BAB III METODE PENELITIAN
4.6 Karakteristik Petani Responden
Karakteristik petani responden dari penelitian ini meliputi umur petani, pendidikan, lama berusahatani, jumlah tanggungan dan luas lahan.
1. Umur Petani
Umur sangat mempengaruhi kemampuan bekerja petani. Umur dapat dijadikan sebagai tolok ukur dalam melihat produktivitas seseorang dalam bekerja.
Kondisi yang produktif akan memungkinkan seseorang untuk bekerja lebih maksimal dan lebih baik sehingga mampu meningkatkan hasil kerja petani. Selain itu umur juga mempengaruhi petani dalam berpikir dan mengambil keputusan yang berhubungan dengan usahatani. Tingkat dinamika kelompok tani kacang kedelai berdasarkan tingkat umur anggota kelompok dapat dilihat pada Tabel 4.5.
Tabel 4.5 Karakteristik Responden Berdasarkan Umur
No. Usia (Tahun) Jumlah (Orang) Persentase(%)
1. 25-40 5 16,66
2. 41-50 11 36,67
3. 51-70 14 46,67
Jumlah 30 100
Sumber: Analisi data primer dari lampiran 1 (diolah).
Kategori usia produktif yaitu antara 15-65 tahun. Berdasarkan Tabel 4.5 dapat dilihat bahwa petani kacang kedelai berada pada usia produktif 51-70 tahun yaitu sebesar 46,67%.
2. Tingkat pendidikan
Tingkat pendidikan akan mempengaruhi petani dalam mengambil keputusan usahatani. Semakin tinggi pendidikan seseorang, maka kemampuan petani dalam berpikir dan mengelola usahataninya akan semakin tinggi. Tingkat dinamika kelompok kacang kedelai berdasarkan tingkat pendidikan anggota dapat dilihat pada Tabel 4.6
Tabel 4.6 Karakteristik Responden Berdasarkan Tingkat Pendidikan No. Pendidikan Terakhir Jumlah (Orang) Persentase (%)
1. SD 9 30
2. SMP 11 36,67
3. SMA 10 33,33
Jumlah 30 100
Sumber: Analisis data primer dari lampiran 1 (diolah).
Berdasarkan Tabel 4.6 diketahui bahwa tingkat pendidikan pada responden petani kacang kedelai tingkat pendidikan yang paling tinggi adalah pendidikan SMP sebanyak 11 orang atau 36,67% dan yang paling sedikit adalah pendidikan SD sebanyak 9 orang atau 30%.
3. Lamanya berusahatani
Lamanya berusahatani menggambarkan kemampuan petani dalam mengatasi permasalahan yang alami selama melakukan usahatani. Dengan lamanya berusahatani maka petani akan lebih cepat dalam mengambil keputusan terhadap hal yang terjadi pada kegiatan usahatani tanaman kedelai ataupun kegiatan kelompok tani. Lamanya berusahatani petani tanaman kedelai dapat dilihat pada Tabel 4.7.
Tabel 4.7 Karakteristik Responden Berdasarkan Lama Berusahatani No. Pengalaman Usahatani
(Tahun)
Jumlah (Orang) Persentase (%)
1. 5-20 10 33,33
2. 21-30 7 23,33
3. >30 13 43,34
Total 3 100
Sumber: Analisis data primer dari lampiran 1 (diolah).
Berdasarkan Tabel 4.7 dapat dilihat bahwa persentase lamanya berusahatani terbesar pada petani kacang kedelai sebanyak 13 orang atau 43,34% yaitu lamanya berusahatani diatas 30 tahun dan lamanya berushatani terkecil pada petani kacang kedelai sebanyak 7 orang atau 23,33% yaitu lamanya berusahatani diantara 21-30 tahun.
4. Jumlah Tanggungan Keluarga
Jumlah anggota keluarga adalah banyaknya orang yang tinggal dalam satu rumah saat ini. Semakin banyaknya jumlah anggota keluarga dapat mempengaruhi banyak pengeluaran yang dikeluarkan oleh petani kecang kedelai. Berdasarkan jumlah anggota keluarga dapat dilihat dari Tabel 4.8
Tabel 4.8 Karakteristik Responden Berdasarkan Jumlah Tanggungan Anggota Keluarga.
No. Jumlah Anggota Keluarga (Orang)
Jumlah (Orang) Persentase (%)
1. 0-3 25 83,33
2. 4-6 5 16,67
3. 7-9 0 0
Total 30 100
Sumber: Analisis data primer dari lampiran 1 (diolah).
Berdasarkan Tabel 4.8 diketahui bahwa jumlah tanggungan anggota keluarga pada responden anggota petani kacang kedelai tingkat jumlah anggota tanggungan keluarga yang paling tinggi adalah antar 0-3 orang dengan persentasi
ssebesar 83,33% dan tertinggi kedua dengan tanggungan anggota keluarga 4-6 orang dengan presentasi 16.67%.
5. Luas lahan
Luas lahan yang dimilki petani sangat mempengaruhi besarnya jumlah penerimaan yang diterima petani kedelai. Luas lahan anggota kelompok kedelai dapat dilihat pada Tabel 4.9
Tabel 4.9 Karakteristik Responden Berdasarkan Luas Lahan
No. Luas Lahan (Ha) Jumlah (Orang) Persentase (%)
1. 0,04-0,16 15 50
3. 0,17-0,25 11 36,67
5. >0,25 4 13,33
Jumlah 30 100
Sumber: Analisis data primer dari lampiran 1 (diolah).
Berdasarkan Tabel 4.9. dapat diketahui bahwa persentase luas lahan petani kecang kedelai tersebut sebesar 50% pada luas lahan 0,04 sampai 0,16 Hektar, yang kedua sebesar 36,67% pada luas lahan 0,17-0,25 Ha dan 13,33 pada luas lahan
>0,25 Ha
BAB V
HASIL DAN PEMBAHASAN
5.1 Analisis Hasil Uji Hipotesis 1 Terdapat Pengaruh Karakteristik Sosial Ekonomi (Umur, Tingkat Pendidikan, Lama Berusahatani, Jumlah Tanggungan dan Luas Lahan) Petani Kedelai Terhadap Pendapatan
Data yang digunakan dalam analisis ini adalah data primer dimana variabel bebasnya yaitu umur, tingkat pendidikan, lama berusahatani, jumlah tanggungan dan luas lahan. Dari variabel–variabel bebas tersebut akan dilihat seberapa besar pengaruhnya terhadap pendapatan (variabel terikat), maka hasil regresi yang diperoleh sebagai berikut:
5.1.1 Hasil Uji Hipotesis
Dalam penelitian ini digunakan model estimasi regresi linier berganda : Y=f(X1,X2,X3,
X4
,X5)... (1) Dimana : Y = Pendapatan (rp)
X1 = Umur(tahun)
X2 = Tingkat Pendidikan (tahun) X3 = Lama Berusahatani (tahun) X4 = Jumlah Tanggungan (orang) X5 = Luas Lahan
(Ha)
Kriteria uji hipotesis adalah : H0 terima apabila signifikan > 0,05 H1 terima apabila signifikan < 0,05
Persamaan regresi untuk pengaruh umur, tingkat pendidikan, lama berusahatani, Jumlah Tanggungan dan luas lahan terhadap pendapatan petani tanaman kacang kedelai ( Y ) maka hasilnya adalah sebagai berikut :
Y = -1785,718 + 54021,604X1 +3214,387X2 + 6761859,040X3 -9552,801X4 -1785,718X5
t hitung = -,198 1,375 ,338
23,074 ,781
tsig = ,845 ,182 ,738
,000 ,781
Fhitung = 139,407 Fsig = ,000b R2 = ,967 α = 0,05
5.1.2. Uji Kesesuaian ( Test of Goodness of Fit ) 5.1.2.1 Koefisien Determinasi (R2)
Hasil Uji Liniar Berganda memperlihatkan nilai signifikansi dari uji R Square uji yang telah dilakukan seperti pada Tabel 5.1
Tabel 5.1 Hasil Uji R Square
Model R R Square
1 ,983a , 967
Sumber : data primer diolah lampiran
Dari Hasil dapat diperoleh nilai koefisien determinasi ( R2) sebesar 0,967 yang berarti bahwa variasi yang terjadi pada umur (X1), tingkat pendidikan (X2), lama berusahatani (X3), Jumlah Tanggungan (X4) dan Luas Lahan (X5) dapat mempengaruhi pendapatan (Y) sebesar 96,7%. Dan variabel lain yang tidak dapat dijelaskan mempengaruhi pendapatan sebesar 3,3%.
Tabel 5.2 Hasil Uji F
Tabel 5.3 Hasil Uji Beta dan Hasil Uji T dan Uji regersi
Sumber : data primer diolah lampiran
5.1.2.2. Uji Secara Serempak (Uji F – Statistik )
Hasil Uji Liniar Berganda memperlihatkan nilai F dan sig yang telah dilakukan seperti pada Tabel 5.2
Sumber : data primer diolah lampiran
Dari keseluruhan Variabel bebas yaitu umur (X11), tingkat pendidikan (X12), lama berusahatani (X13), jumlah tanggungan (X14), luas Lahan (X15), secara serempak memberikan pengaruh yang sangat signifikan yaitu Fhitung sebesar 139,407 > Fsig sebesar 0,000. Artinya H1 diterima atau ada pengaruh yang signifikan oleh semua variabel yang diteliti terhadap pendapatan.
5.1.2.3 Analisis Regresi Uji Secara Parsial ( Uji t )
Dengan melakukan pengujian secara parsial, maka pengaruh masing masing variabel bebas yakni umur (X11), tingkat pendidikan (X12), lama berusahatani (X13), jumlah tanggungan (X14) dan luas Lahan (X15), terhadap variabel pendapatan (Y) dapat dilihat pada Tabel 5.3 adalah sebagai berikut :
Model F Sig.
Regression 139,407 ,000b
Model Koefisien T Sig.
(Constant) Umur (X1) Tingkat pendidikan (X2) Lama Berusahatani (X3) Jumlah Tanggungan (X4)
Luas Lahan (X5)
-1785,718 -,877 ,389
54021,604 -,198 ,845
3214,387 1,375 ,182
67618,040 ,338 ,738
-9552,801 -,282 ,781
1785,718 23,074 ,000
Variabel umur (X1) mempunyai koefisien regresi bahwa pendidikan sebesar 54021,604 artinya apabila umur petani meningkat sebesar 1 tahun, maka akan menambahkan pendapatan petani sebesar 54021,604. Secara Statistik uji parsial, hasil analisis terhadap pendapatan petani kedelai diperolah thitung sebesar -0,198 dengan nilai signifikansi sebesar 0,845 pada tingkat α sebesar 0,05. adalah lebih besar dari nilai α 0,05 artinya tidak signifikan sehingga variabel umur (X1) tidak memiliki pengaruh sangat nyata terhadap pendapatan (Y).
Variabel tingkat pendidikan (X2) mempunyai koefisien regresi pendidikan sebesar 3214,387 artinya apabila tingkat pendidikan meningkat sebesar 1 tingkatan, maka akan menambahkan pendapatan petani sebesar 3214,387. Secara Statistik uji parsial, hasil analisis terhadap pendapatan petani kedelai diperolah thitung sebesar 1,375 dengan nilai signifikansi sebesar 0,182 pada tingkat α sebesar 0,05. adalah lebih besar dari nilai α 0,05 artinya tidak signifikan sehingga variabel tingkat pendidikan (X2) tidak memiliki pengaruh sangat nyata terhadap pendapatan (Y).
Variabel lama berusahatani (X3) mempunyai koefisien regresi lama berusahatani sebesar 67618,040 artinya apabila lama berusahatani meningkat sebesar 1 satuan, maka akan menambahkan pendapatan petani sebesar 67618,040 Secara Statistik uji parsial, hasil analisis terhadap pendapatan petani kedelai diperolah thitung sebesar 0,338 dengan nilai signifikansi sebesar 0,738 pada tingkat α sebesar 0,05. adalah lebih besar dari nilai α 0,05 artinya tidak signifikan sehingga
variabel lama berusahatani (X3) tidak memiliki pengaruh sangat nyata terhadap pendapatan (Y).
Variabel Jumlah Tanggungan (X4) mempunyai koefisien regresi jumlah tanggungan sebesar -9552,801 artinya apabila jumlah tanggungan meningkat
sebesar 1 satuan, maka akan menurunkan pendapatan petani sebesar -9552,801.
Secara Statistik uji parsial, hasil analisis terhadap pendapatan petani kedelai diperolah thitung sebesar -0,282 dengan nilai signifikansi sebesar 0,781 pada tingkat α sebesar 0,05. adalah lebih besar dari nilai α 0,05 artinya tidak signifikan sehingga variabel jumlah tanggungan (X4) tidak memiliki pengaruh sangat nyata terhadap pendapatan (Y).
Variabel luas lahan (X5) mempunyai ditinjau dari koefisien regresi bahwa luas lahan sebesar 1785,718 artinya apabila luas lahan meningkat sebesar 1 satuan, maka akan menurunkan pendapatan petani sebesar 1785,718. Secara Statistik uji parsial, hasil analisis terhadap pendapatan petani kedelai diperolah thitung sebesar 23,074 dengan nilai signifikansi sebesar 0,000 pada tingkat α sebesar 0,05. adalah lebih kecil dari nilai α 0,05 artinya signifikan sehingga variabel luas lahan (X5) memiliki pengaruh sangat nyata terhadap pendapatan (Y).
5.1.3 Uji Asumsi Klasik
Pendugaan dengan metode Kuadrat terkecil (Ordinary Least Square) memiliki beberapa persyaratan untuk memperoleh The Best Linear Unbiased Estimated adalah dengan terpenuhi beberapa uji asumsi klasik. Dalam penelitian ini asumsi klasik yang digunakan adalah sebagai berikut :
5.1.3.1 Uji Normalitas
Untuk mengetahui apakah distribusi data mengikuti atau mendekati distribusi normal, dilakukan uji normalitas. Pada penelitian ini normalitas dilakukan dengan cara pendekatan grafik. Dilihat pada Gambar 5.1 dan Gambar 5.2 adalah sebagai berikut :
Gambar 5.1. Grafik Histogram Uji Normalitas
Gambar 5.2. Normal P-P Plot of Regression Standarized Residual
Berdasarkan tampilan Gambar 5.1. Histogram Uji Normalitas dapat dilihat bahwa distribusi data berbentuk lonceng (bell shaped), sehingga data tersebut dikatakan berdistribusi normal. Kemudian tampilan pada Gambar 5.2 Normal P-P Plot of Regression Standarized Residual. Terlihat bahwa titik-titik menyebar di sekitar dan mengikuti serta garis diagonal. Dengan ini data tersebut dikatakan berdistribusi normal, sehingga asumsi normalitas terpenuhi.
5.1.3.2 Uji Multikolinearitas
Untuk uji multikolinearitas pada penelitian berikut dilakukan dengan melihat nilai VIF pada tiap independet variabel yang dapat di lihat pada Tabel 5.4 berikut:
Tabel 5.4 Hasil uji Multikolinearitas
Sumber : data primer diolah lampiran
Berdasarkan Tabel 5.4 dapat dilihat bahwa nilai VIF masing masing variabel dibawah 10 dan tolerance semua variabel diatas 0,1. Hal ini menunjukan bahwa model tidak mengandung multikolinearitas
Collinearity Statistics
Tolerance VIF
,107 9,307
,810 1,234
,107 9,385
,778 1,286
,774 1,292
5.1.3.3 Uji Heteroskedastisitas
Heteroskedastisitas didekteksi dengan metode grafik dengan mengamati scatterplot dapat dilihat pada Gambar 5.3
Gambar 5.3 Scatterplot Uji Heteroskedastisitas
Heteroskedastisitas didekteksi oleh metode grafik dengan melihat scatterplot. Jika scatterplot membentuk suatu pola tertentu, maka itu menunjukkan bahwa adanya masalah heteroskedastisitas pada model regresi yang dibentuk.
Sedangkan scatterplot jika menyebar secara random atau acak maka menunjukan tidak ada masalah pada heteroskedastisitas.
Hasil uji asumsi heteroskedastisitas dengan melihat Gambar 5.3 scatterplot Uji heteroskedastisitas menunjukan bahwa scatterplot menyebar secara acak dan titik titik menyebar di bawah dan di atas angka 0. Hal ini menunjukan bahwa tidak terjadi masalah pada heteroskedastisitas.
5.2 Analisis Hasil Uji Hipotesis 2 Terdapat Pengaruh input produksi terhadap Jumlah Produksi
Data yang digunakan dalam analisis ini adalah data primer dimana variabel bebasnya yaitu jumlah bibit, jumlah pupuk, jumlah pestisida, jumlah tenaga kerja.
Dari variabel–variabel bebas tersebut akan dilihat seberapa besar pengaruhnya terhadap jumlah produksi (variabel terikat), maka hasil regresi yang diperoleh sebagai berikut:
5.2.1 Hasil Uji Cob Douglas
Dalam penelitian ini digunakan model estimasi regresi linier berganda : Ln Y=f(X1,X2,X3,
X4)... (1) Dimana :
Y = Jumlah Produksi (kg)X1 = Jumlah bibit (kg) X2 = Jumlah pupuk (kg) X3 = Jumlah pestisida ( l)
X4 = Jumlah tenaga kerja (HKO)
Kriteria uji hipotesis adalah : H0 terima apabila signifikan > 0,05 H1 terima apabila signifikan < 0,05
Persamaan regresi untuk pengaruh jumlah bibit, jumlah pupuk, jumlah pestisida dan jumlah tenaga kerja terhadap jumlah produksi tanaman kacang kedelai ( Y ) maka hasilnya adalah sebagai berikut:
Y = 2,992 + ,878X1 + ,186X2 - ,0048X3 + ,015X4
t hitung = 9,190 2,439 -,074
,363
tsig = ,000 ,023 ,942
,720 Fhitung = 205,487 Fsig = ,000b R2 = ,972 α = 0,05
5.2.2. Uji Kesesuaian ( Test of Goodness of Fit ) 5.2.2.1. Koefisien Determinasi (R2)
Hasil Uji Liniar Berganda memperlihatkan nilai signifikansi dari uji R Square uji yang telah dilakukan seperti pada Tabel 5.5
Tabel 5.5 Hasil Uji R Square
Model R R Square
1 ,986a ,972
Sumber : data primer diolah lampiran
Dari Hasil dapat diperoleh nilai koefisien determinasi (R2) sebesar 0,972 yang berarti bahwa variasi yang terjadi pada jumlah bibit (X1), jumlah pupuk (X2), jumlah pestisida (X3) dan jumlah tenaga kerja (X4) dapat mempengaruhi jumlah produksi (Y) sebesar 97,2%. Dan variabel lain yang tidak dapat dijelaskan mempengaruhi pendapatan sebesar 2,8%.
Tabel 5.7 Hasil Uji Beta dan Hasil Uji T dan Uji regersi Tabel 5.6 Hasil Uji F
5.2.2.2. Uji Secara Serempak (Uji F – Statistik )
Hasil Uji Liniar Berganda memperlihatkan nilai F dan sig yang telah dilakukan seperti pada Tabel 5.6
Sumber : data primer diolah lampiran
Dari keseluruhan Variabel bebas yaitu jumlah bibit (X1), jumlah pupuk (X2), jumlah pestisida (X3), jumlah tenaga kerja (X4) secara serempak memberikan pengaruh yang sangat signifikan yaitu Fhitung sebesar 205,487 > Fsig sebesar 0,000.
Artinya H1 diterima atau ada pengaruh yang signifikan oleh semua variabel yang diteliti terhadap jumlah produksi
5.2.2.3. Analisis Regresi Uji Secara Parsial ( Uji t )
Dengan melakukan pengujian secara parsial, maka pengaruh masing masing variabel bebas yakni jumlah bibit (X1), jumlah pupuk (X2), jumlah pestisida (X3), jumlah tenaga kerja (X4) terhadap variabel jumlah produksi (Y) dapat dilihat pada Tabel 5.7 adalah sebagai berikut
Sumber : data primer diolah lampiran
Model F Sig.
Regression 205,487 ,000b
Model Koefisien t Sig.
(Constant) Jumlah bibit (X1) Jumlah pupuk (X2) Jumlah pestisida (X3) Jumlah tenaga kerja (X4)
:
2,992 10.739 ,000,878 9,190 ,000
,186 2,439 ,023
,015 -,363 ,942
,0048 -,074 ,720
Variabel jumlah bibit (X1) mempunyai koefisien regresi jumlah bibit sebesar 0,878 artinya apabila jumlah bibit meningkat sebesar 1 satuan, maka akan menambahkan jumlah produksi sebesar 0,878 . Secara Statistik uji parsial, hasil analisis terhadap jumlah produksi petani kedelai diperolah thitung sebesar 9,190 dengan nilai signifikansi sebesar 0,000 pada tingkat α sebesar 0,05. artinya adalah lebih kecil dari nilai α 0,05 artinya signifikan sehingga variabel jumlah bibit (X1) memiliki pengaruh sangat nyata terhadap jumlah produksi (Y).
Variabel jumlah pupuk (X2) mempunyai koefisien regresi jumlah pupuk sebesar 0,186 artinya apabila jumlah pupuk meningkat sebesar 1 kg satuan, maka akan menambahkan jumlah produksi sebesar 0,186. Secara Statistik uji parsial, hasil analisis terhadap jumlah produksi petani kedelai diperolah thitung sebesar 2,439 dengan nilai signifikansi sebesar 0,023 pada tingkat α sebesar 0,05. artinya adalah lebih kecil dari nilai α 0,05 artinya signifikan sehingga variabel jumlah pupuk (X2) memiliki pengaruh nyata terhadap jumlah produksi (Y).
Variabel jumlah pestisida (X3) mempunyai koefisien regresi jumlah pestisida sebesar 0,015 artinya apabila jumlah pestisida meningkat sebesar 1 satuan, maka akan menambahkan jumlah produksi sebesar 0,015. Secara Statistik uji parsial, hasil analisis terhadap jumlah produksi petani kedelai diperolah thitung sebesar -0,363 dengan nilai signifikansi sebesar 0,942 pada tingkat α sebesar 0,05. artinya adalah lebih besar dari nilai α 0,05 artinya signifikan sehingga variabel jumlah pestisida (X3) tidak memiliki pengaruh sangat nyata terhadap jumlah produksi (Y).
Variabel jumlah tenaga kerja (X4) mempunyai koefisien regresi jumlah tenaga kerja sebesar 0,0048 artinya apabila jumlah tenaga kerja meningkat sebesar 1 satuan, maka akan menambahkan jumlah produksi sebesar 0,0048 . Secara Statistik
uji parsial, hasil analisis terhadap jumlah produksi petani kedelai diperolah thitung
sebesar -0,074 dengan nilai signifikansi sebesar 0,720 pada tingkat α sebesar 0,05.
artinya adalah lebih besar dari nilai α 0,05 artinya signifikan sehingga variabel tenaga kerja (X4) tidak memiliki pengaruh sangat nyata terhadap jumlah produksi (Y).
5.2.3 Uji Asumsi Klasik
Pendugaan dengan metode Kuadrat terkecil (Ordinary Least Square) memiliki beberapa persayaratan untuk memperoleh The Best Linear Unbiased Estimated adalah dengan terpenuhi beberapa uji asumsi klasik. Dalam penelitian ini asumsi klasik yang digunakan adalah sebagai berikut :
5.2.3.1 Uji Normalitas
Untuk mengetahui apakah distribusi data mengikuti atau mendekati distribusi normal, dilakukan uji normalitas. Pada penelitian ini normalitas dilakukan dengan cara pendekatan grafik. Dilihat pada Gambar 5.4 dan Gambar 5.5 adalah sebagai berikut.
Gambar 5.4. Grafik Histogram Uji Normalitas
Tabel 5.8 Hasil uji Multikolinearitas
Berdasarkan tampilan Gambar 5.4. Histogram Uji Normalitas dapat dilihat bahwa distribusi data berbentuk lonceng (bell shaped), sehingga data tersebut dikatakan berdistribusi normal. Kemudian tampilan pada Gambar 5.5 Normal P-P Plot of Regression Standarized Residual. Terlihat bahwa titik-titik menyebar di sekitar dan mengikuti serta garis diagonal. Dengan ini data tersebut dikatakan berdistribusi normal, sehingga asumsi normalitas terpenuhi.
5.2.3.2 Uji Multikolinearitas
Untuk uji multikolineritas pada penelitian berikut dilakukan dengan melihat nilai VIF pada tiap independen variabel yang dapat di lihat pada Tabel 5.8 berikut:
Sumber : data primer diolah lampiran
Berdasarkan Tabel 5.8 dapat dilihat bahwa nilai VIF masing masing variabel dibawah 10 dan tolerance semua variabel diatas 0,1. Hal ini menunjukan bahwa model tidak mengandung multikolinearitas.
Collinearity Statistics
Tolerance VIF
,149 6,723
,223 4,480
,416 2,405
,621 1,610
5.2.3.3 Uji Heteroskedastisitas
Heteroskedastisitas didekteksi dengan metode grafik dengan mengamati scatterplot dapat dilihat pada Gambar 5.6
Gambar 5.6 Scatterplot Uji Heteroskedastisitas
Heteroskedastisitas didekteksi oleh metode grafik dengan melihat scatterplot. Jika scatterplot membentuk suatu pola tertentu, maka itu menunjukkan bahwa adanya masalah heteroskedasitas pada model regresi yang dibentuk.
Sedangkan scatterplot jika menyebar secara random atau acak maka menunjukkan tidak ada masalah pada heteroskedastisitas
Hasil uji asumsi heteroskedastisitas dengan melihat Gambar 5.6 scatterplot Uji heteroskedasitas menunjukkan bahwa scatterplot menyebar secara acak dan titik titik menyebar di bawah dan di atas angka 0. Hal ini menunjukkan bahwa tidak terjadi masalah pada heteroskedastistas
5.3 Analisis Hasil Uji Hipotesis 3 Terdapat Pengaruh Biaya Input Produksi Terhadap Pendapatan
Data yang digunakan dalam analisis ini adalah data primer dimana variabel bebasnya yaitu biaya bibit, biaya pupuk, biaya pestisida, biaya penyusutan, biaya tenaga kerja. Dari variabel–variabel bebas tersebut akan dilihat seberapa besar pengaruhnya terhadap pendapatan (variabel terikat), maka hasil regresi yang
5.3.1 Hasil Uji Hipotesis
Dalam penelitian ini digunakan model estimasi regresi linier berganda : Y=f(X1,X2,X3,X4,X5)... (1) Dimana : Y = Pendapatan (rp)
X1 = Biaya bibit (rp) X2 = Biaya pupuk (rp) X3 = Biaya pestisida (rp) X4 = Biaya penyusutan (rp) X5 = Biaya tenaga kerja (rp)
Kriteria uji hipotesis adalah : H0 terima apabila signifikan > 0,05 H1 terima apabila signifikan < 0,05
Persamaan regresi untuk pengaruh biaya bibit, biaya pupuk, biaya pestisida, biaya penyusutan dan biaya tenaga kerja terhadap pendapatan ( Y ) maka hasilnya adalah sebagai berikut :
Y = -204508,092 + 10,547X1 -1,173X2 – ,875X3 -,682X4 +,605X5
t hitung = 12,242 -1,022 -,276
-2,798 1,197
tsig = ,000 ,317 ,785
,010 ,243
Fhitung = 177,048 Fsig = ,000b R2 = ,974 α = 0,05
Tabel 5.10 Hasil Uji F
5.3.2. Uji Kesesuaian ( Test of Goodness of Fit ) 5.3.2.1. Koefisien Determinasi (R2)
Hasil Uji Liniar Berganda memperlihatkan nilai signifikansi dari uji R Square uji yang telah dilakukan seperti pada Tabel 5.9
Tabel 5.9 Hasil Uji R Square
Model R R Square
1 ,987a ,974
Sumber : data primer diolah lampiran
Dari Hasil dapat diperoleh nilai koefisien determinasi ( R2) sebesar 0,974 yang berarti bahwa variasi yang terjadi pada biaya bibit (X1), biaya pupuk (X2), biaya pestisida (X3), biaya penyusutan (X4) dan biaya tenaga kerja (X5) dapat mempengaruhi pendapatan (Y) sebesar 97,4%. Dan variabel lain yang tidak dapat dijelaskan mempengaruhi pendapatan sebesar 2,6%.
5.3.2.2. Uji Secara Serempak (Uji F – Statistik)
Hasil Uji Liniar Berganda memperlihatkan nilai F dan sig yang telah dilakukan seperti pada Tabel 5.10
Sumber : data primer diolah lampiran
Dari keseluruhan Variabel bebas yaitu biaya bibit (X1), biaya pupuk (X2), biaya pestisida (X3), biaya penyusutan (X4) dan biaya tenaga kerja (X5) secara serempak memberikan pengaruh yang sangat signifikan yaitu Fhitung sebesar 177,048 > Fsig sebesar 0,000. Artinya H1 diterima atau ada pengaruh yang signifikan oleh semua variabel yang diteliti terhadap pendapatan.
Model F Sig.
Regression 177,048 ,000b
Tabel 5.11 Hasil Uji Beta dan Hasil Uji T dan Uji regersi 5.3.2.3. Analisis Regresi Uji Secara Parsial ( Uji t )
Dengan melakukan pengujian secara parsial, maka pengaruh masing masing variabel bebas yakni biaya bibit (X1), biaya pupuk (X2), biaya pestisida (X3), biaya penyusutan (X4) dan biaya tenaga kerja
(
X5)
terhadap variabel pendapatan (Y) dapat dilihat pada Tabel 5.11 adalah sebagai berikut:
Sumber : data primer diolah lampiran
Variabel biaya bibit (X1) mempunyai koefisien regresi sebesar 10,547 artinya apabila biaya bibit meningkat sebesar 1 satuan, maka akan menambahkan pendapatan sebesar 10.547. Secara Statistik uji parsial, hasil analisis terhadap pendapatan petani kedelai diperolah thitung sebesar 12.242 dengan nilai signifikansi sebesar 0,00 pada tingkat α sebesar 0,05. artinya adalah lebih kecil dari nilai α 0,05 artinya signifikan sehingga variabel biaya bibit (X1) memiliki pengaruh sangat nyata terhadap pendapatan (Y).
Variabel biaya pupuk (X2) mempunyai koefisien regresi sebesar -1,173 artinya apabila biaya pupuk meningkat sebesar 1 satuan, maka akan menurunkan pendapatan sebesar 1.173. Secara Statistik uji parsial, hasil analisis terhadap pendapatan petani kedelai diperolah thitung sebesar -1,022 dengan nilai signifikansi sebesar 0,317 pada tingkat α sebesar 0,05. artinya adalah lebih besar dari nilai α
Model Koefisien t Sig.
(Constant) Biaya bibit (X1) Biaya pupuk (X2) Biaya pestisida (X3) Biaya penyusutan (X4) Biaya Tenaga kerja (X5)
-204508,092 -2,507 ,019
10,547 12,242 ,000
-1,173 -1,022 ,317
-,875 -,276 ,785
-,682 -2,798 ,010
,605 1,197 ,243
0,05 artinya tidak signifikan sehingga variabel biaya bibit (X1) tidak memiliki pengaruh sangat nyata terhadap pendapatan (Y).
Variabel biaya pestisida (X3) mempunyai koefisien regresi sebesar -,875 artinya apabila biaya pestisida meningkat sebesar 1 satuan, maka akan menurunkan pendapatan sebesar 875. Secara Statistik uji parsial, hasil analisis terhadap pendapatan petani kedelai diperolah thitung sebesar -,276 dengan nilai signifikansi sebesar 0,785 pada tingkat α sebesar 0,05. artinya adalah lebih besar dari nilai α 0,05 artinya tidak signifikan sehingga variabel biaya pestisida (X3) tidak memiliki pengaruh sangat nyata terhadap pendapatan (Y).
Variabel biaya penyusutan (X4) mempunyai koefisien regresi sebesar -,682 artinya apabila biaya penyusutan meningkat sebesar 1 satuan, maka akan menurunkan pendapatan sebesar 682. Secara Statistik uji parsial, hasil analisis terhadap pendapatan petani kedelai diperolah thitung sebesar -,2798 dengan nilai signifikansi sebesar 0,010 pada tingkat α sebesar 0,05. artinya adalah lebih kecil dari nilai α 0,05 artinya signifikan sehingga variabel biaya penyusutan (X4) memiliki pengaruh sangat nyata terhadap pendapatan (Y).
Variabel biaya tenaga kerja (X5) mempunyai ditinjau dari koefisien regresi sebesar ,605 artinya apabila biaya tenaga kerja meningkat sebesar 1 satuan, maka akan menambahkann pendapatan sebesar 605. Secara Statistik uji parsial, hasil analisis terhadap pendapatan petani kedelai diperolah thitung sebesar 1,197 dengan nilai signifikansi sebesar 0,243 pada tingkat α sebesar 0,05. artinya adalah lebih besar dari nilai α 0,05 artinya tidak signifikan sehingga variabel biaya tenaga kerja (X5) tidak memiliki pengaruh sangat nyata terhadap pendapatan (Y).
5.3.3. Uji Asumsi Klasik
Pendugaan dengan metode Kuadrat terkecil (Ordinary Least Square) memiliki beberapa persyaratan untuk memperoleh The Best Linear Unbiased Estimated adalah dengan terpenuhi beberapa uji asumsi klasik. Dalam penelitian ini asumsi klasik yang digunakan adalah sebagai berikut :
5.3.3.1 Uji Normalitas
Untuk mengetahui apakah distribusi data mengikuti atau mendekati distribusi normal, dilakukan uji normalitas. Pada penelitian ini normalitas dilakukan dengan cara pendekatan grafik. Dilihat pada Gambar 5.7 dan Gambar 5.8 adalah sebagai berikut :
Gambar 5.7. Grafik Histogram Uji Normalitas
Gambar 5.8. Normal P-P Plot of Regression Standarized Residual
Tabel 5.12 Hasil uji Multikolinearitas
Berdasarkan tampilan Gambar 5.7. Histogram Uji Normalitas dapat dilihat bahwa distribusi data berbentuk lonceng (bell shaped), sehingga data tersebut dikatakan berdistribusi normal. Kemudian tampilan pada Gambar 5.8 Normal P-P Plot of Regression Standarized Residual. Terlihat bahwa titik-titik menyebar di sekitar dan mengikuti serta garis diagonal. Dengan ini data tersebut dikatakan berdistribusi normal, sehingga asumsi normalitas terpenuhi.
5.3.3.2 Uji Multikolinearitas
Untuk uji multikolineritas pada penelitian berikut dilakukan dengan melihat nilai VIF pada tiap independen variabel yang dapat di lihat pada Tabel 5.12 berikut:
Sumber : data primer diolah lampiran
Berdasarkan Tabel 5.12 dapat dilihat bahwa nilai VIF masing masing variabel dibawah 10 dan tolerance semua variabel diatas 0,1. Hal ini menunjukkan bahwa model tidak mengandung multikolinearitas.
Collinearity Statistics
Tolerance VIF
,111 8,970
,218 4,590
,434 2,302
,158 6,347
,351 2,849
5.3.3.3 Uji Heteroskedastisitas
Heteroskedastisitas didekteksi dengan metode grafik dengan mengamati
Heteroskedastisitas didekteksi dengan metode grafik dengan mengamati