PENGOLAHAN DATA
4.2 Analisis Variabel
4.2.3 Uji Signifikansi / Uji Kelinearan (Uji F)
Setelah model persamaan regresi linear berganda didapat, maka perlu dilakukan pengujian pada model persamaan regresi linear berganda tersebut, apakah model persamaan regresi linear berganda tersebut bisa diterima atau tidak. Pengujian model regresi linear berganda tersebut dapat dilakukan dengan uji kelinearan (uji F). Pada penelitian ini, penulis menggunakan bantuan SPSS untuk melakukan uji signifikansi atau uji kelinearan.
Hipotesis :
H0 : Tidak ada hubungan yang signifikan dan simultan antara luas lahan, pupuk, dan curah hujan terhadap produktifitas padi sawah.
H1 : Ada hubungan yang signifikan dan simultan antara luas lahan, pupuk dan curah hujan terhadap produktifitas padi sawah.
Untuk pengujian hipotesis pada tabel ANOVA, dapat dilakukan dengan 2 (dua) cara, yaitu dengan membandingkan nilai Fhitung dengan Ftabel dan dengan membandingkan taraf signifikansi (Sig.) hitung dengan taraf signifikansi (Sig.) α = 5% (0,05).
Kriteria pengujian:
- H0 diterima dan H1 ditolak apabila Fhitung< Ftabel - H0 ditolak dan H1 diterima apabila Fhitung> Ftabel b. Membandingkan taraf Sig.hitung dengan taraf Sig.0,05
- H0 diterima dan H1 ditolak apabila Sig.hitung> Sig.0,05 - H0 ditolak dan H1 diterima apabila Sig.hitung< Sig.0,05 Berikut adalah tabel ANOVA hasil output SPSS.
Tabel 4.10: Tabel ANOVA Output SPSS Untuk Uji Signifikansi
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 2491.471 3 830.490 3.106 .253a
Residual 534.790 2 267.395
Total 3026.260 5
a. Predictors: (Constant), Curah_hujan, Luas_lahan, Pupuk b. Dependent Variable: Produktivitas_padi
a. Membandingkan Fhitung dengan Ftabel
Dari tabel ANOVA, dapat dilihat Fhitung yang dihasilkan dari output SPSS adalah sebesar 3,106 yang kemudian akan dibandingkan dengan nilai Ftabel yang
dia bil dari daftar tabel distribusi F ya g e iliki kete tua sig ifika si α = 5%
(0,05); dk1 = k = 3; dan dk2 = n-k-1 = 2. Dimana: k = banyak variabel bebas,
n = banyak pengamatan, maka didapat nilai Ftabel sebesar 19,16.
Dari perbandingan nilai tersebut diatas, dapat dilihat bahwa Fhitung = 3,106 < Ftabel = 19,16 Sehingga H1 ditolak dan H0 diterima yang berarti tidak ada
hubungan yang signifikan dan simultan antara luas lahan, pupuk dan curah hujan terhadap produktifitas padi sawah di Kabupaten Langkat.
b. Membandingkan taraf Sig.hitung dengan taraf Sig.tabel
Dari tabel ANOVA, dapat dilihat taraf Sig.hitung yang dihasilkan oleh output SPSS adalah sebesar 0,253 > taraf Sig.0,05 = 0,05. Sehingga H1 ditolak dan H0 diterima yang berarti tidak ada hubungan yang signifikan dan simultan antara luas lahan, pupuk, dan curah hujan terhadap produktifitas padi sawah di Kabupaten Langkat.
4.2.4 Analisis Korelasi Ganda
Setelah regresi linear ganda dihitung, selanjutnya adalah menentukan derajat hubungan antara variabel luas lahan, pupuk dan curah hujan terhadap hasil produktifitas padi sawah. Derajat hubungan antara variabel-variabel tersebut dapat dihitung dengan analisis korelasi ganda. Analisis korelasi ganda adalah analisis yang digunakan untuk melihat besarnya hubungan yang terjadi antar variabel. Pada penelitian ini, penulis menggunakan analisis korelasi Pearson (R) dengan ketentuan nilai R (-1 < R < 1), dimana nilai R = -1 menujukkan korelasi yang terjadi antar variabel adalah negatif dan sangat kuat; R = 0 menunjukkan tidak ada korelasi yang terjadi antara variabel; dan nilai R = 1 menunjukkan korelasi yang terjadi antara variabel adalah positif dan sangat kuat. Interval koefisien dari korelasi nilai R pada korelasi ganda, dapat dilihat pada tabel berikut:
Tabel 4.11: Interval Tingkat Hubungan pada Analisis Korelasi Pearson (R)
Interval Koefisien Tingkat Hubungan
0,00 – 0,190 Sangat Lemah 0,20 – 0,390 Lemah
0,40 – 0,59 Cukup Kuat 60 – 0,790 Kuat
80 – 1,000 Sangat Kuat
Besarnya nilai koefisien determinasi (R2) pada analisis korelasi dapat ditentukan dengan menggunakan rumus:
Keterangan:
R2 : Koefisien Determinasi
JKreg : Jumlah Kuadrat-kuadrat Regresi
Nilai koefisiean korelasi Pearson (R) pada korelasi linear ganda dapat diambil dari hasil pengakaran nilai koefisien determinasi ganda (R2).
Dalam analisis korelasi linear berganda, diperlukan beberapa harga-harga tambahan pada tabel 4.5 agar memenuhi syarat analisis korelasi linear ganda. Berikut adalah tabel yang telah memenuhi syarat analisis korelasi linear ganda:
Tabel 4.12: Harga-Harga Yang Diperlukan Dalam Analisis Korelasi Linear Berganda No. X1 X2 X3 Y x1 x2 x3 y x1y x2y x3y y2 1 80,17 8,82 3,17 432,45 1,81 -2,30 0,49 -4,55 -8,24 10,46 -2,24 20,67 2 79,57 10,34 2,59 433,42 1,21 -0,78 -0,09 -3,58 -4,34 2,80 0,32 12,79 3 82,45 9,6 2,21 448,83 4,09 -1,52 -0,47 11,83 48,44 -18,01 -5,54 140,03 4 85,23 13,97 2,64 468,32 6,87 2,85 -0,04 31,32 215,30 89,22 -1,20 981,15 5 67,12 14,48 2,63 394,4 -11,24 3,36 -0,05 -42,60 478,64 -143,05 2,06 1.814,48 6 75,6 9,52 2,83 444,56 -2,76 -1,60 0,15 7,56 -20,85 -12,11 1,15 57,20 Jumlah 470,14 66,73 16,07 2.621,98 - - - - 708,94 -70,69 -5,46 3.026,32 Rata-rata 78,36 11,12 2,68 437,00 - - - - 118,16 -11,78 -0,91 504,39 JKreg = b1 x1y + b2 x2y + b3 x3y = 3,568 (708,94) + 0,0602 (-70,69) + (-0,802) (–5,46) = 2529,50 – 42,56 + 4,38 = 2491,32
Sehingga didapat nilai koefisien determinasi ganda (R2) adalah:
Jadi, hubungan antara variabel luas lahan, pupuk, dan curah hujan terhadap hasil produktifitas padi sawah di Kabupaten Langkat pada penelitian ini dapat dijelaskan sebesar 0,823 atau 82,3 %, sisanya sebesar (100% - 82,3%) 17,7% dapat dijelaskan oleh variabel lain diluar model penelitian.
besarnya tingkat koefisien korelasi ganda yang dinyatakan oleh R adalah sebesar (R = R2 = 0,823) 0,907 dan bernilai positif yang berarti hubungan antara variabel luas lahan, pupuk, dan curah hujan terhadap produktifitas padi sawah adalah sangat kuat dan searah, yakni apabila jumlah pada variabel luas lahan, pupuk, dan curah hujan bertambah tinggi, maka jumlah pada variabel produktifitas padi sawah juga akan bertambah tinggi.
Pada output SPSS, besarnya nilai koefisien korelasi ganda (R) dan koefisien determinasi ganda (R2) terdapat pada tabel output Model Summary yang dihasilkan dari analisis regresi, Output SPSS tersebut adalah sebagai berikut:
Tabel 4.13: Output SPSS Untuk Analisis Korelasi Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .907a .823 .558 16.35221
a. Predictors: (Constant), Curah_hujan, Luas_lahan, Pupuk
Dari output tersebut diatas, dapat kita lihat besarnya tingkat koefisien korelasi ganda yang dinyatakan oleh R adalah sebesar 0,907 dan bernilai positif yang berarti hubungan antara variabel luas lahan, pupuk, dan curah hujan terhadap produktifitas padi sawah adalah sangat kuat
dan searah, yakni apabila jumlah pada variabel luas lahan, pupuk, dan curah hujan bertambah tinggi, maka jumlah pada variabel produktifitas padi sawah juga akan bertambah tinggi.
Dan dari output SPSS diatas, dapat kita lihat pula besarnya tingkat koefisien determinasi ganda yang dinyatakan dengan R Square (R2), yaitu sebesar 0,823, maka:
Koefisien Determinasi Ganda (KD) = R2 x 100% = 0,823 x 100% = 82,3 %
Yang berarti besarnya tingkat produktifitas padi sawah di Kabupaten Langkat dapat dijelaskan sebesar 82,3 % dipengaruhi oleh luas lahan, pupuk, dan curah hujan secara simultan/gabungan. Dan sisanya, yaitu sebesar (100% – 82,3%) 17,7 % dipengaruhi oleh variabel lain di luar model regresi.
4.2.4.1 Korelasi Bivariat
Uji Korelasi Bivariat ini digunakan untuk menguji adanya hubungan masing-masing variabel bebas terhadap variabel terikatnya. Hal ini dinyatakan menurut nilai Korelasi antara lahan terhadap produktivitas, pupuk terhadap produktivitas dan curah hujan terhadap produktivitas.Dalam hal ini dilihat apakah hubungan masing-masing variabel bebas terhadap variabel terikat mempunyai nilai pengaruh yang kuat,positif dan searah atau nilai yang negatif dan berlawanan arah.
Untuk melihat nilai korelasi masing-masing variabel bebas terhadap variabel terikat bisa dilihat melalui output SPSS berikut ini :
Tabel 4.14 : Output SPSS untuk nilai korelasi Correlations
Luas_lahan Pupuk Curah_hujan
Produktivitas_pa di
Luas_lahan Pearson Correlation 1 -.321 -.127 .905*
Sig. (2-tailed) .535 .811 .013
N 6 6 6 6
Pupuk Pearson Correlation -.321 1 -.223 -.234
Sig. (2-tailed) .535 .670 .656
N 6 6 6 6
Curah_hujan Pearson Correlation -.127 -.223 1 -.141
Sig. (2-tailed) .811 .670 .790
N 6 6 6 6
Produktivitas_padi Pearson Correlation .905* -.234 -.141 1
Sig. (2-tailed) .013 .656 .790
N 6 6 6 6
*. Correlation is significant at the 0.05 level (2-tailed).
a. Korelasi antara luas lahan terhadap produktivitas bernilai 0,905 yang artinya hubungan antara luas lahan terhadap produktivitas padi bernilai positif dan searah yang menyebabkan apabila luas lahan bertambah maka produktivitas padi juga bertambah.
b. Korelasi antara pupuk terhadap produktivitas bernilai -0,234 yang artinya hubungan antara pupuk terhadap produktivitas padi bernilai negatif dan berlawanan arah yang menyebabkan apabila pupuk bertambah maka produktivitas padi akan mengalami sedikit pengurangan.
c. Korelasi antara curah hujan terhadap produktivitas bernilai -0,141 yang artinya hubungan antara curah hujan terhadap produktivitas padi bernilai negatif dan berlawanan arah yang menyebabkan apabila curah hujan bertambah maka produktivitas padi akan mengalami sedikit pengurangan.