552.616 553.440 439.439
(60)
Provinsi Tahun
2009 2010 2011 2012 2013
Gorontalo 256.934 253.563 273.921 245.357 295.913
Sulawesi Tengah 953.396 957.108 1.041.789 1.024.316 1.031.364
Sulawesi Selatan 4.324.178 4.382.443 4.511.705 5.008.143 5.035.830
Sulawesi Barat 310.706 362.900 365.683 412.620 445.030
Sulawesi Tenggara 407.367 454.644 491.567 516.291 561.361
Maluku 89.875 83.109 87.468 84.271 101.835
Maluku Utara 46.253 55.401 61.430 65.686 72.445
Papua 98.511 102.610 115.437 138.032 29.912
Papua Barat 36.985 34.254 29.304 30.245 169.791
Indonesia 64.352.683 66.469.394 65.756.904 69.056.126 71.291.494
Rata-rata 2.038.341 2.105.120 2.078.748 2.185.983 2.252.507
Sumber: Statistik Indonesia, BPS, 2009-2013
Berdasarkan tabel diatas, ada 33 provinsi dari tahun 2009 sampai tahun 2013, pada tahun 2009 yang tertinggi adalah provinsi Jawa Barat sebesar 11.322.681 dan yang terendah adalah provinsi Kepulauan Riau sebesar 430. Pada tahun 2010 yang tertinggi adalah provinsi Jawa Barat sebesar 11.737.070 dan yang terendah adalah provinsi Kepulauan Riau sebesar 1.246. Pada tahun 2011 yang tertinggi adalah provinsi Jawa Barat sebesar 11.633.891 dan yang terendah adalah provinsi Kepulauan Riau sebesar 1.223. Pada tahun 2012 yang tertinggi adalah provinsi Jawa Timur dan yang terendah adalah Kepulauan Riau sebesar 1.323. Sedangkan pada tahun 2013 Yang tertinggi adalah provinsi Jawa Barat sebesar 12.083.162 dan yang terendah adalah provinsi Kepulauan Riau sebesar 1.370. Dari tahun 2009 sampai tahun 2011 yang tertinggi mengalami peningkatan adalah provinsi Jawa Barat, tetapi pada tahun 2012 Jawa Timur. Dan pada tahun 2013 tetap Jawa Barat yang tertinggi. Sedangkan yang terendah dari tahun 2009 sampai tahun 2013 tetap Kepulauan Riau.
(61)
Tabel 4.2
Perkembangan Luas Panen, Produksi dan Produktivitas di Pulau Jawa, Luar Jawa dan Indonesia 2009-2013
Provinsi Tahun
2009 2010 2011 2012 2013
Luas Panen(ha)
Jawa 6.093.603 6.358.521 6.165.079 6.185.521 6.467.073 Luar Jawa 6.789.973 6.894.929 7.038.564 7.260.003 7.368.179 Indonesia 12.883.576 13.253.450 13.203.643 13.445.524 13.835.252 Produksi(ton)
Jawa 57,24 57,21 55,81 59,05 57,98
Luar Jawa 43,47 43,65 44,54 44,81 45,85
Indonesia 49,99 50,15 49,80 51,36 51,52
Produktivitas (ku/ha)
Jawa 34.880.131 36.374.771 34.404.557 36.526.663 37.493.020 Luas Jawa 29.518.759 30.094.623 31.352.347 32.529.463 33.786.689 Indonesia 64.398.890 66.469.394 65.756.904 69.056.126 71.279.709
Sumber: Produksi Tanaman Pangan, Statistik Indonesia, BPS, 2009-2013
Produksi padi tahun 2009 sebesar 64,40 juta ton Gabah Kering Giling (GKG), meningkat sebanyak 4,07 juta ton (6,75 persen).kenaikan aproduksi padi tahun 2009 tersebut terjadi di jawa sebesar 2,53 juta ton dan di luar jawa sebesar 1,54 juta ton. Kenaikan produksi terjadi karena peningkatan luas panen seluas 556,15 ribu hektar (4,51 persen) dan produktivitas sebesar 1,05 hektar (2,15 persen). Kenaikan produksi padi tahuan 2009 yang relatif besar terdapat di Provinsi Jawa Barat, Jawa Timur, Jawa Tengah, Lampung dan Provinsi Sulawesi Selatan. Produksi padi pada tahun 2010 sebesar 66,47 juta ton Gabah Kering Giling (GKG), meningkat sebanyak 2,07 juta ton (3,22 persen) dibandingkan tahuan 2009. Kenaikan produksi padi tahun 2010 tersebut terjadi di Jawa sebesar 1,49 juta ton dan di luar jawa sebesar 0,58 juta ton. Kenaikan produksi terjadi karena peningkatan luas panen seluas 369,87 ribu hektar (2,87 persen) dan produktivitas sebesar 0,16 hektar (0,32 persen). Kenaikan produksi padi tahun
(62)
2010 yang relatif besar terdapat di Provinsi Jawa Tengah, Jawa Barat, Jawa Timur, Banten, Sumatera Selatan dan Provinsi Lampung. Produksi padi tahun 2011 sebesar 65,76 juta ton Gabah Kering Giling (GKG), menurun sebanyak 0,71 juta ton (1,07 persen) dibandingkan atahun 2010. Penurunan produksi padi tahun 2011 tersebut terjadi di Jawa sebesar 1,97 juta ton sedangkan diluar jawa mengalami kenaikan sebesar 1,26 juta ton. Penurunan produksi terjadi disebabkan penurunan luas panen seluas 49,81 ribu hektar (0,38 persen) dan produktivitas sebesar 0,35 hektar (0,70 persen). Penurunan produksi padi tahun 2011 yang relatif besar terdapat di Provinsi Jawa Timur, Jawa Tengah, Jawa Barat, Banten, Kalimantan Tengah, dan Provinsi Riau. Produksi padi pada tahun 2012 sebesar 69,06 juta ton Gabah Kering Giling (GKG) meningkat sebanyak 3,30 juta ton (5,02 persen) dibandingkan tahun 2011. Peningkatan produksi padi tahun 2012 tersebut terjadi di pulau jawa sebesar 2,12 juta ton dan di luar pulau jawa sebesar 1,18 juta ton. Peningkatan produksi terjadi disebabkan peningkatan luas panen seluas 241,88 ribu hektar (1,83 persen) dan produktivitas sebesar 1,56 hektar (3,13 persen). Peningkatan produksi tahun 2012 yanga relatif besar terdapat di Provinsi Jawa Timur, Jawa Tengah, Sulawesi Selatan, Lampung dan Kalimantan Tengah. Sedangkan produksi padi pada tahun 2013 sebesar 71,28 juta ton Gabah Kering Giling (GKG), mengalami peningkatan sebesar 2,22 juta ton (3,22 persen) dibandingkan tahun 2012. Peningkatan produksi padi tersebut terjadi di Pulau Jawa sebesar 0,97 juta ton dan di luar pulau jawa sebesar 1,25 juta ton. Peningkatan produksi terjadi karena adanya peningkatan luas panen seluas 389,73 ribu hektar (2,90 persen) dan peningkatan produktivitas sebesar 0,16 hektar (0,31
(63)
persen). Peningkatan produksi padi tahun 2013 yang relatif besar terdapat di Provinsi Jawa Barat, Sumatera Selatan, Banten, Aceh dan Kalimantan Barat.
1. Luas Lahan
Lahan sawah adalah tanah pertanian yang berpetak-petak dan dibatasi oleh pematang (galengan), saluran untuk menahan atau menyalurkan air, yang biasanya ditanami padi sawah tanpa memperhatikan dari mana diperolehnya atau status lahan tersebut. Jika lahan sawah sangat luas maka panennya mengalami peningkatan.
Tabel 4.3
Luas Lahan (ha) di Indonesia Tahun 2009-2013
Provinsi Tahun
2009 2010 2011 2012 2013
Aceh 359.751 313.649 307.556 308.973 30.808
Sumatera Utara 464.256 468.724 467.138 448.722 438.346
Sumatera Barat 228.176 229.693 231.463 230.775 224.182
Riau 122.738 115.961 115.897 109.585 93.338
Kepulauan Riau 238 442 393 559 487
Jambi 117.336 112.434 113.757 113.379 113.546
Sumatera Selatan 611.072 61.386 629.355 610.314 612.424
Kepulauan BaBel 5.017 4.056 5.932 6.133 5.358
Bengkulu 89.514 92.976 90.217 88.877 93.382
Lampung 349.144 345.437 350.949 364.111 360.273
DKI 1,215 1,312 1.098 1.001 895.000
Jawa Barat 937.373 930.268 930.507 923.575 925.042
Banten 195.809 196.744 197.165 195.951 194.16
Jawa Tengah 963.984 962.471 960.970 962.289 952.525
DIY 55.325 55.523 55.291 55.023 55.336
Jawa Timur 1.100.517 1.107.276 1.106.449 1.105.550 1.102.863
Bali 79.185 81.425 80.164 79.399 78.425
NTB 236.420 238.619 240.180 246.569 253.021
NTT 139.943 142.479 144.574 148.810 169.063
Kalimantan Barat 300.906 307.016 318.581 322.541 330.883 Kalimantan Tengah 171.428 175.633 202.237 226.903 210.807 Kalimantan Selatan 464.581 436.318 457.155 451.869 440.429
Kalimantan Timur 88.308 82.796 90.518 90.887 63.306
Sulawesi Utara 61.134 52.789 56.181 56.173 56.157
(64)
Provinsi Tahun
2009 2010 2011 2012 2013
Sulawesi Tengah 130.879 136.241 137.786 143.475 602.728 Sulawesi Selatan 565.601 572.089 576.559 592.376 602.728
Sulawesi Barat 56.056 59.476 55.016 59.020 61.070
Sulawesi Tenggara 89.601 83.356 85.585 92.280 95.378
Maluku 11.281 11.451 14.085 15.972 15.042
Maluku Utara 8.890 9.478 9.093 9.359 10.510
Papua 27.454 27.757 27.756 27.756 42.350
Papua Barar 9.249 7.711 7.648 8.330 8.727
Indonesia 8.068.327 8.002.552 8.095.962 8.127.264 8.112.103
Rata-rata 244.495 242.502 245.332 246.281 245.162
Sumber: Statistik Indonesia, BPS, 2009-2013
Berdasarkan tabel diatas luas lahan dari tahun 2009 sampai 2013. Pada tahun 2009 yang tertinggi adalah provinsi Jawa Timur sebesar 1.100.517 dan yang terendah adalah provinsi Kepulauan Riau sebesar 238. Pada tahun 2010 yang tertinggi adalah provinsi Jawa Timur sebesar 1.107.276 dan yang terendah adalah provinsi Kepulauan Riau 442. Pada tahun 2011 yang tertinggi adalah provinsi Jawa Timur sebesar 1.106.449 dan yang terendah adalah provinsi Kepulauan Riau sebesar 393. Pada tahun 2012 yang tertinggi adalah provinsi Jawa Timur sebesar 1.105.550 dan yang terendah adalah provinsi Kepulauan Riau sebesar 559. Pada tahun 2013 yang tertinggi adalah provinsi Jawa Timur sebesar 1.102.863 dan yang terendah adalah provinsi Kepulauan Riau sebesar 487. Dari tahun ketahun yang tertinggi tetap provinsi Jawa Timur, dan yang terendah tetap provinsi Kepulauan Riau.
2. Tenaga Kerja
Tenaga kerja merupakan dalam usia kerja yang siap melakukan pekerjaan, yaitu usia 15 tahun keatas sampai usia 65 tahun. Jika banyak orang
(1)
Lampiran 5
Uji Hausman
Correlated Random Effects - Hausman Test Pool: PANEL
Test cross-section random effects Test Summary
Chi-Sq.
Statistic Chi-Sq. d.f. Prob. Cross-section random 12.820177 3 0.0050 Cross-section random effects test comparisons:
Variable Fixed Random Var(Diff.) Prob. LOG(LUASLAHAN?) 0.639842 0.866751 0.014485 0.0594 LOG(TENAGAKERJA?) 0.251192 0.251332 0.000679 0.9957 LOG(HARGABERAS?) 0.161345 0.092275 0.000419 0.0007
Cross-section random effects test equation: Dependent Variable: LOG(PRODUKSIPADI?) Method: Panel Least Squares
Date: 04/09/16 Time: 14:03 Sample: 2009 2013
Included observations: 5 Cross-sections included: 33
Total pool (balanced) observations: 165
Variable Coefficient Std. Error t-Statistic Prob. C 0.045511 0.225055 0.202220 0.8401 LOG(LUASLAHAN?) 0.639842 0.123532 5.179584 0.0000 LOG(TENAGAKERJA?) 0.251192 0.052496 4.784929 0.0000 LOG(HARGABERAS?) 0.161345 0.081654 1.975959 0.0503
Effects Specification Cross-section fixed (dummy variables)
R-squared 0.992007 Mean dependent var 1.739790 Adjusted R-squared 0.989839 S.D. dependent var 0.175414 S.E. of regression 0.017682 Akaike info criterion -5.042296 Sum squared resid 0.040333 Schwarz criterion -4.364635 Log likelihood 451.9894 Hannan-Quinn criter. -4.767210 F-statistic 457.4556 Durbin-Watson stat 1.865613 Prob(F-statistic) 0.000000
(2)
Common Effect Model
Dependent Variable: LOG(PRODUKSIPADI?) Method: Pooled Least Squares
Date: 04/09/16 Time: 14:00 Sample: 2009 2013
Included observations: 5 Cross-sections included: 33
Total pool (balanced) observations: 165
Variable Coefficient Std. Error t-Statistic Prob. C 0.293931 0.198111 1.483673 0.1399 LOG(LUASLAHAN?) 0.866421 0.017118 50.61561 0.0000 LOG(TENAGAKERJA?) 0.242294 0.044403 5.456687 0.0000 LOG(HARGABERAS?) -0.273887 0.134198 -2.040914 0.0429 R-squared 0.961396 Mean dependent var 1.739790 Adjusted R-squared 0.960677 S.D. dependent var 0.175414 S.E. of regression 0.034785 Akaike info criterion -3.855344 Sum squared resid 0.194804 Schwarz criterion -3.780048 Log likelihood 322.0659 Hannan-Quinn criter. -3.824779 F-statistic 1336.531 Durbin-Watson stat 0.429807 Prob(F-statistic) 0.000000
(3)
Lampiran 7
Fixed Effect Model
Dependent Variable: LOG(PRODUKSIPADI?) Method: Pooled Least Squares
Date: 04/09/16 Time: 14:01 Sample: 2009 2013
Included observations: 5 Cross-sections included: 33
Total pool (balanced) observations: 165
Variable Coefficient Std. Error t-Statistic Prob. C 0.045511 0.225055 0.202220 0.8401 LOG(LUASLAHAN?) 0.639842 0.123532 5.179584 0.0000 LOG(TENAGAKERJA?) 0.251192 0.052496 4.784929 0.0000 LOG(HARGABERAS?) 0.161345 0.081654 1.975959 0.0503
Fixed Effects (Cross)
_ACEH--C 0.012257 _SUMUT--C 0.026458 _SUMBAR--C 0.044203 _RIAU--C -0.025888 _KEPRI--C -0.229801 _JAMBI--C -0.002882 _SUMSEL--C 0.020588 _BABEL--C -0.086432 _BENGKU--C 0.012261 _LAMPUNG--C 0.038844 _DKI--C -0.064784 _JABAR--C 0.048782 _BANTEN--C 0.030312 _JATENG--C 0.047034 _DIY--C 0.053968 _JATIM--C 0.044679 _BALI--C 0.035300 _NTB--C 0.038244 _NTT--C -0.022404 _KALBAR--C -0.008701 _KALTENG--C -0.023118 _KALSEL--C 0.005377 _KALTIM--C 0.002273 _SULUT--C 0.040733 _GORONTALO--C 0.027828 _SULTENG--C 0.023663 _SULSEL--C 0.046964 _SULBAR--C 0.018513 _SULTENGG--C 0.003026 _MALUKU--C -0.015550 _MALUKUUT--C -0.021365 _PAPUA--C -0.082526 _PAPUABAR--C -0.037855
Effects Specification Cross-section fixed (dummy variables)
(4)
R-squared 0.992007 Mean dependent var 1.739790 Adjusted R-squared 0.989839 S.D. dependent var 0.175414 S.E. of regression 0.017682 Akaike info criterion -5.042296 Sum squared resid 0.040333 Schwarz criterion -4.364635 Log likelihood 451.9894 Hannan-Quinn criter. -4.767210 F-statistic 457.4556 Durbin-Watson stat 1.865613 Prob(F-statistic) 0.000000
(5)
Lampiran 8
Random Effect Model
Dependent Variable: LOG(PRODUKSIPADI?) Method: Pooled EGLS (Cross-section random effects) Date: 04/09/16 Time: 14:01
Sample: 2009 2013 Included observations: 5 Cross-sections included: 33
Total pool (balanced) observations: 165
Swamy and Arora estimator of component variances
Variable Coefficient Std. Error t-Statistic Prob. C -0.220486 0.134502 -1.639270 0.1031 LOG(LUASLAHAN?) 0.866751 0.027839 31.13402 0.0000 LOG(TENAGAKERJA?) 0.251332 0.045575 5.514648 0.0000 LOG(HARGABERAS?) 0.092275 0.079046 1.167355 0.2448 Random Effects (Cross)
_ACEH—C -0.013875 _SUMUT—C -0.007118 _SUMBAR—C 0.022070 _RIAU—C -0.030239 _KEPRI—C -0.079281 _JAMBI—C -0.010254 _SUMSEL—C -0.017321 _BABEL—C -0.023329 _BENGKU—C 0.007549 _LAMPUNG—C 0.008491 _DKI—C 0.040793 _JABAR—C 0.002545 _BANTEN—C 0.009489 _JATENG—C 0.000305 _DIY—C 0.055099 _JATIM—C -0.004027 _BALI—C 0.031776 _NTB—C 0.013347 _NTT—C -0.032919 _KALBAR—C -0.032357 _KALTENG—C -0.037307 _KALSEL—C -0.025841 _KALTIM—C 0.000528 _SULUT—C 0.043242 _GORONTALO—C 0.043553 _SULTENG—C 0.009980 _SULSEL—C 0.007007 _SULBAR—C 0.021353 _SULTENGG--C -0.001109 _MALUKU--C 0.021019 _MALUKUUT--C 0.023866 _PAPUA--C -0.057625 _PAPUABAR--C 0.010589
Effects Specification
(6)
Cross-section random 0.028147 0.7170
Idiosyncratic random 0.017682 0.2830
Weighted Statistics
R-squared 0.874088 Mean dependent var 0.470565 Adjusted R-squared 0.871741 S.D. dependent var 0.050857 S.E. of regression 0.018213 Sum squared resid 0.053408 F-statistic 372.5553 Durbin-Watson stat 1.470577 Prob(F-statistic) 0.000000
Unweighted Statistics
R-squared 0.959466 Mean dependent var 1.739790 Sum squared resid 0.204547 Durbin-Watson stat 0.383974