BAB IV HASIL PENELITIAN DAN PEMBAHASAN
C. Metode analisis
1 100-200 30 55% 2 210-300 20 36% 3 310-400 5 9% Jumlah 55 100%
Sumber: Data Primer Sudah Diolah, 2017.
Berdasarkan tabel 3.6 di atas dapat dilihat bahwa ada 30 orang yang mempunyai luas lahan sebesar 100 m2sampai 200 m2dengan persentase tertinggi sebesar 55%.
C. Metode Analisis
1. Uji Asumsi Klasik
Sebelum dilakukan pengujian regresi linear berganda terhadap hipotesis penelitian, maka terlebih dahulu perlu dilakukan suatu pengujian untuk mengetahui ada tidaknya pelanggaran terhadap asumsi-asumsi klasik. Hasil pengujian hipotesis yang terbaik adalah pengujian yang tidak melanggar asumsi-asumsi klasik yang mendasari model regresi linear berganda. Asumsi-asumsi-asumsi klasik dalam penelitian ini meliputi uji multikoleniaritas, uji normalitas, uji autokorelasi dan uji Heteroskedastisitas.
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Salah satu metode untuk mengetahui normalitas adalah dengan
menggunakan metode analisis grafik, baik dengan melihat grafik secara histogram ataupun dengan melihat secara Normal propability Plot. Normalitas data dapat dilihat dari penyebaran data (titik) pada sumbu diagonal pada grafik normal P-Plot atau dengan melihat histogram dari residualnya.
Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis di diagonal atau grafis histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. Sedangkan jika data menyebar jauh dari garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas
Uji normalitas yang pertama dengan melihat grafik secara histogram dan grafik normal P-Plot sebagaimana dengan terlihat dalam gambar 3.7 dan 3.8 di bawah ini:
Gambar 3.7 Grafik Histogram
Gambar 3.7 Terlihat bahwa pola distribusi mendekati normal, karena data mengikuti arah garis grafik histogramnya.
Gambar 3.8 Grafik Normal P-Plot
Sumber : Output SPSS 22 (Data Primer Diolah,2017)
Dari gambar 3.8 Normal Probability Plot di atas menujukkan bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal dan menujukkan pola distribusi normal, sehingga dapat disimpulkan bahwa asumsi normalitas telah terpenuhi.
b. Uji Multikolinearitas
Uji multikolinieritas ini bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antara variabel independen. Model yang baik seharusnya tidak terjadi kolerasi antara variabel bebas. Tolerance mengukur variabilitas. Variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Untuk mendeteksi adanya multikolinearitas, dapat dilihat dari Value Inflation Factor (VIF).
Berdasarkan aturan Variance Inflation Factor (VIF) dan tolerance maka apabila VIF melebihi angka 10 atau tolerance kurang dari 0.10 maka dinyatakan terjadi gejalah multikolinearitas. Sebaliknya apabila nilai VIF kurang dari 10 atau tolerance lebih dari 0,10 maka dinyatakan tidak terjadi gejala multikolinearitas.
Table 3.9 Uji Multikolinearitas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) TENAGA KERJA ,247 4,044 LUAS LAHAN ,247 4,044
Sumber : Output SPSS 22 (Data Primer Diolah, 2017)
Berdasarkan table 3.9 diatas, maka dapat diketahui nilai VIF untuk masing-masing variable penelitian sebagai berikut.
1. Nilai VIF untuk variable tenaga kerja sebesar 4,044< 10 dan nilai toleransi sebesar 0,247>0,10, sehingga variabel tenaga kerja dinyatakan tidak terjadi gejala multikolinearitas.
2. Nilai VIF untuk variable luas lahan sebesar 4,004< 10 dan nilai toleransi sebesar 0,247>0,10 sehingga variable luas lahan dinyatakan tidak terjadi gejalah multikolinearitas.
c. Uji Autokorelasi
Uji autokorelasi merupakan pengujian asumsi dalam regresi dimana variabel dependen tidak berkorelasi dengan dirinya sendiri. Maksud korelasi dengan diri sendiri adalah bahwa nilai dari variabel dependen tidak berhubungan dengan nilai variabel itu sendiri, baik nilai variabel sebelumnya atau nilai periode
sesudahnya. Salah satu metode analisis untuk mendeteksi ada tidaknya autokolerasi adalah dengan melakukan pengujian nilai Durbinwatson (DW test). Jika nilai DW lebih besar dari batas atas (du) dan kurang dari jumlah variabel independen, maka dapat disimpulkan bahwa tidak ada autokorelasi.
Tabel 3.10 Uji Autokorelasi Model Summaryb
Model
Change Statistics Durbin-Watson
df2 Sig. F Change
1 52 ,000 1,656
Sumber : Output SPSS 22 (Data Primer Diolah,2017)
dL dU 4-dU 4-dL
Autokolerasi(+) Ragu-ragu Tidak ada Ragu-ragu Autokorelasi (-) Autokorelasi
1,4903 1,6406 4-1,6406 4-1,4903
Dari tabel 3.10 tersebut diatas dapat dilihat nilai Durbin Watson dalam penelitian ini menunjukkan nilai 1,656. dengan pengujian dL<DW<4-du. Dengan melihat tabel DW maka diperoleh nilai dL sebesar 1,4903 dan nilai du sebesar 1,6406. Maka dL<DW<4-dU = 1,4903<1,656<2,3594, dapat disimpulkan bahwa penelitian ini bebas dari masalah autokorelasi.
d. Uji Heteroskedastisitas
Uji Heteroskedastisitas merupakan keadaan dimana varians dari setiap gangguan tidak konstan. Tujuan dari pengujian ini adalah untuk menguji apakah dalam sebuah model regresi, terjadi ketidaksamaan varians dari residual dari satu
pengamatan ke pengamatan yang lain. Jika varians dari residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas, dan jika varians berbeda, disebut Heteroskedastisitas. Model regresi yang baik adalah tidak terjadi Heteroskedastisitas. Hasil pengujian ditunjukkan dalam grafik Scatterplot, terlihat titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu yang jelas, serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heretoskedastisitas pada model regresi, sehingga model regresi layak dipakai seperti yang tertera pada Gambar 3.11 sebagai berikut:
Gambar 3.11
Uji Heteroskedasitisitas NPI
Sumber:Output SPSS 22 (Data Primer Diolah, 2017).
Berdasarkan gambar 3.11 di atas terlihat bahwa titik-titik pada grafik Scatterplot menyebar secara acak dan tidak membentuk suatu pola tertentu yang jelas dan tersebar. Hal ini berarti tidak terjadi heretoskedastisitas pada model regresi, sehingga model regresi layak dipakai.
2. Analisis Regresi Berganda
Analisis regresi linier berganda digunakan untuk mengetahui arah hubungan antara variabel independen dan variabel dependen. Persamaan regresi dapat dilihat dari tabel hasil uji coefisients berdasarkan output SPSS versi 22 terhadap variabel independent yaitu tenaga kerja dan luas lahan, terhadap variabel dependen yaitu Pendapatan petani merica yang ditunjukkan pada tabel 3.12 sebagai berikut berikut;
Tabel 3.12 Hasil Analisis Regresi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 7,935 ,458 17,333 ,000 TENAGA KERJA ,280 ,075 ,229 3,753 ,000 LUAS LAHAN 1,127 ,089 ,771 12,642 ,000
Sumber : Output SPSS 22 (Data Primer Diolah, 2017)
Berdasarkan pada tabel 3.12 diatas terlihat bahwa nilai konstanta α sebesar 7,935 dan koefisien regresi β1sebesar 0,280, dan β2sebesar 1,127. Nilai konstanta dan koefisien regresi (α, β1, β2,) ini dimaksudkan dalam persamaan regresi linier berganda berikut ini ;
LnY = 7,935 + 0,280LnX1+ 1,127 LnX2+ e.
a. Nilai Konstanta
Nilai konstanta sebesar 7,935 berarti jika tenaga kerja (X1), dan Luas lahan (X2) nilainya 0 atau konstan maka pendapatan petani merica (Y) nilainya sebesar 7,935 Rupiah.
b. Tenaga Kerja (X1)
Nilai koefisien regresi β1 sebesar 0,280 menunjukkan pengaruh tenaga kerja responden yang bernilai positif (+) artinya apabila setiap penambahan 1% tenaga kerja maka akan menyebabkan peningkatan pendapatan petani merica di Kecamatan Kindang kabupaten Bulukumba sebesar 0,280%. Dan sebaliknya jika tenaga kerja berkurang 1% maka akan menyebabkan penurunan pendapatan petani merica di Kecamatan Kindang kabupaten Bulukumba sebesar 0,280%.
c. Luas Lahan (X2)
Nilai koefisien regresi β2 sebesar 1,127 menunjukkan pengaruh luas lahan responden yang bernilai positif (+) artinya apabila setiap penambahan 1% luas lahan maka menyebabkan peningkatan pendapatan petani merica di Kecamatan Kindang kabupaten Bulukumba sebesar 1,127%. Dan sebaliknya jika luas lahan berkurang 1% maka akan menyebabkan penurunan pendapatan petani merica di Kecamatan Kindang kabupaten Bulukumba sebesar 1,127%.
3. Uji Hipotesis
Pengujian hipotesis dalam penelitian ini meliputi pengujian ketetapan perkiraan (R2), serempak (uji-f), dan pengujian individu (uji-t).
a. Uji Koefisien Determinan( R2)
Koefisien determinan (R square) pada intinya mengukur berapa jauh kemampuan model dalam menerangkan variasi variabel dependennya. Nilai koefisien determinan yang mendekati satu variabel-variabel independennya menjelaskan hampir semua informasi yang dibutuhkan untuk memprediksi variabel dependen. Hasil perhitungan koefisien determinasi penelitian ini dapat dilihat pada tabel 3.13 sebagai berikut:
Tabel 3.13
Hasil Perhitungan Koefisien Determinasi (R square) Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 ,976a ,952 ,950 ,09399
a. Predictors: (Constant), LUAS LAHAN, TENAGA KERJA b. Dependent Variable: PENDAPATAN
Sumber: Output SPSS 22 (Data Primer Diolah, 2017)
Berdasarkan output SPSS 22 pada tabel diatas terlihat bahwa hasil dari perhitungan di peroleh nilai koefisien determinasi (R square) sebesar 0,952, dengan kata lain hal ini menunjukkan bahwa besar persentase variable pendapatan petani merica yang bisa dijelaskan oleh variasi dari kedua variable bebas yaitu tenaga kerja dan luas lahan sebesar 95,2%. Sedangkan sisanya yaitu 4,8% dijelaskan oleh variable-variabel diluar penelitian.
b. Uji F (Secara Simultan)
Untuk mengetahui adanya pengaruh (X1) tenaga kerja dan (X2) luas lahan terhadap pendapatan petani merica di Kecamatan Kindang Kabupaten Bulukumba secara bersama-sama digunakan alat analisis yaitu uji F. Kriteria pengambilan keputusan dalam uji F ini yaitu apabila nilai signifikansi < 0,05 maka Ho ditolak
dan Ha diterima, dengan kata lain bahwa secara bersama-sama variabel tenaga kerja (X1) dan luas lahan (X2) di Kecamatan Kindang Kabupaten Bulukumba berpengaruh signifikan.
Tabel 3.14
Hasil Perhitungan Uji F ( Secara Simultan)
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 9,154 2 4,577 518,154 ,000b
Residual ,459 52 ,009
Total 9,613 54
Sumber : Output SPSS 22 (Data Primer Diolah, 2017)
Dari hasil regresi pada tabel 3.14 diatas menunjukkan pengaruh variable tenaga kerja (X1) dan Luas Lahan (X2) terhadap pendapatan petani merica (Y). Maka diperoleh nilai signifikan 0,000<0,05 artinya menolak Ho dan menerima Ha. Hal ini menunjukkan bahwa kedua variabel bebas secara simultan berpengaruh signifikan.
Dengan demikian dapat disimpulkan bahwa pengujian hipotesis diatas menolak Ho dan menerima Ha maksud dari menolak Ho adalah menolak pernyataan bahwa tenaga kerja dan luas lahan secara tidak bersama-sama berpengaruh terhadan pendapatan merica di Kecamatan Kindang Kabupaten Bulukumba dan maksud dari menerima Ha adalah menerima pernyataan bahwa tenaga kerja dan luas lahan secara bersama-sama (simultan) berpengaruh terhadap pendapatan petani merica di Kecamatan Kindang Kabupaten Bulukumba.
c. Uji t (Secara Parsial)
dependen (Pendapatan petani merica). Kriteria pengujian untuk uji t antara lain: apabila nilai signifikan<0,05 maka Ho ditolak dan Ha diterima berarti ada pengaruh signifikan antar variabel bebes terhadap variabel terikat, dan apabila nilai signifikan>0,05 maka Ho diterima dan Ha ditolak sehingga tidak ada pengaruh yang signifikan antar masing-masing variabel bebas terhadap variabel terikat. Sementara hasil perhitungan Uji t ditunjukkan pada tabel 3.15
Tabel 3.15
Hasil Perhitungan Uji t (Parsial) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 7,935 ,458 17,333 ,000 TENAGA KERJA ,280 ,075 ,229 3,753 ,000 LUAS LAHAN 1,127 ,089 ,771 12,642 ,000
Sumber : Output SPSS 22 (Data Primer Diolah, 2017)
Pada tabel 3.15 perhitungan uji t dapat dilihat hasil pengujian parsial terhadap masing-masing variable independen secara parsial terhadap variable dependennya dapat dianalisa sebagai berikut:
1. Hipotesis Pengaruh Tenaga Kerja Terhadap Pendapatan Petani merica (Y) Berdasarkan tabel 3.15 dapat nilai koefisien tenaga kerja (X1) sebesar 0,280 dan nilai signifikansi untuk variabel tenaga kerja (X1) adalah 0.000 dinyatakan lebih kecil dari taraf α = 0,05 (0,000< 0,05). Dari hasil tersebut sehingga dapat disimpulkan bahwa variabel tenaga kerja (X1) mempunyai pengaruh signifikan terhadap Pendapatan Petani merica. Dengan demikian dalam penelitian ini menerima hipotesis Ha dan menolak Ho.
2. Hipotesis Pengaruh Luas Lahan Terhadap Pendapatan Petani merica (Y) Berdasarkan tabel 3.15 dapat nilai koefisien luas lahan (X2) sebesar 1,127 dan nilai signifikansi untuk variabel luas lahan (X2) adalah 0,000 dinyatakan lebih kecil dari taraf α = 0,05 (0,000<0,05). Dari hasil tersebut sehingga dapat disimpulkan bahwa variabel luas lahan (X2) mempunyai pengaruh signifikan terhadap pendapatan petani merica. Dengan demikian dalam penelitian ini menerima hipotesis Ha dan menolak Ho.