A. Hasil dan Analisis Data Penelitian
5. Uji Hipotesis dengan Teknik Analisis Regresi Linear
Seluruh tahapan pengujian hipotesis dengan analisis regresi linear berganda dilakukan dengan menggunakan alat bantu program statistik Minitab15.
a. Model Regresi Linear Berganda
Berdasarkan analisis data dengan teknik analisis regresi linear berganda menggunakan alat bantu program statistik Minitab15 (Lampiran 20), diperoleh hasil model regresi linear berganda Y atas X1, X2, X3, X4, X5, X6 sebagai berikut:
b. Uji Asumsi Klasik Model Regresi Linear Berganda
Uji asumsi klasik yang harus dipenuhi agar model regresi linear berganda = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216 X6 dapat
digunakan untuk membuat kesimpulan terdiri dari uji asumsi linearitas model regresi, normalitas residual, homoskedastisitas residual, independensi residual, dan multicollinearity.
- Uji Asumsi Linearitas Model Regresi
Uji asumsi linearitas model regresi dilakukan melalui pendekatan grafis, yaitu dengan metode scatterplot menggunakan alat bantu program statistik Minitab15. Jika grafik scatterplot tidak berpola, maka dapat disimpulkan bahwa pada model regresi tidak terjadi miss-specification fungsi garis regresi, atau dengan kata lain model regresi adalah linear.
Hasil uji asumsi linearitas model regresi = - 8,68 + 0,181 X1 + 0,310 X2 +
0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216 X6 disajikan pada Gambar 10.
Pada Gambar 10 dapat dilihat bahwa hasil uji menunjukkan grafik scatterplot yang dihasilkan tidak membentuk suatu pola tertentu yang teratur. Berdasarkan hasil uji tersebut, maka dapat diasumsikan bahwa pada model regresi = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216 X6, tidak
Gambar 10. Hasil Uji Asumsi Linearitas Model Regresi = - 8,68 + 0,181 X1 +
0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216 X6.
- Uji Asumsi Normalitas Residual
Uji asumsi normalitas residual dilakukan dengan statistik Anderson- Darling Test pada taraf signifikansi 5% (α = 0,05), menggunakan alat bantu program statistik Minitab15. Jika titik-titik nilai residual pada grafik normal probability plot terletak mengikuti pola garis lurus, dan atau nilai P-value ≥ α , maka nilai residual terdistribusi normal.
Hasil uji asumsi normalitas residual dengan Statistik Anderson-Darling Test pada taraf signifikansi 5% dapat dilihat pada Gambar 11.
Berdasarkan hasil uji seperti terlihat pada Gambar 11, dapat diketahui bahwa nilai statistik Anderson-Darling Test yang diperoleh adalah sebesar 0,386 dengan P-value = 0,382 (P-value > α). Grafik normal probability plot of residual
memperlihatkan bahwa titik-titik nilai residual terletak mengikuti pola garis lurus. Dengan demikian, dapat disimpulkan bahwa nilai residual dari model regresi linear berganda = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 +
0,216 X6 terdistribusi normal.
Gambar 11. Hasil Uji Asumsi Normalitas Residual.
- Uji Asumsi Homoskedastisitas Residual
Uji asumsi homoskedastisitas residual dilakukan melalui pendekatan grafis, yaitu dengan metode scatterplot menggunakan alat bantu program statistik Minitab15. Jika grafik scatterplot tidak berpola, maka dapat disimpulkan bahwa variansi residual pada model regresi adalah konstan atau terjadi homoscedasticity (Uyanto, 2009:253).
Hasil uji asumsi homoskedastisitas residual untuk model regresi linear berganda = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216 X6
terdapat pada Gambar 12.
Gambar 12. Hasil Uji Asumsi Homoskedastisitas Residual.
Pada Gambar 12 dapat dilihat bahwa grafik scatterplot tidak berpola, sehingga variansi residual pada model regresi linear berganda = - 8,68 + 0,181 X1
+ 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216 X6 dapat diasumsikan konstan
(terjadi homoscedasticity).
- Uji Asumsi Independensi Residual
Uji asumsi independensi residual dilakukan dengan uji statistik Durbin- Watson menggunakan alat bantu program statistik Minitab15. Jika nilai uji
statistik Durbin-Watson lebih kecil dari satu atau lebih besar dari tiga, maka dapat disimpulkan bahwa residual tidak bersifat independen atau terjadi autocorrelation (Uyanto, 2009:248).
Hasil uji menunjukkan bahwa nilai statistik Durbin-Watson adalah 1,73383 (Lampiran 20). Nilai tersebut lebih besar dari 1 dan kurang dari 3, sehingga dapat disimpulkan pada model regresi linear berganda = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216 X6, nilai residual bersifat
independen atau tidak terjadi autocorrelation antar nilai residual.
- Uji Asumsi Multicollinearity
Uji asumsi multicollinearity dilakukan dengan analisis statistik Variance Inflation Factor (VIF). Jika nilai VIF kurang dari 5, maka dapat disimpulkan bahwa dalam model regresi tidak terjadi multicollinearity (Iriawan dan Astuti, 2006:235). Hasil uji asumsi multicollinearity terdapat pada Tabel 14.
Tabel 14. Hasil Uji Asumsi Multicollinearity dengan Analisis Statistik VIF Variabel Independen VIF X1 1,345 X2 1,895 X3 1,581 X4 1,455 X5 1,348 X6 1,391
Keterangan: Hasil analisis berdasarkan output program Minitab15 (Lampiran 20).
Hasil uji pada Tabel 14 menunjukkan nilai VIF seluruh variabel independen lebih kecil dari 5 (Lampiran 20). Dengan demikian, dapat dikatakan
bahwa tidak terjadi multicollinearity dalam model regresi linear berganda = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216 X6.
Berdasarkan hasil uji asumsi klasik sebagaimana telah diuraikan di atas, maka model regresi linear berganda = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 +
0,129 X4 + 0,257 X5 + 0,216 X6 telah memenuhi seluruh asumsi yang harus dipenuhi sehingga model tersebut dapat digunakan untuk membuat kesimpulan-kesimpulan.
c. Uji Signifikansi Model Regresi Linear Berganda Hipotesis yang diuji:
H0 : Model regresi linear berganda tidak signifikan atau berarti
H1 : Model regresi linear berganda signifikan atau berarti
Pengujian hipotesis dilakukan dengan uji F pada taraf signifikansi 5% (α=0,05), menggunakan alat bantu program statistik Minitab15. Kriteria untuk menolak atau tidak menolak H0 adalah:
- Jika Fhit < Ftabel atau P-value≥α , maka H0 tidak ditolak
- Jika Fhit > Ftabel atau P-value < α , maka H0 ditolak
Ftabel diperoleh dari tabel distribusi F pada α=0,05 dengan dk (derajat
kebebasan) pembilang = k = 6, dan dk penyebut = jumlah responden – jumlah variabel independen – 1 = n-k-1 = 82-6-1 = 75. Dari daftar distribusi F, diketahui Ftabel = 2,21.
Hasil uji F disusun dalam daftar ANAVA variabel X1, X2, X3, X4, X5, X6,
Tabel 15. Daftar ANAVA Variabel X1, X2, X3, X4, X5, X6, dan Y
Source DF SS MS F P-value
Regression 6 580,716 96,786 134,02 0,000
Residual Error 75 54,162 0,722
Total 81 634,878
Keterangan: Hasil analisis berdasarkan output program Minitab15 (Lampiran 20).
Pada Tabel 15 terlihat bahwa hasil uji F menunjukkan nilai Fhit = 134,02
dan P-value = 0,000. Oleh karena Fhit > Ftabel dan P-value < α, maka H0 ditolak.
Dengan demikian, dapat disimpulkan bahwa model regresi linear berganda = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216 X6
signifikan pada taraf signifikansi 5%. Artinya, model regresi tersebut secara signifikan dapat digunakan untuk memprediksi rata-rata Y apabila X1, X2, X3, X4,
X5, dan X6 diketahui, atau dengan kata lain X1, X2, X3, X4, X5, dan X6 secara
bersama-sama berpengaruh signifikan terhadap Y, yang dinyatakan dengan model regresi linear berganda = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 +
0,257 X5 + 0,216 X6.
d. Uji Signifikansi Koefisien Regresi Linear Berganda
Pada uji signifikansi koefisien regresi linear berganda diuji hipotesis sebagai berikut:
H0 : Koefisien regresi linear berganda untuk X1, X2, X3, X4, X5, dan X6,
bernilai nol (θ1 = θ2 = θ3 = θ4 = θ5 = θ6 = 0)
H1 : Koefisien regresi linear berganda untuk X1, X2, X3, X4, X5, dan X6,
Pengujian hipotesis dilakukan dengan statistik uji-t (t-test) pada taraf signifikansi 5% (α=0,05), menggunakan alat bantu program statistik Minitab15. Kriteria untuk menolak atau tidak menolak H0 adalah:
- Jika thit < ttabel atau P-value≥α , maka H0 tidak ditolak
- Jika thit > ttabel atau P-value < α , maka H0 ditolak
Nilai ttabel diperoleh dari tabel distribusi t dengan α=0,05 dan dk (derajat
kebebasan) = jumlah responden – jumlah variabel independen – 1 = n-k-1 = 82-6- 1 = 75. Dari daftar distribusi t, diketahui nilai ttabel = 1,67.
Hasil uji-t pada taraf signifikansi 5% terdapat pada Tabel 16.
Tabel 16. Daftar Hasil Uji t pada Taraf Signifikansi 5%
Predictor Coef SE Coef t P-value
Constant -8,675 1,514 -5,73 0,000 X1 0,18142 0,03491 5,20 0,000 X2 0,30976 0,03672 8,44 0,000 X3 0,19571 0,04368 4,48 0,000 X4 0,12869 0,03194 4,03 0,000 X5 0,25725 0,03582 7,18 0,000 X6 0,21612 0,03644 5,93 0,000
Keterangan: Hasil analisis berdasarkan output program Minitab15 (Lampiran 20).
Hasil uji t (Tabel 16) menunjukkan thit untuk masing-masing koefisien
regresi linear berganda (θ1, θ2, θ3, θ4, θ5, dan θ6) nilainya lebih besar dari nilai
ttabel (thit > ttabel). Selain itu, P-value yang diperoleh untuk setiap koefisien regresi
linear nilainya lebih kecil dari 0,05 (P-value < α). Dengan demikian, H0 ditolak.
koefisien regresi untuk X1, X2, X3, X4, X5, X6, pada model regresi linear berganda
= - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216 X6
signifikan pada taraf signifikansi 5%, yang berarti faktor peserta didik, tenaga kependidikan, kurikulum, sarana dan prasarana, lingkungan keluarga, dan lingkungan masyarakat, secara parsial memberikan pengaruh yang signifikan terhadap keberhasilan pengembangan SDM pertanian di SPP-SPMA Tanjungsari.
6. Analisis Koefisien Determinasi (R2)
Analisis koefisien determinasi dilakukan untuk menentukan derajat atau besarnya pengaruh variabel X1, X2, X3, X4, X5, dan X6 terhadap variabel Y, baik
secara bersama-sama maupun parsial. Berkaitan dengan itu, dilakukan analisis koefisien determinasi berganda dan koefisien determinasi parsial.
a. Analisis Koefisien Determinasi Berganda
Hasil analisis koefisien determinasi berganda dari model regresi linear berganda = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216
X6 dapat dilihat pada Tabel 17.
Tabel 17. Hasil Analisis Koefsien Determinasi (R2) Berganda
SSR SST Koefisien Determinasi (R2) R 2 (adjusted) 580,716 634,878 0,915 0,908 Keterangan:
- Hasil analisis berdasarkan output program Minitab15 (Lampiran 20) - SSR = Regression Sum of Squares =
- SST = Total Sum of Squares =
(
Yˆi−Y)
2Pada Tabel 17 dapat dilihat bahwa nilai koefisien determinasi (R2) berganda adalah sebesar 0,915. Artinya, 91,5% variasi variabel keberhasilan pengembangan SDM pertanian di SPP-SPMA Tanjungsari (Y) dapat dijelaskan oleh variasi dari variabel peserta didik (X1), tenaga kependidikan (X2), kurikulum
(X3), sarana dan prasarana (X4), lingkungan keluarga (X5), dan lingkungan
masyarakat (X6). Sedangkan 8,5% lainnya ditentukan oleh faktor unik yang tidak
dapat dijelaskan dengan penelitian.
Dengan demikian, dapat ditentukan bahwa derajat atau besarnya pengaruh faktor peserta didik, tenaga kependidikan, kurikulum, sarana dan prasarana, lingkungan keluarga, dan lingkungan masyarakat, secara bersama-sama terhadap keberhasilan pengembangan SDM pertanian di SPP-SPMA, adalah sebesar 91,5%.
b. Analisis Koefisien Determinasi Parsial
Nilai koefisien determinasi (R2) parsial diperoleh dengan cara mengkuadratkan nilai koefisien korelasi parsial (r). Analisis koefisien korelasi parsial dilakukan dengan menggunakan alat bantu program statistik SPSS 16.0.
Hasil analisis koefisien determinasi (R2) parsial dari model regresi linear berganda = - 8,68 + 0,181 X1 + 0,310 X2 + 0,196 X3 + 0,129 X4 + 0,257 X5 + 0,216
X6 tercantum pada Tabel 18.
Tabel 18 memperlihatkan bahwa nilai koefisien determinasi parsial yang terbesar adalah R2 parsial untuk ry2.13456, yaitu 0,487. Artinya, variabel X2
memberikan derajat atau besarnya pengaruh yang terbesar terhadap variabel Y, pada saat variabel independen lainnya tetap/dikendalikan.
Tabel 18. Hasil Analisis Koefisien Determinasi (R2) Parsial Koefisien Korelasi Parsial
(r) Koefisien Determinasi (R2) Parsial P-value ry1.23456 0,515 0,265 0,000 ry2.13456 0,698 0,487 0,000 ry3.12456 0,460 0,212 0,000 ry4.12356 0,422 0,178 0,000 ry5.12346 0,638 0,407 0,000 ry6.12345 0,565 0,319 0,000
Keterangan: Hasil analisis berdasarkan output program SPSS 16.0 (Lampiran 21).
Dengan demikian dapat dikatakan bahwa faktor tenaga kependidikan, dalam hal ini guru, memberikan pengaruh terbesar terhadap keberhasilan pengembangan SDM pertanian di SPP-SPMA Tanjungsari, pada saat faktor-faktor lainnya dianggap tetap atau dikendalikan. Besarnya pengaruh faktor tenaga kependidikan tersebut yaitu sebesar 48,7%.