BAB V HASIL DAN PEMBAHASAN
5.2 Analisis Regresi Linear Berganda Faktor-Faktor Yang Mempengaruh
Sebelum dilakukan analisis regresi metode kuadrat terkecil (Ordinary Least
Square), perlu dilakukan uji outlier menggunakan Microsoft Excel. Hal ini
diperlukan untuk memeriksa data yang menyimpang terlalu jauh dari data yang lainnya dalam suatu rangkaian data. Adanya pemeriksaan terhadap data yang mengandung outlier ini akan membuat analisis data semakin baik. Dari data primer yang didapatkan (50 data sampel), terdapat 10 data yang mengalami
outlier, sehingga data tersebut tidak digunakan lagi. Untuk selanjutnya, hanya
terdapat 40 data yang bebas outlier dan jumlah data inilah yang akan digunakan di sepanjang analisis regresi dengan SPSS 16.
5.2.1 Uji Linearitas
Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear atau tidak secara signifikan. Uji linearitas ini perlu dilakukan sebelum uji OLS, untuk mengetahui apakah seluruh data berada dalam bentuk yang linear atau tidak. Uji linearitas dilakukan dengan menggunakan Ramsey Test, dengan membandingkan nilai Fhitung dengan Ftabel. Apabila Fhitung ≥ Ftabel, maka data menunjukkan hasil yang tidak linear. Sedangkan apabia Fhitung ≤ Ftabel, maka data menunjukkan hasil yang linear. Nilai Fhitung dapat diperoleh dengan menggunakan hasil regresi dengan SPSS. Hasil uji linearitas yang didapatkan adalah sebagai berikut :
Tabel 14. Hasil Uji Linearitas Regresi Linear Berganda Faktor Produksi Usahatani Kubis
Model Summaryb
Model R R Square Adjusted R Square Sig.
1 0,971 0,943 0,930 0,000
a. Predictors : (Constant), Bibit (batang/Ha), Pupuk Organik (kg/Ha), Pupuk N (kg/Ha), Pupuk P (kg/Ha), Pupuk K (kg/Ha), Insektisida (cc/Ha), Tenaga Kerja (HKO/Ha)
b. Dependent Variable : Produktivitas Kubis (kg/Ha)
Model Summaryb
Model R R Square Adjusted R Square Sig.
1 0,971 0,943 0,930 0,000
c. Predictors : (Constant), Bibit (batang/Ha), Pupuk Organik (kg/Ha), Pupuk N (kg/Ha), Pupuk P (kg/Ha), Pupuk K (kg/Ha), Insektisida (cc/Ha), Tenaga Kerja (HKO/Ha), DfFit
d. Dependent Variable : Produktivitas Kubis (kg/Ha)
Nilai Adjusted R Square tersebut dimasukkan ke dalam rumus, yaitu :
Untuk nilai Ftabel dilihat dari tabel F dengan nilai df1 = 7 dan df2 = 30, yaitu sebesar 2,12. Jadi, Fhitung (0,0235) < Ftabel (2,12) maka data menunjukkan hasil yang linear. Sehingga digunakanlah fungsi produksi linear.
5.2.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah ditemukan adanya korelasi antar variabel bebas (independent variable) dalam model regresi. Korelasi diantara variable bebas tersebut seharusnya tidak terjadi dalam model regresi yang baik. Gejala terjadinya multikolinieritas dalam model regresi adalah sebagai berikut.
a. Jika nilai koefisien korelasi regresi antar variabel bebas lebih kecil dari 0,7; maka tidak terjadi multikolinearitas.
b. Melihat nilai Tol dan VIF. Dimana apabila nilai VIF lebih besar dari 1 atau nilai Tol leboh kecil dari 1, maka tidak terjadi multikolinearitas.
Tabel 15. Hasil Uji Multikolinearitas Regresi Linear Berganda Faktor Produksi Usahatani Kubis
Variabel Collinearity Statistics
Tolerance VIF
Bibit (batang/Ha) 0,721 1,387
Pupuk Organik (kg/Ha) 0,564 1,775
Pupuk N (kg/Ha) 0,742 1,348
Pupuk P (kg/Ha) 0,415 1,407
Pupuk K (kg/Ha) 0,453 1,209
Insektisida (cc/Ha) 0,618 1,619
Tenaga Kerja (HKO/Ha) 0,676 1,480
a. Dependent Variable : Produktivitas Kubis (kg/Ha)
Sumber : Lampiran 3
Tabel 15 menunjukkan bahwa masing-masing variabel bebas memiliki nilai Tol mendekati 1 dan nilai VIF disekitar angka 1. Maka dapat dinyatakan model regresi linear produktivitas kubis terbebas dari masalah multikolinearitas.
5.2.3 Uji Heterokedastisitas
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heteroskedastisitas. Uji ini dilakukan menggunakan uji korelasi Rank – Spearman dengan scatterplot antara nilai prediksi variabel independen yaitu ZPRED (sumbu X) dengan residualnya SRESID (sumbu Y). Terjadi heterokedastisitas dalam model regresi jika titik-titik dalam scatterplot membentuk pola-pola tertentu atau berkumpul di satu sisi atau dekat nilai 0 pada sumbu Y pada kurva yang dihasilkan. Jika titik-titik data menyebar tidak secara beraturan, maka tidak terjadi heterokedastisitas.
Gambar 2. Scatterplot Uji Heterokedastisitas Sumber : Lampiran 3
Gambar 2 menunjukkan bahwa titik-titik scatterplot menyebar secara tidak beraturan dan tidak membentuk pola apapun. Hal ini membuktikan bahwa tidak terjadi heterokedastisitas di dalam model regresi.
5.2.4 Uji Normalitas
Uji Normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.
c. Analisis Grafik
Melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal dan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Dengan kriteria uji sebagai berikut : jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola berdistribusi normal menunjukkan bahwa model regresi memenuhi asumsi normalitas; namun apabila data menyebar jauh di sekitar garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal menunjukkan bahwa model regresi tidak memenuhi asumsi normalitas. Berikut gambar histogram hasil regresi.
Gambar 3. Bagan Normal P-P Plot Uji Normalitas Sumber : Lampiran 3.
Gambar 3 menunjukkan bahwa data menyebar disepanjang garis diagonal atau mengikuti grafik histogramnya. Gambar 3 juga menunjukkan bahwa plot berada di sekitar garis dan mengikuti arah garis diagonalnya. Hal ini membuktikan bahwa data memenuhi asumsi normalitas atau data dalam distribusi normal.
d. Uji Normalitas Kolmogorov-Smirnov
Konsep dasar dari Uji Kolmogorov-Smirnov adalah dengan membandingkan distribusi data (yang akan diuji normalitasnya) dengan distribusi normal baku. Dengan kriteria uji sebagai berikut.
H0 : signifikansi yang diperoleh ˃α H1 : signifikansi yang diperoleh < α
Pada tingkat kepercayaan 90%, maka :
c. Jika signifikansi ˃ α : terima H0 atau tolak H1 , artinya sampel berasal dari populasi yang berdistribusi normal.
d. Jika signifikansi ≤ α : tolak H0 atau terima H1 , artinya sampel tidak berasal dari populasi yang berdistribusi normal.
Tabel 16. Hasil Uji One-Sample Kolmogorov Smirnov Test Regresi Linear Berganda Faktor Produksi Usahatani Kubis
Unstandardized Residual
N
Normal Parametersa Mean Std. Deviation MostExtreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
40 .0000000 1.28128137E3 .101 .101 -.083 .663 .177 Sumber : Lampiran 3.
Dari Tabel 16 didapati nilai signifikansi sebesar 0,177. Maka signifikansi ˃ α maka terima H0 atau tolak H1, yang artinya sampel berasal dari populasi yang berdistribusi normal.
Berdasarkan hasil uji asumsi klasik, model regresi yag digunakan telah terbebas dari masalah multikolinearitas, heterokedastisitas dan berasal dari populasi yang berdistribusi normal. Maka, uji regresi linear berganda dapat dilakukan. Berikut adalah hasil yag diperoleh dari analisis linear berganda.
Tabel 17. Nilai Regresi dan Variabel Faktor Produksi Usahatani Kubis di Kecamatan Kabanjahe Kabupaten Karo
No. Faktor Produksi (X) Unstandardized Coefficient (B) Standart Error 1 2 3 4 5 6 7 Constant Bibit (X1) Pupuk Organik (X2) Pupuk N (X3) Pupuk P (X4) Pupuk K (X5) Insektisida (X6) Tenaga Kerja (X7) 2329,863 1,856 0,553 -22,698 -21,309 33,146 -1,501 -9,908 6775,258 0,096 1,114 31,895 21,776 19,352 1,212 51,159 R Square = 0,943 Adjusted R Square = 0,930 Sumber : Lampiran 3.
Tabel 17 menunjukkan nilai koefisien determinasi (R2) sebesar 0,930. Artinya, sebesar 93% variabel terikat (Y) telah dapat dijelaskan oleh variabel-variabel bebas (X) pada model regresi ini. Sedangkan sisanya 7% dijelaskan oleh variabel lain yang tidak dijelaskan ke dalam model.
Tabel juga telah merumuskan persamaan fungsi produktivitas kubis di Kecamatan Kabanjahe Kabupaten Karo sebagai berikut :
Y = 2.329,863 + 1,856 X1 + 0,553 X2 + (-22,698) X3 + (-21,309) X4 + 33,146 X5
Persamaan regresi linear berganda tersebut menjelaskan nilai konstanta sebesar 2.329,863. Artinya, apabila seluruh nilai variabel bebas diasumsikan bernilai nol, maka nilai produktivitas kubis sebesar 2.329,863 kg/Ha.
5.3 Pengaruh Faktor-Faktor Produksi Terhadap Produktivitas Kubis di