31 sampel tersebut digunakan untuk mendapatkan 54 petani responden dari masing-
masing desa yang dipilih dengan cara mengetetahui dari petani lain yang juga memiliki kebun karet yang yang memiliki kebun karet yang sudah tua dan rusak.
4.4 . Metode Pengolahan dan Analisis Data
Metode Pengolahan data yang dilakukan dalam penelitian ini adalah secara kuantitatif dan kualitatif. Tahap-tahap yang dilakukan dalam pengolahan dan
analisis data meliputi pentransferan data. Analisis kualitatif dilakukan untuk mengetahui karakteristik petani karet .
Pengolahan data secara kuantitatif dengan menggunakan kriteria-kriteria investasi, yaitu Net Present Value NPV dan pententuan saat optimum
peremajan dengan metode Faris 1960. Data dan informasi yang diperoleh diolah secara manual dengan menggunakan kalkulator dan dibantu dengan program
komputer Microsoft Excel dan Minitab 14. Kemudian hasilnya diintepretasikan secara deskriptif. Analisis data primer dan sekunder menggunakan metode analisis
kualitatif dan kuantitatif. 4.4.1. Penerimaan Petani Karet
Penerimaan petani karet merupakan hasil kali dari getah karet yang dihasilkan dengan harga jual karet. Harga jual karet yang digunakan untuk menghitung
pendapatan yaitu harga jual karet pada saat penjualan dua minggu sekali. Penentuan penggunaan harga jual karet tersebut didasarkan pada rata-rata
penjualan karet yang dilakukan petani pada daerah penelitian. Jumlah produksi getah karet yang di jual petani juga akan di konversi ke jumlah getah karet dalam
waktu dua mingguan. Perubahan tersebut berdasarkan penyusutan berat getah karet yang biasanya terjadi. Petani yang menjual produksi getah karet dalam
waktu satu bulan sekali akan ditambahkan penyusutan sebesar 20 persen dari jumlah getah karetnya, sedangkan untuk petani yang menjual dalam waktu satu
minggu sekali maka jumlah produksi getah karetnya akan dikurangi sebesar 10 persen dari jumlah produksi getah karetnya.
Secara matematis, penerimaan petani karet dapat dirumuskan sebagai berikut :
Penerimaan = Harga Jual Rp x Jumlah Produksi Getah Karet kg 1
32 4.4.2. Analisis Biaya
Biaya tunai farm payment didefinisikan sebagai jumlah biaya yang dikeluarkan untuk pembelian barang dan jasa usahatani secara tunai Soekartawi
et al . 1986. Biaya tidak tunai usahatani yaitu dengan memperhitungkan
sumberdaya yang digunakan tetapi tidak dihitung atau dibayar secara tunai sebagai biaya yang dikeluarkan. Biaya tidak tunai yang dihitung yaitu penyusutan
dan tenaga kerja dalam keluarga. Tenaga kerja dalam keluarga yaitu tenaga kerja yang menggunakan anggota keluarga sebagai tenaga kerja untuk pengelolaan
usahatani karet. Namun untuk perhitungan penyusutan dalam penelitian ini tidak dihitung karena peralatan yang digunakan petani pada kenyataannya tidak terlalu
diperhitungkan oleh petani. 4.4.3. Analisis NPV
Net present value adalah selisih antara total Present value manfaat bersih
total dengan total present value biaya. Perhitungan nilai sekarang dapat dilakukan dengan menggunakan tingkat suku bunga yang relevan. Rumus untuk menghitung
NPV adalah sebagai berikut. =
1+
−
1+ =01
=01
=
− 1+
=01
2 Dimana : Bt : Manfaat bersih pada tahun t
: Biaya pada tahun ke-t t : Tahun kegiatan bisnis t=0,1,2,3,……..,n, tahun awal bisa
menggunakan tahun 0 atau tahun 1 tergantung dengan kareakteristik usaha yang dijalankan.
i : Suku bunga discount rate Sumber : Nurmalina, Sarianti, Karyadi 2009
4.4.4. Umur Optimum Peremajaan
Kriteria peremajaan optimum bagi tanaman karet adalah saat umur teknis tanaman karet dapat mencapai lebih lama daripada umur ekonomisnya.
Penentuan titik optimum menurut Faris1960 adalah bahwa titik optimum peremajaan dapat dicapai pada saat pendapatan marjinal pada tahun n sama
dengan taksiran nilai kini amortisasi pendapatan bersih Amortisasi Net Revenue
ANR di tahun n. Secara matematis dapat dituliskan :
33 PV MNR = PV ANR 3
Dimana : PV : Nilai kini
MNR : Keuntungan Marginal
ANR : Nilai Amortis Pendapatan bersih
Nilai ANR merupakan rata-rata dari penerimaan bersih dalam nilai amortis atau penurunan. Nilai amortisasi dapat dicari dengan menggunakan rumus :
ANR =
r 1+r
n
r 1+r
n
−1
x PV
n
4 Dimana :
ANR : rata-rata pendapatan bersih dalam nilai amortis
PV
n
:
nilai kini pendapatan bersih pada tahun n r
: nilai diskonto discount rate n
: Umur Tanaman Hasil perhitungan ini selanjutnya akan digunakan sebagai umur penentu
atau pembatas yang digunakan untuk mengelompokkan petani menjadi kelompok petani yang meremajakan, tidak meremajakan dan belum meremajakan.
Pengelompokkan tersebut akan digunakan dalam analisis faktor yang
memengaruhi keputusan petani untuk melakukan peremajaan karet.
4.4.5. Analisis Faktor-Faktor yang Memengaruhi Keputusan Petani Melakukan Peremajaan Karet
Metode kuantitatif dan deskriptif yang dilakukan dalam penelitian ini digunakan untuk mencari faktor yang memengaruhi keputusan petani karet
melakukan peremajaan Analisis faktor-faktor yang memengaruhi petani melakukan peremajaan dilakukan dengan melakukan perhitungan regresi binomial
berdasarkan data yang sudah ada. Model yang dibangun berdasarkan data dari petani karet yang meremajakan dan yang tidak meremajakan. Petani yang
meremajakan apabila petani melakukan peremajaan dalam waktu lima tahun terakhir dan yang termasuk ke dalam kelompok tidak meremajakan yaitu petani
yang belum melakukan peremajaan pada kebun karet mereka padahal kebun karetnya sudah mencapai atau melebihi umur peremajaan optimal karet yang
dihitung sebelumnya.
34 4.4.5.1. Analisis regresi logistik binomial
Analisis faktor-faktor yang memengaruhi keputusan petani akan dilakukan dengan menggunakan data dari keseluruhan petani responden, maka didapatkan
model faktor peremajaan. Model yang digunakan adalah regresi logistik binomial. Regresi logistik dapat dimanfaatkan untuk memprediksi suatu variabel
tidak bebas independen berdasarkan variabel bebas dependen yang bersifat kontinu atau kategorik. Regresi logistik juga dapat digunakan untuk menentukan
persentase varian di dalam variabel independen dijelaskan oleh variabel dependen dan untuk dilibatkan dalam model.
Tingkat signifikansi yang digunakan adalah 15 persen karena variabel yang digunakan adalah sosial ekonomi. Bentuk spesifik dari model regresi logistik
adalah :
� =
0+ 1 1+ 2 2+
1+
0+ 1 1+ 2 2+
5 Dimana x dapat ditransformasikan dalam logit
,
menjadi : = ln[
� 1
− �
] 6
Berdasarkan data yang tersedia, model persamaannya dapat dituliskan sebagai berikut :
= +
1
1 +
2
2 +
3
3 +
4
4 +
5
5 +
6
6 7
Dimana : Y
= 0 : Petani melakukan peremajaan 1 : Petani tidak melakukan peremajaan
X1 = Usia petani tahun
X2 = Pendidikan dummy
X3 = Pengalaman tahun
X4 = Jumlah tanggungan anggota keluarga orang
X5 = Proporsi Penghasilan lain Persentase
X6 = Luas lahan ha
0,
= Konstanta β
1
,
2
,..
6
= Koefisien dugaan dari variabel independen
35 Analisis dimulai dengan melakukan wawancara berdasarkan kuesioner yang
dibuat kepada responden. 1.
Peremajaan Y Peremajaan yaitu variabel dependant atau variabel tidak bebas yang
dipengaruhi oleh variabel-variabel independen atau dugaan yang lain. Peremajaan menggunakan nilai dummy dimana 1 merupakan petani yang melakukan
peremajaan pada kebun karet mereka pada batas waktu 5 tahun terkahir dan nilai 0 untuk petani yang tidak melakukan peremajaan pada kebun karet mereka dan
umur kebun karetnya sama atau lebih dari umur optimum peremajaan karet yang diperoleh.
2. Usia Petani X1
Usia petani adalah salah satu variabel independen atau variabel bebas yang dimasukkan ke dalam model. Usia petani yang digunakan adalah usia petani
responden secara keseluruhan yaitu petani responden yang meremajakan dan tidak meremajakan. Data usia petani yang digunakan saat petani diwawancara.
3. Pendidikan X2
Pendidikan yang digunakan dibagi dalam lima kategori, dimana petani yang memiliki nilai 1 = tidak lulus SD, 2 = Lulus SD, 3 = Lulus SMP, 4 = Lulus SMA,
5 = Lulus Perguruan tinggi. 4.
Pengalaman X3 Pengalaman merupakan variabel independen yang diperoleh berdasarkan
pengalaman petani selama usahatani karet. Pengalaman petani yang digunakan berdasarkan berapa tahun petani menggeluti usahatani karet.
5. Jumlah Tanggungan Anggota Keluarga X4
Jumlah tanggungan anggota keluarga merupakan jumlah anggota keluarga yang masih dalam tanggungan petani responden. Jumlah tanggungan
menggambarkan ukuran keluarga, sehingga petani sebagai kepala keluarga juga dimasukkan atau dihitung dalam jumlah tersebut.
6. Proporsi Penghasilan lain X5
Proporsi Penghasilan lain merupakan variabel independen yang berbentuk persentase. Persentase tersebut diperoleh dari jumlah penghasilan lain petani baik
36 dari usahatani non karet ataupun non usahatani dibagi dengan junlah total
pendapatan petani. Pendapatan total petani diperoleh dari penjumlahan penghasilan lain diluar penghasilan petani dari karet dan penghasilan petani dari
karet. 7.
Luas lahan yang Dimiliki X6 Luas lahan merupakan luas lahan total yang dimiliki dan dikelola oleh petani
petani karet responden. Analisis data kuantitatif dilakukan dengan menggunakan data-data hasil dari
identifikasi faktor-faktor yang memengaruhi peremajaan dihasilkan pada kegiatan peremajaan karet. Pengolahan data untuk menganalisis pendapatan, penentuan
faktor-faktor yang memengaruhi serta umur optimum peremajaan karet menggunakan bantuan program Microsoft Excel dan Minitab 14.
Pendugaan Koefisien Pendugaan koefisien atau parameter model
0, 1, 2,
… . .
,
dalam model regresi logistik biner dilakukan dengan menggunakan Maximum Likelihood
Estimation MLE. Hosmer dan Lemeshow 2000 menuliskan fungsi
likelihood :
� = �
=1
[1 − � ]
1 −
8 Prinsip Maximum Likelihood Estimation MLE nilai
β yang digunakan di dalam model regresi logistik biner yaitu
β yang dapat memaksimalkan nilai Lβ. Hasil output Minitab 14 yang menunjukkan koefisien atau parameter model
terdapat didalam tampilan Logistik Regression Table pada kolom Coef. Berdasarkan output Minitab 14 pada kolom Coef. tersebut ditunjukkan besarnya
nilai koefisien berdasrkan prinsip Maximum Likelihood Estimation MLE dan tanda koefisien berupa tanda positif atau negatif.
Uji Signifikansi Pengujian ini dilakukan untuk menilai kelayakan model regresi logistik biner
yang dibuat dalam memprediksi faktor-faktor secara keseluruhan. Uji kelayakan model dilakukan dengan menggunakan uji likelihood ratio. Uji likelihood ratio
pada uji kelayakan model digambarkan dalam nilai G statistik. Rumus untuk mendapatkan nilai G statistik dinyatakan dengan :
37
� = −2 ln
9 Nilai G statistik yang diperoleh kemudian dibandingkan dengan nilai Chi-
square
²
tabel
.
Apabila nilai G statistik lebih kecil dari nilai Chi-square
²
table maka terima H0. Apabila dilihat dari output minitab, nilai P-value lebih besar dari pada α maka gagal menolak H0 pada tingkat α tersebut. Nilai G statistik
pada output Minitab 14 dapat dilihat pada tampilan Test that all slopesare zero. Pada tampilan ini juga terdapat nilai derajat bebas dan P-value. Hipotesis yang
dibuat pada uji kelayakan model yaitu : H0 :
1
=
2,
=
3
= ⋯ =
= 0 H1 : Minimal terdapat
1
≠ 0 dengan i = 1,2,3,…p.
Uji signifikansi yang selanjutnya dilakukan yaitu pengujian koefisien yang dilakukan dengan menggunakan uji Wald. Nilai uji Wald dinotasikan dalam
bentuk pada rumus yang dinyatakan seperti dibawah ini :
=
�
10 Seperti pada uji G statistik, nilai uji Wald juga dibandingkan dengan, nilai
dengan nilai Z table. Uji signifikansi juga dapat dilakukan dengan melihat P- value dari uji tersebut dan kemudian dibandingkan dengan nilai α. Apabila nilai
uji Wald lebih kecil dari Z table maka terima H0 atau gagal menolak H0 bila nilai P-
value lebih besar pada tingkat α tersebut. Hipoetsis yang digunakan pada uji signifikansi koefisien yaitu :
H0 : = 0 H1 :
1
≠ 0 dengan i = 1,2,3,…p.
Nilai uji Wald pada output Minitab 14 terdapat di dalam tampilan Logistik regression Table
pada kolom “Z” dan nilai P-value pada kolom “P” untuk masing-masing koefisien. Pada penelitian ini, tingkat
α yang digunakan yaitu sebesar 15 persen.
Interpretasi Koefisien
38 Cara yang paling umum untuk mengintepretasikan koefisien pada model
logistik yaitu dengan melibatkan istilah odds ratio. Konsep tentang odds ratio dimulai dengan istilah odds. Estimasi odds ratio dapat dinyatakan dalam dua
bentuk yaitu estimasi titik dan estimasi selang. Estimasi titik menghasilkan nilai nilai estimasi rasio odds berupa satu angka tertentu. Sedangkan dalam estimasi
selang, nilai estimasi rasio odds berada pada suatu selang kepercayaan tertentu atau bukan menyatakan satu titik tertentu.
Estimasi titik pada model regresi logistik yang terdapat variabel bebas x dikotomous yakni x =1 atau x =0. Nilai x=1 maka akan didefinisikan sebagai π1
[1- π1]. Sementara odds untuk untuk variabel dengan nilai x=0 maka akan
didefinisikan se bagai π0 [1- π0]. Rasio odds merupakan perbandingan antara
odds untuk x=1 dan odds untuk x=0. Maka adapun rumus untuk odds ratioOR adalah :
=
π1 [1− π1] π0 [1− π0]
11 Intepretasi koefisien pada variabel bebas yang bersifat kontinu dijelaskan
dengan istilah Endpoint of 100 1- α persen Continous Independen Estimate of
OR c atau endpoint variabel bebas kontinu, dengan c yang menyatakan besarnya
unit perubahan pada variabel bebas kontinu Hosmer dan Lemeshow, 2000. Hal ini menjelaskan bahwa estimasi rasio odds selang kepercayaan 1001-
α diperoleh dengan menghitung titik-titik ujung endpoint dari suatu selang
kepercayaan untuk koefisien. Rumus umum endpoints pada variabel bebas kontinu dituliskan melalui hubungan dengan koefisien regresinya adalah
= exp ±
1 − 2
� 12
4.5 Definisi Operasional