3. METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian - Institutional Repository | Satya Wacana Christian University: Faktor-Faktor Yang Mempengaruhi Harga Cabai Rawit Di Pasar Ngablak, Kabupaten Magelang
3. METODE PENELITIAN
3.1. Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan pada bulan April 2017 sampai bulan Mei 2017
berlokasi di Pasar Ngablak, Kabupaten Magelang, Jawa Tengah. Pemilihan lokasi
ini dilakukan secara sengaja (purposive) karena pasar Ngablak terletak di
Kecamatan Ngablak yang merupakan salah satu daerah penghasil tanaman
hortikultura di Kabupaten Magelang. Berdasarkan data BPS Kabupaten Magelang
(2016), 17% dari luas wilayah di Kecamatan Ngablak digunakan untuk tanaman
hortikultura cabai rawit dan cabai merah keriting, serta hasil panennya dijual ke
pasar Ngablak. Selain itu, pasar Ngablak sebagai pusat distribusi dan pemasaran
cabai rawit ke Salatiga, Ampel dan Tegalrejo.
3.2.
Jenis dan Metode Penelitian
Jenis penelitian yang digunakan adalah jenis penelitian deskriptif kuantitatif.
Menurut Nazir (1985) penelitian deskriptif kuantitatif yaitu jenis penelitian yang
tidak hanya memberikan gambaran mengenai fenomena yang ada, tetapi juga
menerangkan hubungan, menguji hipotesa, membuat prediksi serta mendapatkan
makna dan implikasi dari suatu masalah yang ingin dipecahkan serta menjelaskan
hubungan kausal antar dua variabel.
Metode penelitian yang digunakan adalah metode survey. Metode penelitian
survey adalah salah satu bentuk teknik penelitian dimana informasi dikumpulkan
dari sejumlah sampel berupa orang, melalui pertanyaan-pertanyaan. Metode
survei digunakan sebagai kategori umum penelitian yang menggunakan kuesioner
dan wawancara (Sugiyono, 2012).
3.3. Teknik Pengumpulan Data
Menurut Sekaran (2006, lihat Palar dkk., 2016) pengumpulan data
merupakan teknik atau cara yang dilakukan untuk mengumpulkan data melalui
kuesioner, wawancara, observasi, tes, dokumentasi dan sebagainya untuk
melakukan suatu penelitian.
Jenis data yang dikumpulkan terdiri dari data primer dan data sekunder.
Menurut Sugiyono (2012) data primer adalah data yang diperoleh secara langsung
11
12
dari objek yang diteliti. Data primer dalam penelitian ini diperoleh melalui
observasi, dokumentasi dan wawancara langsung menggunakan kuesioner kepada
pedagang cabai rawit dan cabai merah keriting. Data sekunder digunakan sebagai
penguat data primer, diperoleh dari studi literatur pada buku, internet, jurnal,
skripsi dan catatan atau dokumen dari instansi-instansi atau lembaga-lembaga
terkait seperti kantor pasar, Dinas Perdagangan Koperasi dan UKM.
3.4. Teknik Pengambilan Sampel
Pengambilan sampel dalam penelitian ini menggunakan simple random
sampling. Simple random sampling menurut Siregar (2012) merupakan teknik
pengambilan sampel yang memberikan kesempatan yang sama kepada setiap
anggota yang ada dalam suatu populasi untuk dijadikan sampel. Populasi dalam
penelitian ini berjumlah 40 orang pedagang sayuran yang menjual cabai rawit dan
cabai merah keriting, untuk menentukan sampel dari banyaknya populasi maka
digunakan teknik Solvin (Siregar, 2012).
n : N / (1+Ne2)
Keterangan :
n : Jumlah Sampel
N : Jumlah Populasi
e : Perkiraan tingkat kesalahan
Dari rumus tersebut peneliti mendapatkan hasil sebagai berikut:
n : N / (1+Ne2)
n : 40 / (1+40 x (0,05)2)
n : 40 / (1+ 0,1)
n : 36,36 = 36 sampel pedagang
3.5. Definisi dan Pengukuran Variabel
Definisi dan pengukuran variabel penelitian ini disajikan pada Tabel 3.5.
Tabel 3.5. Definisi dan Pengukuran Variabel
Variabel
Saluran
Distribusi
Definisi
Perantara
yang
menyampaikan barang
dan jasa dari produsen
Satuan
Skala
Pengukuran
Nominal
13
Harga
Komoditas
Pengganti
(Subtitusi)
Permintaan
Konsumen
Terhadap Cabai
Rawit
Harga
ke
konsumen
dibedakan
menjadi
saluran distribusi secara
langsung (=0) dan
saluran distribusi secara
tidak langsung (=1).
Harga cabai merah
keriting pada waktu
penelitian dilakukan.
Jumlah cabai rawit
yang
terjual
oleh
pedagang pada waktu
penelitian dilakukan.
Harga cabai rawit yang
dijual pedagang pada
waktu
penelitian
dilakukan.
Rupiah
(Rp)
Rasio
Kilogram
(Kg)
Rasio
Rupiah
(Rp)
Rasio
3.6. Analisis Data
Teknik analisis data yang digunakan dalam penelitian ini untuk menjawab
tujuan penelitian yang telah dirumuskan. Adapun teknik analisis yang digunakan
adalah sebagai berikut:
3.6.1. Analisis Gambaran Fluktuasi Harga Cabai Rawit
Digunakan analisis ARIMA menggunakan Eviews 8. Data yang digunakan
dalam penelitian ini merupakan data sekunder yang diperoleh dari Dinas
Perdagangan Koperasi dan UKM, Kabupaten Magelang. Data tersebut meliputi
data bulanan harga cabai rawit pada tahun 2011-2016.
ARIMA (Autoregressive Integrated Moving Average) sering juga disebut
metode runtun waktu Box-Jenkins. Model ARIMA umumnya dituliskan dengan
notasi ARIMA (p,d,q). Dimana p adalah jumlah autoregressive (AR), d jumlah
(berapa kali) data harus diturunkan (difference) agar data menjadi stasioner dan q
adalah jumlah moving average (MA) (Ghozali dan Ratmono, 2013).
Langkah-Langkah penggunaan model ARIMA:
1. Identifikasi model dengan memilih p,d, q sementara
Identifikasi nilai p, d dan q menggunakan korelogram (correlogram) dan
korelogram parsial (partial correlogram).
2. Estimasi parameter model dengan program komputer
14
Estimasi parameter AR dan komponen MA yang ada di dalam model. Estimasi
ini bisa menggunakan metode kuadrat terkecil (least square) maupun metode
estimasi nonlinear.
3. Diagnosis residual apakah sudah bersifat white noise
Diagnosis terhadap kualitas model apakah sudah sesuai dengan datanya.
Caranya adalah dengan menguji apakah residual hasil estimasi sudah bersifat
white noise. Bila residualnya sudah white noise, berarti modelnya sudah tepat.
Bila belum, maka harus dicari bentuk ARIMA yang lain. Proses pencarian
model yang tepat ini memang bersifat interatif (berulang) dan lebih bersifat
seni dibanding ilmiah.
4. Lakukan perkiraan data masa yang akan datang
Perkiraan (forecast) terhadap data masa yang akan datang dengan persamaan
atau model yang telah dipilih.
(Winarno, 2015)
3.6.2. Analisis Faktor-Faktor Yang Mempengaruhi Harga Cabai Rawit
Digunakan analisis regresi linear berganda menggunakan Eviews 9.
Program Eviews merupakan salah satu software analisis data multivariat dan
ekonometrika dengan kelebihan utama menyediakan fasilitas metode estimasi
regresi yang lebih lengkap dibandingkan software lain.
a. Analisis Regresi Linear Berganda
Analisis regresi linier berganda menurut Palar dkk. (2016) merupakan studi
ketergantungan dari suatu variabel tak bebas atau variabel dependen pada suatu
variabel bebas atau variabel independen dengan tujuan meramalkan dan
memperkirakan nilai dari variabel tak bebas jika variabel bebas sudah di ketahui.
Model regresi linier berganda dalam penelitian ini:
Y = α + β1Dummy + β2X2 + β3X3 + Ɛ
Keterangan:
Y : Harga Cabai Rawit (dalam ribuan rupiah)
α : Nilai konstanta
β1, β2, β3 : Koefisien regresi
Dummy : Saluran Distribusi (0= langsung; 1= tidak langsung)
15
X2 : Harga Komoditas Pengganti /Substitusi (dalam ribuan rupiah)
X3 : Permintaan Konsumen Terhadap Cabai Rawit (Kg)
Ɛ : error-term
3.6.3. Uji Asumsi Klasik
Uji asumsi klasik dimaksudkan untuk mendeteksi apakah data sudah
berdistribusi normal serta ada tidaknya multikolinearitas, heteroskedastisitas dan
autokorelasi dalam hal estimasi karena apabila terjadi penyimpangan terhadap
asumsi klasik tersebut maka uji t dan uji F yang dilakukan akan tidak valid dan
secara statistik akan mengacaukan kesimpulan yang diperoleh.
a)
Uji Normalitas
Menurut Ghozali dan Ratmono (2013) uji normalitas bertujuan untuk
menguji apakah dalam model regresi, variabel pengganggu atau residual
mempunyai distribusi normal. Seperti diketahui, bahwa uji t dan uji F
mengasumsikan nilai residual mengikuti distribusi normal. Pengambilan
keputusan untuk uji normalitas data adalah:
1. Bila nilai J-B (Jarque-Bera) tidak signifikan (lebih kecil dari 2), maka data
berdistribusi normal.
Uji normalitas dinyatakan dengan hipotesis sebagai berikut:
Ho: J-B > 2
H1: J-B < 2
2. Bila probabilitas lebih besar dari 5% (>0,05), maka data berdistribusi normal.
Uji normalitas dinyatakan dengan hipotesis sebagai berikut:
Ho: α < 0,05
H1: α > 0,05
(Winarno, 2015)
b)
Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi yang tinggi atau sempurna antarvariabel independen
(Ghozali dan Ratmono, 2013).
Menurut Rosadi (2011) model regresi yang baik seharusnya tidak terjadi
korelasi diantara variabel independen. Jika terjadi multikolinearitas maka nilai
16
standard error dari koefisien menjadi tidak valid sehingga hasil uji signifikansi
koefisien dengan uji t tidak valid.
Ghozali dan Ratmono (2013) menyatakan adanya multikolinearitas atau
korelasi yang tinggi antar variabel independen dapat dideteksi dengan cara
melihat nilai tolerance dan Variance Inflation Factor (VIF). Jadi tolerance yang
rendah sama dengan nilai VIF tinggi (karena VIF = 1/ tolerance). Nilai yang
umum dipakai untuk menunjukkan adanya multikolinearitas adalah Tolerance
>0.10 atau sama dengan VIF > 10. Uji multikolinearitas dinyatakan dengan
hipotesis sebagai berikut:
Ho: VIF > 10
H1: VIF < 10
c)
Uji Heteroskedastisitas
Menurut Rosadi (2011) uji ini bertujuan untuk menganalisis apakah variansi
dari
error
bersifat
tetap/konstan
(homokedastik)
atau
berubah-ubah
(heteroskedastik). Mendeteksi ada tidaknya heteroskedastisitas dilakukan uji
White. Keputusan ada tidaknya heteroskedastisitas ditentukan jika:
1. Jika nilai probabilitas dari nilai Obs*R-squared mempunyai nilai probabilitas
Chi-square 0.05, maka tidak terjadi heteroskedastisitas.
Uji heteroskedastisitas dinyatakan dengan hipotesis sebagai berikut:
Ho: α < 0,05
H1: α > 0,05
d)
Uji Autokorelasi
Uji Autokorelasi menurut Ghozali dan Ratmono (2013) bertujuan menguji
apakah dalam suatu model regresi linear ada korelasi antarkesalahan pengganggu
(residual) pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika
terjadi korelasi, maka dinamakan ada masalah autokorelasi. Autokorelasi muncul
karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain.
Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari suatu
observasi ke observasi lainnya. Model regresi yang baik adalah regresi yang bebas
17
dari autokorelasi. Ada tidaknya autokorelasi dilakukan menggunakan uji
autokorelasi dengan LM Test. Keputusan ada tidaknya autokorelasi ditentukan:
1. Jika nilai probabilitas dari nilai Obs*R-squared mempunyai nilai probabilitas
Chi-square 0.05, maka tidak terjadi autokorelasi.
Uji autokorelasi dinyatakan dengan hipotesis sebagai berikut:
Ho: α < 0,05
H1: α > 0,05
3.6.4. Koefisien Determinasi (R²)
Menurut Santosa dan Ashari (2005, lihat Palar dkk., 2016) koefisien
determinasi digunakan untuk mengetahui seberapa besar hubungan dari beberapa
variabel dalam pengertian yang lebih jelas. Koefisien determinasi akan
menjelaskan seberapa besar perubahan atau variasi suatu variabel bisa dijelaskan
oleh perubahan atau variasi pada variabel yang lain. Dalam bahasa sehari-hari
adalah kemampuan variabel bebas untuk berkontribusi terhadap variabel tetapnya
dalam satuan persentase.
Rumus R2 adalah sebagai berikut:
R2 = 1-(1- R2)
Keterangan:
R2 : Koefisien determinasi yang telah disesuaikan
R2 : Koefisien determinasi
N : Jumlah data
k : Jumlah variabel bebas
Nilai R2 ini mempunyai range antara 0 sampai 1 atau (0< R2≤1). Semakin
besar R2 (mendekati satu) semakin baik hasil regresi tersebut (semakin besar
pengaruh variabel bebas terhadap variabel tidak bebas), dan semakin mendekati 0
maka variabel bebas secara keseluruhan semakin kurang bisa menjelaskan
variabel tidak bebas (Santoso dkk., 2002).
18
3.6.5. Uji F (Uji Simultan)
Uji F merupakan pengujian hubungan regresi secara simultan yang
bertujuan untuk mengetahui apakah seluruh variabel independen bersama-sama
mempunyai pengaruh yang signifikan terhadap variabel dependen. Tingkat
signifikansi untuk uji F pada penelitian ini adalah pada tingkat kepercayaan 95%
atau taraf uji α= 0,05.
Rumus:
F hitung =
Keterangan:
R2 : Koefisien determinasi
n : Banyaknya sampel
k : Jumlah koefisien yang ditaksir
Nilai Ftabel adalah 2,90 di dapat dengan cara,
df1 = k-1 , df2 = n-k
df1 = 4-1 , df2 = 36-4
df1 = 3
, df2 = 32
Dengan kriteria pengujian sebagai berikut:
Fhitung < Ftabel, Ho diterima
Fhitung > Ftabel, Ho ditolak, H1 diterima
Adapun model hipotesis dalam penelitian ini sebagai berikut:
Ho : β1= β2 = β3 = 0
H1 : β1≠ β2 ≠ β3 ≠ 0 (minimal ada satu yang ≠ 0).
Kriteria pengambilan keputusan:
1. Jika Fhitung < Ftabel, maka Ho diterima dan H1 ditolak. Artinya semua faktor atau
variabel bebas secara bersama-sama tidak berpengaruh nyata terhadap variabel
terikat.
2. Jika Fhitung > Ftabel, maka Ho ditolak dan H1 diterima. Artinya variabel bebas
secara bersama-sama berpengaruh nyata terhadap variabel terikat.
(Santoso dkk., 2002)
19
3.6.6. Uji t (Uji Parsial)
Uji t digunakan untuk menguji hipotesis secara parsial guna menunjukkan
pengaruh tiap variabel independen secara individu terhadap variabel dependen.
Uji t adalah pengujian koefisien regresi masing-masing variabel independen
terhadap variabel dependen untuk mengetahui seberapa besar pengaruh variabel
independen terhadap variabel dependen. Tingkat signifikansi untuk uji t pada
dengan tingkat kepercayaan 95% atau taraf uji α= 0,05 (Sugiyono, 2012).
Rumus:
thitung=
Keterangan:
r : Koefisien korelasi parsial
n : banyaknya sampel
k : banyaknya variabel bebas
Nilai ttabel adalah 2,04 di dapat dengan cara,
df = n-k-1
df = 36-4-1
df = 31
Dengan kriteria pengujian sebagai berikut:
thitung < ttabel, Ho diterima
thitung > ttabel, Ho ditolak, H1 diterima
Adapun model hipotesis dalam penelitian ini sebagai berikut:
Ho : βi= 0
H1 : βi ≠ 0
Kriteria pengambilan keputusan:
1. Jika thitung < ttabel, maka Ho diterima dan H1 ditolak. Artinya masing-masing
variabel bebas tidak berpengaruh nyata terhadap variabel tidak bebasnya.
2. Jika thitung > ttabel, maka Ho ditolak dan H1 diterima. Artinya masing-masing
variabel bebas berpengaruh nyata terhadap variabel tidak bebasnya.
(Santoso dkk., 2002)
3.1. Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan pada bulan April 2017 sampai bulan Mei 2017
berlokasi di Pasar Ngablak, Kabupaten Magelang, Jawa Tengah. Pemilihan lokasi
ini dilakukan secara sengaja (purposive) karena pasar Ngablak terletak di
Kecamatan Ngablak yang merupakan salah satu daerah penghasil tanaman
hortikultura di Kabupaten Magelang. Berdasarkan data BPS Kabupaten Magelang
(2016), 17% dari luas wilayah di Kecamatan Ngablak digunakan untuk tanaman
hortikultura cabai rawit dan cabai merah keriting, serta hasil panennya dijual ke
pasar Ngablak. Selain itu, pasar Ngablak sebagai pusat distribusi dan pemasaran
cabai rawit ke Salatiga, Ampel dan Tegalrejo.
3.2.
Jenis dan Metode Penelitian
Jenis penelitian yang digunakan adalah jenis penelitian deskriptif kuantitatif.
Menurut Nazir (1985) penelitian deskriptif kuantitatif yaitu jenis penelitian yang
tidak hanya memberikan gambaran mengenai fenomena yang ada, tetapi juga
menerangkan hubungan, menguji hipotesa, membuat prediksi serta mendapatkan
makna dan implikasi dari suatu masalah yang ingin dipecahkan serta menjelaskan
hubungan kausal antar dua variabel.
Metode penelitian yang digunakan adalah metode survey. Metode penelitian
survey adalah salah satu bentuk teknik penelitian dimana informasi dikumpulkan
dari sejumlah sampel berupa orang, melalui pertanyaan-pertanyaan. Metode
survei digunakan sebagai kategori umum penelitian yang menggunakan kuesioner
dan wawancara (Sugiyono, 2012).
3.3. Teknik Pengumpulan Data
Menurut Sekaran (2006, lihat Palar dkk., 2016) pengumpulan data
merupakan teknik atau cara yang dilakukan untuk mengumpulkan data melalui
kuesioner, wawancara, observasi, tes, dokumentasi dan sebagainya untuk
melakukan suatu penelitian.
Jenis data yang dikumpulkan terdiri dari data primer dan data sekunder.
Menurut Sugiyono (2012) data primer adalah data yang diperoleh secara langsung
11
12
dari objek yang diteliti. Data primer dalam penelitian ini diperoleh melalui
observasi, dokumentasi dan wawancara langsung menggunakan kuesioner kepada
pedagang cabai rawit dan cabai merah keriting. Data sekunder digunakan sebagai
penguat data primer, diperoleh dari studi literatur pada buku, internet, jurnal,
skripsi dan catatan atau dokumen dari instansi-instansi atau lembaga-lembaga
terkait seperti kantor pasar, Dinas Perdagangan Koperasi dan UKM.
3.4. Teknik Pengambilan Sampel
Pengambilan sampel dalam penelitian ini menggunakan simple random
sampling. Simple random sampling menurut Siregar (2012) merupakan teknik
pengambilan sampel yang memberikan kesempatan yang sama kepada setiap
anggota yang ada dalam suatu populasi untuk dijadikan sampel. Populasi dalam
penelitian ini berjumlah 40 orang pedagang sayuran yang menjual cabai rawit dan
cabai merah keriting, untuk menentukan sampel dari banyaknya populasi maka
digunakan teknik Solvin (Siregar, 2012).
n : N / (1+Ne2)
Keterangan :
n : Jumlah Sampel
N : Jumlah Populasi
e : Perkiraan tingkat kesalahan
Dari rumus tersebut peneliti mendapatkan hasil sebagai berikut:
n : N / (1+Ne2)
n : 40 / (1+40 x (0,05)2)
n : 40 / (1+ 0,1)
n : 36,36 = 36 sampel pedagang
3.5. Definisi dan Pengukuran Variabel
Definisi dan pengukuran variabel penelitian ini disajikan pada Tabel 3.5.
Tabel 3.5. Definisi dan Pengukuran Variabel
Variabel
Saluran
Distribusi
Definisi
Perantara
yang
menyampaikan barang
dan jasa dari produsen
Satuan
Skala
Pengukuran
Nominal
13
Harga
Komoditas
Pengganti
(Subtitusi)
Permintaan
Konsumen
Terhadap Cabai
Rawit
Harga
ke
konsumen
dibedakan
menjadi
saluran distribusi secara
langsung (=0) dan
saluran distribusi secara
tidak langsung (=1).
Harga cabai merah
keriting pada waktu
penelitian dilakukan.
Jumlah cabai rawit
yang
terjual
oleh
pedagang pada waktu
penelitian dilakukan.
Harga cabai rawit yang
dijual pedagang pada
waktu
penelitian
dilakukan.
Rupiah
(Rp)
Rasio
Kilogram
(Kg)
Rasio
Rupiah
(Rp)
Rasio
3.6. Analisis Data
Teknik analisis data yang digunakan dalam penelitian ini untuk menjawab
tujuan penelitian yang telah dirumuskan. Adapun teknik analisis yang digunakan
adalah sebagai berikut:
3.6.1. Analisis Gambaran Fluktuasi Harga Cabai Rawit
Digunakan analisis ARIMA menggunakan Eviews 8. Data yang digunakan
dalam penelitian ini merupakan data sekunder yang diperoleh dari Dinas
Perdagangan Koperasi dan UKM, Kabupaten Magelang. Data tersebut meliputi
data bulanan harga cabai rawit pada tahun 2011-2016.
ARIMA (Autoregressive Integrated Moving Average) sering juga disebut
metode runtun waktu Box-Jenkins. Model ARIMA umumnya dituliskan dengan
notasi ARIMA (p,d,q). Dimana p adalah jumlah autoregressive (AR), d jumlah
(berapa kali) data harus diturunkan (difference) agar data menjadi stasioner dan q
adalah jumlah moving average (MA) (Ghozali dan Ratmono, 2013).
Langkah-Langkah penggunaan model ARIMA:
1. Identifikasi model dengan memilih p,d, q sementara
Identifikasi nilai p, d dan q menggunakan korelogram (correlogram) dan
korelogram parsial (partial correlogram).
2. Estimasi parameter model dengan program komputer
14
Estimasi parameter AR dan komponen MA yang ada di dalam model. Estimasi
ini bisa menggunakan metode kuadrat terkecil (least square) maupun metode
estimasi nonlinear.
3. Diagnosis residual apakah sudah bersifat white noise
Diagnosis terhadap kualitas model apakah sudah sesuai dengan datanya.
Caranya adalah dengan menguji apakah residual hasil estimasi sudah bersifat
white noise. Bila residualnya sudah white noise, berarti modelnya sudah tepat.
Bila belum, maka harus dicari bentuk ARIMA yang lain. Proses pencarian
model yang tepat ini memang bersifat interatif (berulang) dan lebih bersifat
seni dibanding ilmiah.
4. Lakukan perkiraan data masa yang akan datang
Perkiraan (forecast) terhadap data masa yang akan datang dengan persamaan
atau model yang telah dipilih.
(Winarno, 2015)
3.6.2. Analisis Faktor-Faktor Yang Mempengaruhi Harga Cabai Rawit
Digunakan analisis regresi linear berganda menggunakan Eviews 9.
Program Eviews merupakan salah satu software analisis data multivariat dan
ekonometrika dengan kelebihan utama menyediakan fasilitas metode estimasi
regresi yang lebih lengkap dibandingkan software lain.
a. Analisis Regresi Linear Berganda
Analisis regresi linier berganda menurut Palar dkk. (2016) merupakan studi
ketergantungan dari suatu variabel tak bebas atau variabel dependen pada suatu
variabel bebas atau variabel independen dengan tujuan meramalkan dan
memperkirakan nilai dari variabel tak bebas jika variabel bebas sudah di ketahui.
Model regresi linier berganda dalam penelitian ini:
Y = α + β1Dummy + β2X2 + β3X3 + Ɛ
Keterangan:
Y : Harga Cabai Rawit (dalam ribuan rupiah)
α : Nilai konstanta
β1, β2, β3 : Koefisien regresi
Dummy : Saluran Distribusi (0= langsung; 1= tidak langsung)
15
X2 : Harga Komoditas Pengganti /Substitusi (dalam ribuan rupiah)
X3 : Permintaan Konsumen Terhadap Cabai Rawit (Kg)
Ɛ : error-term
3.6.3. Uji Asumsi Klasik
Uji asumsi klasik dimaksudkan untuk mendeteksi apakah data sudah
berdistribusi normal serta ada tidaknya multikolinearitas, heteroskedastisitas dan
autokorelasi dalam hal estimasi karena apabila terjadi penyimpangan terhadap
asumsi klasik tersebut maka uji t dan uji F yang dilakukan akan tidak valid dan
secara statistik akan mengacaukan kesimpulan yang diperoleh.
a)
Uji Normalitas
Menurut Ghozali dan Ratmono (2013) uji normalitas bertujuan untuk
menguji apakah dalam model regresi, variabel pengganggu atau residual
mempunyai distribusi normal. Seperti diketahui, bahwa uji t dan uji F
mengasumsikan nilai residual mengikuti distribusi normal. Pengambilan
keputusan untuk uji normalitas data adalah:
1. Bila nilai J-B (Jarque-Bera) tidak signifikan (lebih kecil dari 2), maka data
berdistribusi normal.
Uji normalitas dinyatakan dengan hipotesis sebagai berikut:
Ho: J-B > 2
H1: J-B < 2
2. Bila probabilitas lebih besar dari 5% (>0,05), maka data berdistribusi normal.
Uji normalitas dinyatakan dengan hipotesis sebagai berikut:
Ho: α < 0,05
H1: α > 0,05
(Winarno, 2015)
b)
Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi yang tinggi atau sempurna antarvariabel independen
(Ghozali dan Ratmono, 2013).
Menurut Rosadi (2011) model regresi yang baik seharusnya tidak terjadi
korelasi diantara variabel independen. Jika terjadi multikolinearitas maka nilai
16
standard error dari koefisien menjadi tidak valid sehingga hasil uji signifikansi
koefisien dengan uji t tidak valid.
Ghozali dan Ratmono (2013) menyatakan adanya multikolinearitas atau
korelasi yang tinggi antar variabel independen dapat dideteksi dengan cara
melihat nilai tolerance dan Variance Inflation Factor (VIF). Jadi tolerance yang
rendah sama dengan nilai VIF tinggi (karena VIF = 1/ tolerance). Nilai yang
umum dipakai untuk menunjukkan adanya multikolinearitas adalah Tolerance
>0.10 atau sama dengan VIF > 10. Uji multikolinearitas dinyatakan dengan
hipotesis sebagai berikut:
Ho: VIF > 10
H1: VIF < 10
c)
Uji Heteroskedastisitas
Menurut Rosadi (2011) uji ini bertujuan untuk menganalisis apakah variansi
dari
error
bersifat
tetap/konstan
(homokedastik)
atau
berubah-ubah
(heteroskedastik). Mendeteksi ada tidaknya heteroskedastisitas dilakukan uji
White. Keputusan ada tidaknya heteroskedastisitas ditentukan jika:
1. Jika nilai probabilitas dari nilai Obs*R-squared mempunyai nilai probabilitas
Chi-square 0.05, maka tidak terjadi heteroskedastisitas.
Uji heteroskedastisitas dinyatakan dengan hipotesis sebagai berikut:
Ho: α < 0,05
H1: α > 0,05
d)
Uji Autokorelasi
Uji Autokorelasi menurut Ghozali dan Ratmono (2013) bertujuan menguji
apakah dalam suatu model regresi linear ada korelasi antarkesalahan pengganggu
(residual) pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika
terjadi korelasi, maka dinamakan ada masalah autokorelasi. Autokorelasi muncul
karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain.
Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari suatu
observasi ke observasi lainnya. Model regresi yang baik adalah regresi yang bebas
17
dari autokorelasi. Ada tidaknya autokorelasi dilakukan menggunakan uji
autokorelasi dengan LM Test. Keputusan ada tidaknya autokorelasi ditentukan:
1. Jika nilai probabilitas dari nilai Obs*R-squared mempunyai nilai probabilitas
Chi-square 0.05, maka tidak terjadi autokorelasi.
Uji autokorelasi dinyatakan dengan hipotesis sebagai berikut:
Ho: α < 0,05
H1: α > 0,05
3.6.4. Koefisien Determinasi (R²)
Menurut Santosa dan Ashari (2005, lihat Palar dkk., 2016) koefisien
determinasi digunakan untuk mengetahui seberapa besar hubungan dari beberapa
variabel dalam pengertian yang lebih jelas. Koefisien determinasi akan
menjelaskan seberapa besar perubahan atau variasi suatu variabel bisa dijelaskan
oleh perubahan atau variasi pada variabel yang lain. Dalam bahasa sehari-hari
adalah kemampuan variabel bebas untuk berkontribusi terhadap variabel tetapnya
dalam satuan persentase.
Rumus R2 adalah sebagai berikut:
R2 = 1-(1- R2)
Keterangan:
R2 : Koefisien determinasi yang telah disesuaikan
R2 : Koefisien determinasi
N : Jumlah data
k : Jumlah variabel bebas
Nilai R2 ini mempunyai range antara 0 sampai 1 atau (0< R2≤1). Semakin
besar R2 (mendekati satu) semakin baik hasil regresi tersebut (semakin besar
pengaruh variabel bebas terhadap variabel tidak bebas), dan semakin mendekati 0
maka variabel bebas secara keseluruhan semakin kurang bisa menjelaskan
variabel tidak bebas (Santoso dkk., 2002).
18
3.6.5. Uji F (Uji Simultan)
Uji F merupakan pengujian hubungan regresi secara simultan yang
bertujuan untuk mengetahui apakah seluruh variabel independen bersama-sama
mempunyai pengaruh yang signifikan terhadap variabel dependen. Tingkat
signifikansi untuk uji F pada penelitian ini adalah pada tingkat kepercayaan 95%
atau taraf uji α= 0,05.
Rumus:
F hitung =
Keterangan:
R2 : Koefisien determinasi
n : Banyaknya sampel
k : Jumlah koefisien yang ditaksir
Nilai Ftabel adalah 2,90 di dapat dengan cara,
df1 = k-1 , df2 = n-k
df1 = 4-1 , df2 = 36-4
df1 = 3
, df2 = 32
Dengan kriteria pengujian sebagai berikut:
Fhitung < Ftabel, Ho diterima
Fhitung > Ftabel, Ho ditolak, H1 diterima
Adapun model hipotesis dalam penelitian ini sebagai berikut:
Ho : β1= β2 = β3 = 0
H1 : β1≠ β2 ≠ β3 ≠ 0 (minimal ada satu yang ≠ 0).
Kriteria pengambilan keputusan:
1. Jika Fhitung < Ftabel, maka Ho diterima dan H1 ditolak. Artinya semua faktor atau
variabel bebas secara bersama-sama tidak berpengaruh nyata terhadap variabel
terikat.
2. Jika Fhitung > Ftabel, maka Ho ditolak dan H1 diterima. Artinya variabel bebas
secara bersama-sama berpengaruh nyata terhadap variabel terikat.
(Santoso dkk., 2002)
19
3.6.6. Uji t (Uji Parsial)
Uji t digunakan untuk menguji hipotesis secara parsial guna menunjukkan
pengaruh tiap variabel independen secara individu terhadap variabel dependen.
Uji t adalah pengujian koefisien regresi masing-masing variabel independen
terhadap variabel dependen untuk mengetahui seberapa besar pengaruh variabel
independen terhadap variabel dependen. Tingkat signifikansi untuk uji t pada
dengan tingkat kepercayaan 95% atau taraf uji α= 0,05 (Sugiyono, 2012).
Rumus:
thitung=
Keterangan:
r : Koefisien korelasi parsial
n : banyaknya sampel
k : banyaknya variabel bebas
Nilai ttabel adalah 2,04 di dapat dengan cara,
df = n-k-1
df = 36-4-1
df = 31
Dengan kriteria pengujian sebagai berikut:
thitung < ttabel, Ho diterima
thitung > ttabel, Ho ditolak, H1 diterima
Adapun model hipotesis dalam penelitian ini sebagai berikut:
Ho : βi= 0
H1 : βi ≠ 0
Kriteria pengambilan keputusan:
1. Jika thitung < ttabel, maka Ho diterima dan H1 ditolak. Artinya masing-masing
variabel bebas tidak berpengaruh nyata terhadap variabel tidak bebasnya.
2. Jika thitung > ttabel, maka Ho ditolak dan H1 diterima. Artinya masing-masing
variabel bebas berpengaruh nyata terhadap variabel tidak bebasnya.
(Santoso dkk., 2002)