Hasil pengolahan data di SPSS
Regression
Descriptive StatisticsMean Std. Deviation N
Produksi Padi 445.60 128.945 10
Luas Panen 94.70 29.661 10
Curah Hujan 178.60 31.662 10
Banyak Hujan 15.20 1.874 10
Model Summaryb
Model R R Square
Adjusted R Square
Std. Error of the Estimate
1 .989a .979 .968 22.975
a. Predictors: (Constant), Banyak Hujan, Curah Hujan, Luas Panen b. Dependent Variabel: Produksi Padi
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
T Sig. B Std. Error Beta
1 (Constant) 138.391 98.557 1.404 .210
Luas Panen 4.107 .317 .945 12.967 .000
Curah Hujan -.177 .280 -.043 -.631 .551
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
T Sig. B Std. Error Beta
1 (Constant) 138.391 98.557 1.404 .210
Luas Panen 4.107 .317 .945 12.967 .000
Curah Hujan -.177 .280 -.043 -.631 .551
Banyak Hujan -3.301 5.456 -.048 -.605 .567 a. Dependent Variabel: Produksi Padi
Correlations
Correlations Produksi
Padi
Luas Panen
Curah Hujan
Banyak Hujan Pearson Correlation Produksi Padi 1.000 .987 -.386 -.614
Luas Panen .987 1.000 -.337 -.577 Curah Hujan -.386 -.337 1.000 .502 Banyak Hujan -.614 -.577 .502 1.000 Sig. (1-tailed) Produksi Padi . .000 .135 .029
Luas Panen .000 . .170 .041
Curah Hujan .135 .170 . .070
Banyak Hujan .029 .041 .070 .
N Produksi Padi 10 10 10 10
Luas Panen 10 10 10 10
Curah Hujan 10 10 10 10
DAFTAR PUSTAKA
Algifari, Analisis Regresi Teori, Kasus, dan Solusi, BPFE, Yogyakarta, 1997.
Hakim Abdul, Statistik Deskriptif Untuk Ekonomi dan Bisnis, Edisi Pertama, EKONISIA, Yogyakarta, 2004.
Hasan Iqbal, Pokok-Pokok Materi Statistika I, Bumi Aksara, Jakarta, 1999
Marzuki, Gunawan, Nurgiyantoro Burhan, Statistik Terapan Untuk Penelitian Ilmu-Ilmu Sosial, Cetakan Kedua, Gadjah Mada University Press, Yogyakarta,
2002.
Nurlaela, Praktikum Statistika Ekonomi dan Bisnis Dengan SPSS, Edisi Pertama, Mitra Wacana Media, Jakarta, 2010.
Sarwono Jonathan, Panduan Cepat dan Mudah SPSS 14, ANDI, Yogyakarta, 2006.
Sudjana, Metode Statistika, Edisi Ke-6, Tarsito, Bandung, 1992.
BAB 3
GAMBARAN UMUM TEMPAT RISET
3.1 Sejarah Badan Pusat Statistik (BPS)
Badan Pusat Statistik (BPS) adalah Lembaga Negara Non Departemen. Badan
Pusat Statistik melakukan kegiatan yang ditugaskan oleh pemerintah antara lain
pada bidang pertanian, agraria, pertambangan, kependudukan, sosial,
ketenagakerjaan, keuangan, pendapatan, dan keagamaan. Selain hal-hal tersebut
Badan Pusat Statistik juga bertugas untuk melaksanakan koordinasi di lapangan,
kegiatan statistik dari segenap instansi baik di pusat maupun daerah dengan tujuan
mencegah dilakukannya pekerjaan yang serupa oleh dua atau lebih instansi,
memajukan keseragaman dalam penggunaan definisi, klasifikasi, dan
ukuran-ukuran lainnya.
Pada pemerintahan Orde Baru, khususnya untuk memenuhi kebutuhan
dalam perencanaan dan evaluasi pembangunan, maka untuk mendapatkan statistik
yang handal, lengkap, tepat, akurat, dan terpercaya mulai diadakan pembenahan
Dalam masa orde baru ini BPS telah mengalami tujuh kali perubahan Struktur
Organisasi yaitu :
1. Peraturan Pemerintah No. 16 tahun 1968 tentang Organisasi BPS.
2. Peraturan Pemerintah No. 6 tahun 1980 tantang Organisasi BPS.
3. Peraturan Pemerintah No. 2 tahun 1992 tentang kedudukan, tugas, fungsi,
suasana, dan tata kerja BPS.
4. Undang-Undang No. 16 tahun 1997 tentang Statistik.
5. Keputusan Presiden RI No. 86 tahun 1998 tentang BPS.
6. Keputusan Kepala BPS No. 100 tahun 1998 tentang organisasi dan tata
kerja BPS.
7. PP 51 tahun 1999 tentang penyelenggaraan statistik.
Tahun 1968, ditetapkan Peraturan Pemerintah No. 16 tahun 1968 yaitu
yang mengatur organisasi dan tata kerja di pusat dan di daerah. Tahun 1980,
Peraturan Pemerintah No. 6 tahun 1980 tentang organisasi sebagai pengganti
Peraturan Pemerintah No. 16 tahun 1968 di tiap Propinsi dan di Kabupaten atau
Kotamadya terdapat cabang perwakilan Badan Pusat Statistik. Pada tanggal 19
Mei 1997 menetapkan tentang statistik sebagai pengganti Undang - Undang
Nomor : 6 dan 7 tentang sensus dan statistik. Pada tanggal 17 Juni 1998 dengan
Keputusan RI No. 86 tahun 1998 ditetapkan Biro Pusat Statistik sekaligus
3.2 Visi dan Misi Badan Pusat Statistik
3.2.1 Visi Badan Pusat Statistik
Badan Pusat Statistik mempunyai visi menjadikan informasi statistik sebagai
tulang punggung informasi pembangunan nasional dan regional, didukung sumber
daya manusia yang berkualitas, ilmu pengetahuan dan teknologi informasi yang
mutakhir.
3.2.2 Misi Badan Pusat Statistik
Dalam perjuangan pembangunan nasional, Badan Pusat Statistik mengembangkan
misi mengarahkan pembangunan statistik pada penyajian data statistik yang
bermutu handal, efektif, dan efisien, peningkatan kesadaran masyarakat akan arti
dan kegunaan statistik dan pengembangan ilmu pengetahuan statistik.
3.3 Kedudukan dan Fungsi Badan Pusat Statistik
Badan Pusat Statistik sebagai lembaga pemerintah non departemen yang berada di
bawah dan bertanggung jawab kepada Presiden (Keppres No. 86 tahun 1998),
dalam malaksanakan tugasnya berdasarkan beberapa ketentuan perundangan :
1. UU No. 16 tentang statistik
3. Peraturan Pemerintah No. 51 tahun 1999 tentang penyelenggaraan statistik
Berdasarkan keputusan Presiden No. 86 tahun 1998 dalam
menyelenggarakan statistik dasar melaksanakan koordinasi dan kerjasama serta
mengembangkan dan membina statistik sesuai dengan peraturan
perundang-undangan yang berlaku. Fungsi yang diselenggarakan Badan Pusat Statistik
adalah :
1. Perumusan kebijaksanaan perencanaan, pengumpulan, pengolahan, penyajian
data, dan analisis di bidang statistik produksi dan kependudukan serta bidang
statistik distribusi dan meraca nasional.
2. Pembinaan dan pelaksanaan koordinasi kegiatan statistik dengan departemen
dan instansi lainnya dalam mengembangkan berbagai jenis statistik yang
diperlukan, serta pelaksanaan kerjasama di bidang statistik dengan
lembaga/organisasi lain baik di dalam maupun di luar negeri.
3. Penyajian data kepada pemerintah dan masyarakat dari hasil kegiatan statistik
produksi dan kependudukan serta statistik distribusi dan neraca nasional
secara berkala baik dari hasil penelitian sendiri maupun dari data sekunder.
4. Penyebarluasan statistik melalui berbagai cara baik langsung maupun tidak
langsung.
5. Pengelolaan keuangan, kepegawaian dan organisasi, perlengkapan dan
BAB 4
PENGOLAHAN DATA
4.1 Data dan Pembahasan
Data yang diambil dari Kantor Badan Pusat Statistik Provinsi Sumatera Utara
adalah data Produksi Padi (Ton), Luas Panen (Ha), Curah Hujan (mm) dan
Banyak Hujan (hari) di Kabupaten Deli Serdang pada tahun 2002-2011.
Tabel 4.1 Produksi Padi (Ton), Luas Panen (Ha), Curah Hujan (mm) Dan Banyak Hujan (hari) Di Kabupaten Deli Serdang Tahun 2002-2011.
No. Tahun
Produksi Padi
(Ton)
Luas Panen
(Ha)
Curah Hujan
(mm)
Banyak Hujan
(hari)
1 2002 603 131 154 12
3 2004 626 138 188 17
4 2005 339 74 176 16
5 2006 345 76 151 17
6 2007 329 72 223 16
7 2008 348 73 228 16
Sambungan Tabel 4.1
No. Tahun
Produksi Padi
(Ton)
Luas Panen
(Ha)
Curah Hujan
(mm)
Banyak Hujan
(hari)
8 2009 352 72 176 16
9 2010 426 85 202 16
10 2011 446 84 134 14
Sumber: Badan Pusat Statistik Provinsi Sumatera Utara
Dari data tersebut maka variabel-variabelnya adalah sebagai berikut:
Y : Produksi Padi (Ton)
X1 : Luas Panen (Ha)
X2 : Curah Hujan (mm)
X3 : Banyak Hujan (hari)
Untuk membentuk persamaan regresi linier berganda, diperlukan perhitungan
masing-masing satuan variabel. Hasil perhitungan yang dibutuhkan terdapat pada
tabel dibawah ini :
Tabel 4.2 Harga-Harga yang Diperlukan Untuk Menghitung Koefisien b0, b1, b2, b3
n Y X1 X2 X3 Y2 X12
1 603 131 154 12 363609 17161
2 642 142 154 12 412164 20164
3 626 138 188 17 391876 19044
4 339 74 176 16 114921 5476
5 345 76 151 17 119025 5776
6 329 72 223 16 108241 5184
7 348 73 228 16 121104 5329
8 352 72 176 16 123904 5184
9 426 85 202 16 181476 7225
10 446 84 134 14 198916 7056
Jumlah (Σ 4456 947 1786 152 2135236 97599
Sambungan Tabel 4.2
X22 X32 X1Y X2Y
23716 144 78993 92862
35344 289 86388 117688
30976 256 25086 59664
22801 289 26220 52095
49729 256 23688 73367
51984 256 25404 79344
30976 256 25344 61952
40804 256 36210 86052
17956 196 37464 59764
328002 2342 455961 781656
Sambungan Tabel 4.2
X3Y X1X2 X1X3 X2X3
7236 20174 1572 1848
7704 21868 1704 1848
10642 25944 2346 3196
5424 13024 1184 2816
5865 11476 1292 2567
5264 16056 1152 3568
5568 16644 1168 3648
5632 12672 1152 2816
6816 17170 1360 3232
6244 11256 1176 1876
66395 166284 14106 27415
Dari Tabel 4.2 diperoleh hasil sebagai berikut :
Y = 4456 X Y1 = 455961
1
X = 947 X Y2 = 781656
2
X = 1786 X Y3 = 66395
3
X = 152 X X1 2 = 166284
2
Y = 2135236 X X1 3 = 14106
2 1
X = 97599 X X2 3 = 27415
2 2
X = 328002
Dari data tersebut maka selanjutnya akan dicari persamaan normal dengan rumus
(2.6) sebagai berikut :
0 1 1 2 2 3 3
Y=b n b+ X +b X +b X
2
1 0 1 1 1 2 1 2 3 1 3
YX =b X +b X +b X X +b X X
2
2 0 2 1 2 1 2 2 3 2 3
YX =b X +b X X +b X +b X X
2
3 0 3 1 3 1 2 3 2 3 3
YX =b X +b X X +b X X +b X
Harga-harga koefisien b0, b1, b2 dan b3 dicari dengan substitusi dan
eliminasi dari persamaan normal di atas. Selanjutnya substitusi nilai-nilai pada
4456 = 10 b0 + 947 b1 + 1786 b2 + 152 b3 …(1)
445961 = 947 b0 + 97599 b1 + 166284 b2 + 14106 b3 …(2)
781656 = 1786 b0 + 166284 b1 + 328002 b2 + 27415 b3 ...(3)
66395 = 152 b0 + 14106 b1 + 27415 b2 + 2342 b3 ...(4)
Persamaan di atas diselesaikan dengan metode eliminasi persamaan linier, dengan
menghilngkan nilai b0.
Jika persamaan 1 dan 2 diambil dan disamakan nilai b0 nya dengan
persamaan 1 dikalikan 947 dan persamaan 2 dikalikan dengan 10 sehingga
diperoleh persamaan ke 5 :
4219832 = 9470 b0 + 896809 b1 + 1691342 b2 + 143944 b3
4559610 = 9470 b0 + 975990 b1 + 1662840 b2 + 141060 b3 -
-339778 = -79181 b1 + 28502 b2 + 2884 b3
Selanjutnya untuk mendapatkan persamaan ke 6, gunakan rumus persamaan 1 dan
3. Persamaan 1 dikalikan dengan 1786 dan persamaan 3 dikalikan dengan 10.
7958416 = 17860 b0 + 1691342 b1 + 3189796 b2 + 271472 b3
7816560 = 17860 b0 + 1662840 b1 + 328002 b2 + 274150 b3 -
141856 = 28502 b1 - 90224b2 - 2678 b3
Selanjutnya untuk mendapatkan persamaan ke 7, gunakan rumus
persamaan 1 dan 4. Persamaan 1 dikalikan dengan 152 dan persamaan 4 dikalikan
dengan 10.
677312 = 1520 b0 + 143944 b1 + 271472 b2 + 23104 b3
13362 = 2884 b1 – 2678 b2 - 316 b3
Maka didapat beberapa persamaan :
-339778 = -79181 b1 + 28502 b2 + 2884 b3 …(5)
141856 = 28502 b1 - 90224b2 - 2678 b3 …(6)
13362 = 2884 b1 – 2678 b2 - 316 b3 …(7)
Langkah berikutnya menghilangkan b1 dengan mengeliminasi persamaan 5
dan persamaan 6.
Jika persamaan 5 dikalikan dengan 28502 dan persamaan 6 dikalikan
dengan - 79181 maka akan didapat persamaan 8.
-9684352556 = -2256816862 b1 + 812364004 b2 + 82199768 b3
-11232299940 = -2256816862 b1 + 7144026544 b2 + 212046718 b3 -
1547947384 = – 633662540 b2 - 129846950 b3
Kemudian dengan menggunakan persamaan 5 dan 7 akan didapat
persamaan 9. Persamaan 5 dikalikan dengan 2884 dan persamaan 7 dikalikan
dengan - 79181.
-979919752 = -228358004 b1 + 82199768 b2 + 8317456 b3
-1058016522 = -228358004 b1 + 212046 b2 + 25021196 b3 -
Maka didapat 2 persamaan sebagai berikut :
1547947384 = – 633662540 b2 - 129846950 b3 …(8)
78096770 = – 129846950 b2 - 16703740 b3 ...(9)
Kemudian kedua persamaan tersebut kembali dieliminasi sehingga didapat
harga b3. Jika persamaan 8 tetap maka persamaan 9 dikalikan dengan
48,76250493.
1547947384 = – 633662540 b2 - 129846950 b3
78096770 = – 129846950 b2 - 16703740 b3 -
-2260246748 = 684669254,1 b3
b3 = - 3,3012
Setelah didapat harga b3 maka substitusikan ke persamaan 8.
1547947384 = – 633662540 b2 - 129846950 b3
1547947384 = – 633662540 b2 - 129846950 (-3,3012)
1547947384 = – 633662540 b2 + 428650751,3
633662540 b2 = - 1119296633
b2 = - 0,1768
Kemudian harga b2 dan b3 disubtitusikan kepersamaan 5.
-339778 = -79181 b1 + 28502 b2 + 2884 b3
-339778 = -79181 b1 + 28502 (-0,1768) + 2884 (- 3,3012)
79181 b1 = 325218,1856
b1 = 4,1073
kemudian harga b1, b2 dan b3 disbutitusikan ke persamaan 1.
4456 = 10 b0 + 947 b1 + 1786 b2 + 152 b3
4456 = 10 b0 + 947 (4,1073) + 1786 (-0,1768) + 152 (- 3,3012)
4456 = 10 b0 + 3889,6131 – 315,7648 – 501,7824
4456 = 10 b0 + 3072,0659
- 10 b0 = - 1383,9341
b0 = 138,3934
Dari perhitungan di atas diperoleh :
b0 = 138,3934
b1 = 4,1073
b2 = - 0,1768
b3 = - 3,3012
Maka persamaan regresi linier bergandanya adalah :
0 1 1 2 2 3 3
ˆ
Y=b +b X +b X +b X
ˆ
Y
=
138,3934 + 4,1073 X1 - 0,1768 X2 - 3,3012 X3Setelah diperoleh persamaan regresi berganda, langkah selanjutnya adalah
menghitung kesalahan baku (Standard error). Untuk menghitung kesalahan baku
harga , dan yang diketahui. Maka untuk mencari kesalahan baku tersebut
dibuat terlebih dahulu tabel seperti di bawah ini :
Tabel 4.3 Nilai-Nilai Yˆ Yang Diperoleh Dari Persamaan Regresi Linier Berganda Untuk Menghitung Kekeliruan Tafsiran Baku
n Y (Y- ) (Y- )2
1 603 609,607005 -6,607005023 43,65251537 2 642 654,7871167 -12,78711674 163,5103544 3 626 615,8414396 10,15856036 103,1963486 4 339 358,3978856 -19,3978856 376,2779658 5 345 367,7306567 -22,73065674 516,6827557 6 329 341,8747921 -12,87479214 165,7602727 7 348 345,0981891 2,901810901 8,420506505 8 352 350,1833198 1,816680164 3,300326818 9 426 398,9817905 27,0182095 729,9836443 10 446 413,4978047 32,50219529 1056,392699 Jumlah (Σ 4456 4456 -3,09996E-08 3167,177389
Setelah memperoleh harga yang terdapat pada Tabel 4.3, maka kekeliruan
bakunya dapat dihitung dengan menggunakan rumus (2.7) sebagai berikut :
(
)
22 ,12,...,
ˆ
1 i y k e
Y Y S S n k − = = − −
Dengan k = 3, n = 10, dan
(
Y−Yˆ)
2= 3167,177389Sehingga diperoleh :
.12...
3167,177389 10 3 1 y k e
S =S =
− −
.12...
3167,177389 6 y k e
.12... 527,8628981
y k e
S =S =
.12... 22, 9752671
y k e
S =S =
.12... 22, 9753
y k e
S =S =
Ini berarti rata-rata hasil produksi padi yang sebenarnya akan menyimpang
dari rata-rata hasil produksi padi yang diperkirakan sebesar 22,9753.
4.3 Uji Regresi Linier Berganda
Pengujian hipotesa dalam regersi linier berganda perlu dilakukan agar tidak terjadi
kesalahan penarikan kesimpulan.
4.3.1 Uji F (Simultan)
1. Menentukan formulasi hipotesis
' : Tidak terdapat pengaruh yang signifikan antara variabel bebas yaitu
luas panen, curah hujan, banyak hujan terhadap variabel terikat yaitu
' : Terdapat pengaruh yang signifikan antara variabel bebas yaitu luas
panen, curah hujan, banyak hujan terhadap variabel terikat yaitu
jumlah produksi padi.
2. Mencari nilai Ftabel dari Tabel Distribusi F
Dengan taraf nyata = 0,05 dan nilai Ftabel dengan dk pembilang (v1) = k = 3
dan dk penyebut (v2) = n – k – 1 = 10 – 3 – 1 = 6, maka di peroleh (OFKO J
(KP Q R ST
3. Menentukan kriteria pengujian
' diterima bila () *+ , C (*?@7A
' ditolak bila () *+ ,D (*?@7A
4. Menentukan nilai statistik Fhitung
(
) *+ , -./01 2U-./03 2 VWUWF
Untuk menguji model regresi yang telah terbentuk, maka diperlukan
nilai-nilai y, x1, x2 dan x3 dengan rumus :
y=Y−Y x2= X2−Y
1 1
x =X −Y x3=X3−Y
Dari Tabel 4.2 dapat dicari rata-rata untuk Y, X1, X2 dan X3 seperti di bawah ini :
Y Y
n
= X2 X2
n =
4456
445, 6 10
Y = = 2 1786 178, 6
10
1 1
X X
n
= X3 X3
n =
1
947 94, 7 10
X = = 3 152 15, 2
10
X = =
Maka nilai-nilai di atas akan dimasukkan ke dalam Tabel 4.4 di bawah ini :
Tabel 4.4 Harga-Harga Yang Diperlukan Untuk Uji Keberartian Regresi
n y x1 x2
1 157,4 36,3 -24,6
2 196,4 47,3 -24,6
3 180,4 43,3 9,4
4 -106,6 -20,7 -2,6
5 -100,6 -18,7 -27,6
6 -116,6 -22,7 44,4
7 -97,6 -21,7 49,4
8 -93,6 -22,7 -2,6
9 -19,6 -9,7 23,4
10 0,4 -10,7 -44,6
Jumlah (Σ -2,27374E-13 -2,84217E-14 5,68434E-14
Sambungan Tabel 4.4
x3 y2 x12 x22
-3,2 24774,76 1317,69 605,16
-3,2 38572,96 2237,29 605,16
0,8 11363,56 428,49 6,76
1,8 10120,36 349,69 761,76
0,8 13595,56 515,29 1971,36
0,8 9525,76 470,89 2440,36
0,8 8760,96 515,29 6,76
0,8 384,16 94,09 547,56
-1,2 0,16 114,49 1989,16
7,10543E-15 149642,4 7918,1 9022,4
Sambungan Tabel 4.4
x32 yx1 yx2 yx3
10,24 5713,62 -3872,04 -503,68
10,24 9289,72 -4831,44 -628,48
3,24 7811,32 1695,76 324,72
0,64 2206,62 277,16 -85,28
3,24 1881,22 2776,56 -181,08
0,64 2646,82 -5177,04 -93,28
0,64 2117,92 -4821,44 -78,08
0,64 2124,72 243,36 -74,88
0,64 190,12 -458,64 -15,68
1,44 -4,28 -17,84 -0,48
31,6 33977,8 -14185,6 -1336,2
Dari nilai-nilai di atas dapat diketahui nilai jumlah kuadrat regresi (JKreg) dan nilai
(JKres) dan selanjutnya dapat dihitung Fhitung.
1 1 2 2 3 3
reg
JK =b yx +b yx +b yx
(
)
(
)
(
)
4,1073 33977,8 0,1768 14185, 6 3,3012 1336, 2
reg
139557, 0179 2508, 01408 4411, 06344 reg
JK = + +
146475, 2226 reg
JK =
(
ˆ)
resJK = Y−Y
3167,177389
res
JK =
/
/ ( 1)
reg hitung
res
JK k
F
JK n k
=
− −
146475, 2226 / 3 3167,177389 / 6 hitung F = 48825, 0742 527,8628982 hitung F = 92, 49574914 hitung F =
Untuk Ftabel, yaitu nilai statistik F jika dilihat dari tabel distribusi F dengan
derajat kebebasan pembilang V1 = k yaitu 3 dan penyebut V2 = n – k – 1 yaitu 6, dan ! =
5% = 0,05 maka :
( )(1;2)
tabel V V
F =Fα
( )( ; 1)
tabel k k n
F =Fα − −
(0,05 3;6)( )
tabel
4, 76
tabel
F =
Dengan demikian dapat kita lihat bahwa nilai Fhitung
(
92, 49574914)
D(4, 76)
tabel
F Maka H0 ditolak dan H1 diterima. Hal ini berarti persamaan linier
berganda Y atas X1, X2, dan X3 bersifat nyata yang berarti bahwa luas panen,
curah hujan dan banyak hujan secara bersama-sama berpengaruh terhadap
terjadinya produksi padi.
4.4 Perhitungan Koefisien Korelasi Linier Berganda
Dari Tabel 4.4 dapat dilihat harga y2=149642, 4 dan nilai
146475, 2226 reg
JK = telah dihitung sebelumnya, maka diperoleh nilai koefisien
determinasi :
2
2
reg
JK R
y =
2 146475, 2226
149642, 4
R =
2
0,978835027
R =
2
0,9788
R =
Didapat nilai koefisien determinasi 0,9788. Hal ini berarti bahwa sekitar 97,88%
melalui hubungan regresi linier berganda sedangkan sisanya 2,12% lagi
dipengaruhi oleh faktor lain.
Untuk koefisien korelasi ganda digunakan rumus :
2
R= R
0, 978835027
R=
0, 989360918
R=
0, 9894
R=
Dari hasil perhitungan didapat korelasi (R) antara luas panen, curah hujan
dan banyak hujan terhadap produksi padi sebesar 0,9894. Nilai korelasi tersebut
menyatakan bahwa hubungan antara panen, curah hujan dan banyak hujan
terhadap produksi padi tinggi.
4.5 Perhitungan Koefisien Korelasi Antar Variabel
Dari Tabel 4.2 dapat diperoleh koefisien korelasi antara variabel terikat (Y)
dengan variabel bebas (X) sehingga diketahui seberapa besar pengaruh antar
variabel tersebut.
(
)(
)
(
)
{
}
{
(
)
}
1 1 1 2 2 2 2 1 1 yxn X Y X Y
r
n X X n Y Y
− = − −
(
) (
)(
)
(
) (
)
{
}
{
(
) (
)
}
1 2 2
10 455961 947 4456
10 97599 947 10 2135236 4456 yx
r = −
− −
(
)(
)
1 4559610 4219832 79181 1496424 yxr = −
1
339778 344221, 3659 yx
r =
1 0, 987091545 yx
r =
1 0, 9871 yx
r =
Koefisien korelasi antara produksi padi (Y) dan luas panen (X1) adalah
0,9871 yang menunjukkan korelasi yang kuat dengan arah positif mendekati 1
(korelasi positif). Hal ini berarti jika luas panen mengalami peningkatan maka
jumlah produksi padi juga akan meningkat.
4.5.2 Koefisien Korelasi Antara Produksi Padi (Y) Dengan Curah Hujan
XZ
(
)(
)
(
)
{
}
{
(
)
}
2 2 2 2 2 2 2 2 2 yxn X Y X Y
r
n X X n Y Y
− = − −
(
) (
)(
)
(
) (
)
{
}
{
(
) (
)
}
2 2 2
10 781656 1786 4456
10 328002 1786 10 2135236 4456 yx
r = −
(
)(
)
2
7816560 7958416 90224 1496424 yx
r = −
2
141856 367441, 6402 yx
r = −
2 0, 386064028 yx
r = −
2 0, 3861 yx
r = −
Nilai koefisien korelasi -0,3861 menunjukkan korelasi sangat lemah dan
tidak searah (korelasi negatif) antara hasil produksi padi (Y) dengan curah hujan
(X2), artinya penambahan intensitas curah hujan akan menurunkan jumlah
produksi padi, dan sebaliknya penurunan intensitas curah hujan meningkatkan
jumlah produksi padi.
4.5.3 Koefisien Korelasi Antara Produksi Padi (Y) Dengan Banyak Hujan
X[
(
)(
)
(
)
{
}
{
(
)
}
3 3 3 2 2 2 2 3 3 yxn X Y X Y
r
n X X n Y Y
− = − −
(
) (
)(
)
(
) (
)
{
}
{
(
) (
)
}
3 2 2
10 66395 152 4456
10 2342 152 10 2135236 4456 yx
r = −
− −
(
)(
)
3 663950 677312 316 1496424 yxr = −
3
13362 21745, 57389 yx
3 0, 614469871 yx
r = −
3 0, 6145 yx
r = −
Angka koefisien korelasi -0,6145 menunjukkan korelasi yang cukup dan
tidak searah (korelasi negatif) antara hasil produksi padi (Y) dengan banyaknya
hari hujan (X3), artinya penambahan hari hujan yang ada akan menurunkan
jumlah produksi padi, dan penurunan jumlah hari hujan akan meningkatkan
jumlah produksi padi.
4.5.4 Koefisien Korelasi Antara Luas Panen (X1) Dengan Curah Hujan XZ
(
)(
)
(
)
{
}
{
(
)
}
1 2
1 2 1 2
2 2
2 2
1 1 2 2
x x
n X X X X
r
n X X n X X
− = − −
(
) (
)(
)
(
) (
)
{
}
{
(
) (
)
}
1 2 2 2
10 166284 947 1786
10 97599 947 10 328002 1786 x x
r = −
− −
(
)(
)
1 2 1662840 1691342 79181 90224 x xr = −
1 2
28502
84522, 34346 x x
r = −
1 2 0, 337212609 x x
r = −
1 2 0, 3372 x x
r = −
Berdasarkan perhitungan koefisien korelasi antara luas panen (X1) dengan curah
(korelasi negatif). Artinya meningkatnya curah hujan akan menurunkan luas
panen, dan penurunan curah hujan akan meningkatkan luas panen.
4.5.5 Koefisien Korelasi Antara Luas Panen (X1) Dengan Banyak Hujan X[
(
)(
)
(
)
{
}
{
(
)
}
1 3
1 3 1 3
2 2
2 2
1 1 3 3
x x
n X X X X
r
n X X n X X
− = − −
(
) (
)(
)
(
) (
)
{
}
{
(
) (
)
}
1 3 2 2
10 14106 947 152
10 97599 947 10 2342 152 x x
r = −
− −
(
)(
)
1 3 141060 143944 79181 316 x xr = −
1 3
2884 5002,119151 x x
r = −
1 3 0, 576555638 x x
r = −
1 3 0, 5766 x x
r = −
Berdasarkan perhitungan koefisien korelasi antara luas panen (X1) dengan
banyak hujan (X3) adalah -0,5766 menunjukkan korelasi agak lemah dan tidak
searah (korelasi negatif). Artinya meningkatnya jumlah hari hujan akan
menurunkan luas panen, dan penurunan jumlah hari hujan akan meningkatkan
4.5.6 Koefisien Korelasi Antara Curah Hujan (X2) Dengan Banyak Hujan X[
(
)(
)
(
)
{
}
{
(
)
}
2 32 3 2 3
2 2
2 2
2 2 3 3
x x
n X X X X
r
n X X n X X
− = − −
(
) (
)(
)
(
) (
)
{
}
{
(
) (
)
}
2 3 2 2
10 27415 1786 152
10 328002 1786 10 2342 152 x x
r = −
− −
(
)(
)
2 3 274150 271472 90224 316 x xr = −
2 3
2678 5339, 549045 x x
r =
2 3 0, 501540481 x x
r =
2 3 0, 5015 x x
r =
Berdasarkan perhitungan koefisien korelasi antara curah hujan (X2)
dengan banyak hujan (X3) adalah 0,5015 menunjukkan korelasi agak lemah dan
searah (korelasi positif). Artinya apabila intensitas curah hujan naik maka jumlah
hari hujan akan meningkat, dan apabila intensitas curah hujan menurun maka
jumlah hari hujan pun ikut menurun.
4.6.1 Pengaruh Luas Panen (X1) Terhadap Jumlah Produksi Padi (Y)
1. Menentukan formulasi hipotesis
' : Luas panen tidak berpengaruh pada jumlah produksi padi di
Kabupaten Deli Serdang.
' : Luas panen berpengaruh pada jumlah produksi padi di Kabupaten Deli
Serdang.
2. Mencari nilai
t
tabeldari Tabel Distribusi tDilakukan uji dua sisi dengan taraf nyata = 0,05 dan nilai
t
tabel dengan dkyaitu n – k – 1 = 10 – 3 – 1 = 6, maka diperoleh IF
JK I QKP
\ R].
3. Menentukan kriteria pengujian
' diterima bila I) *+ ,C I*?@7A
' ditolak bila I) *+ ,L I*?@7A
4. Menentukan nilai statistik
t
hitungUntuk menguji hipotesis ini digunakan kekeliruan baku taksiran :
(
)
1
.12...
2 2
1 1 12
y k b
S S
x r
=
−
Selanjutnya hitung statistik :
I) *+ , "@F
n x12 x22 x32
1 1317,69 605,16 10,24
2 2237,29 605,16 10,24
3 1874,89 88,36 3,24
4 428,49 6,76 0,64
5 349,69 761,76 3,24
6 515,29 1971,36 0,64
7 470,89 2440,36 0,64
8 515,29 6,76 0,64
9 94,09 547,56 0,64
10 114,49 1989,16 1,44
Jumlah (!!!!) 7918,1 9022,4 31,6
Maka dengan harga-harga berikut ini :
.12... 22, 9753
y k e
S =S =
2
1 7918,1
x =
1 2 0, 337212609 x x
r = −
(
)
1
.12...
2 2
1 1 12
y k b S S x r = −
(
)
{
(
)
}
1 2 22, 97531 0, 274260554 b
S =
1 0, 2743 b
S =
Maka
t
hitungdiperoleh :1
1
hitung
b t
Sb =
4,1073 0, 2743 hitung
t =
14, 97375137 hitung
t =
14, 9738 hitung
t =
5. Kesimpulan
Karena
t
hitung = 14,9738 >t
tabel = 2,45 maka H0 Ditolak.Hal ini berarti bahwa luas panen berpengaruh pada jumlah produksi padi di
Kabupaten Deli Serdang.
4.6.2 Pengaruh Curah Hujan (X2) Terhadap Jumlah Produksi Padi (Y)
1. Menentukan formulasi hipotesis
' : Curah hujan tidak berpengaruh pada jumlah produksi padi di
Kabupaten Deli Serdang.
' : Curah hujan berpengaruh pada jumlah produksi padi di Kabupaten
2. Mencari nilai
t
tabeldari Tabel Distribusi tDilakukan uji dua sisi dengan taraf nyata = 0,05 dan nilai
t
tabel dengan dkyaitu n – k – 1 = 10 – 3 – 1 = 6, maka di peroleh IF
JK I QKP
\ R].
3. Menentukan kriteria pengujian
' diterima bila I) *+ ,C I*?@7A
' ditolak bila I) *+ ,L I*?@7A
4. Menentukan nilai statistik
t
hitungUntuk menguji hipotesis ini digunakan kekeliruan baku taksiran :
(
)
2
.12...
2 2
2 1 12
y k b S S x r = −
Selanjutnya hitung statistik :
I) *+ , "@
Maka dengan harga-harga berikut ini :
.12... 22, 9753
y k e
S =S =
2
2 9022, 4
x =
1 2 0, 337212609 x x
r = −
(
)
2
.12...
2 2
2 1 12
y k b S S x r = −
(
)
{
(
)
}
2 2 22, 97539022, 4 1 0, 337212609 b
S =
(
)(
)
2
22, 9753
9022, 4 0,886287656 b S = 2 22, 9753 89, 42282567 b S =
2 0, 256928808 b
S =
2 0, 2569 b
S =
Maka
t
hitungdiperoleh :2 2 hitung b b t S = 0,1768 0, 2569 hitung
t = −
0, 688205527 hitung
t = −
0, 6882 hitung
t = −
5. Kesimpulan
Karena thitung = -0,6882 < ttabel = 2,45 maka H0 Diterima.
Hal ini berarti bahwa curah hujan tidak berpengaruh pada jumlah produksi
padi di Kabupaten Deli Serdang.
1. Menentukan formulasi hipotesis
' : Banyak hujan tidak berpengaruh pada jumlah produksi padi di
Kabupaten Deli Serdang.
' : Banyak hujan berpengaruh pada jumlah produksi padi di Kabupaten
Deli Serdang.
2. Mencari nilai
t
tabeldari Tabel Distribusi tDilakukan uji dua sisi dengan taraf nyata = 0,05 dan nilai
t
tabel dengan dkyaitu n – k – 1 = 10 – 3 – 1 = 6, maka di peroleh IF
JK I QKP
\ R].
3. Menentukan kriteria pengujian
' diterima bila I) *+ ,C I*?@7A
' ditolak bila I) *+ ,L I*?@7A
4. Menentukan nilai statistik
t
hitungUntuk menguji hipotesis ini digunakan kekeliruan baku taksiran :
(
)
3
.12...
2 2
3 1 13
y k b S S x r = −
Selanjutnya hitung statistik :
I) *+ , "@_
Maka dengan harga-harga berikut ini :
.12... 22, 9753
y k e
S =S =
2
3 2342
x =
1 3 0, 576555638 x x
(
)
3
.12...
2 2
3 1 13
y k b S S x r = −
(
)
{
(
)
}
3 2 22, 97532342 1 0, 576555638 b S = − −
(
)(
)
3 22, 9753 2342 0, 667583596 b S = 3 22,9753 39,54087483 b S =3 0, 581051889 b
S =
3 0, 5811 b S = 3 3 hitung b b t S = 3, 3012 0, 5811 hitung
t = −
5, 681420308 hitung
t = −
5, 6814 hitung
t = −
5. Kesimpulan
Karena thitung = -5,6814 < ttabel = 2,45 maka H0 Diterima.
Hal ini berarti bahwa banyak hujan tidak berpengaruh pada jumlah produksi
padi di Kabupaten Deli Serdang.
4.7.1 Pengertian Implementasi Sistem
Implementasi sistem adalah prosedur yang dilakukan untuk menyelesaikam desain
sistem yang ada dalam desain sistem yang telah disetujui, menginstal, dan
memulai sistem baru yang diperbaiki.
Tujuan dari implementasi sistem adalah sebagai berikut :
1. Menyelesaikan desain sistem yang ada dalam dokumen sistem yang
disetujui.
2. Menulis, menguji, dan mendokumentasikan program-program dan
prosedur-prosedur yang diperlukan oleh dokumen desain sistem yang
disetujui.
3. Memastikan bahwa personal dapat mengoperasikan sistem baru.
4. Memperhitungkan bahwa sistem memenuhi permintaan pemakai.
5. Memastikan bahwa konveksi ke sistem yang baru berjalan dengan benar.
Implementasi yang sudah selesai harus diuji coba kehandalannya sehingga
dapat diketahui kehandalannya dari sistem yang ada dan telah sesuai dengan apa
yang diinginkan. Dalam pengolahan data pada Tugas Akhir ini penulis
menggunakan suatu perangkat lunak sebagai implementasi sistem yaitu program
SPSS 17.0 For Window dalam masalah memperoleh hasil perhitungan.
SPSS (Statistical Product and Service Solution) merupakan program aplikasi yang
digunakan untuk melakukan perhitungan statistik dengan menggunakan komputer.
SPSS paling banyak digunakan dalam berbagai riset pasar, pengendalian dan
perbaikan mutu (quality improvement) serta riset-riset lain.
SPSS dibuat pertama kali sebagai software statistik pada tahun 1968.
Diprakarsai oleh ketiga mahasiswa Stanford University yang pada saat itu
dioperasikan hanya pada komputer mainframe. Pada tahun 1984, SPSS pertama
kali muncul pada versi PC (bisa dipakai untuk komputer desktop) dengan nama
SPSS/PC+, dan sejalan dengan populernya sistem operasi windows. Pada tahun
1992, SPSS juga mengeluarkan versi windows. Dan antara tahun 1994-1998,
SPSS melakukan berbagai kebijakan strategis untuk pengembangan software
statistik dengan mengeluarkan Software House terkemuka seperti SYSTAT. Inc,
BMDP Statistical Software, Jandel Statistics Software Clear Software, Quantime
Ltd, Initive Technologies A/S dan Integral Solution Ltd. Untuk memantapkan
posisinya sebagai salah satu market leader dalam business intelligence, SPSS juga
menjalin aliansi strategis dengan software house terkemuka dunia yang lain
seperti Oracle Corp, Business Object dan Ceres Integrated Solution.
Karena perkembangan SPSS ini membuat program SPSS yang tadinya
hanya ditujukan pada pengolahan data statistik untuk ilmuan sosial yang pada saat
itu SPSS yang singkatan dari Statistical Packcage for The Social Science berubah
menjadi Statistical Product and Service Solution. Fungsi SPSS diperluas untuk
melayani berbagai user seperti proses produksi di pabrik, riset ilmu sains dan
4.7.3 Langkah – Langkah Pengolahan Data Dengan SPSS
4.7.3.1 Cara Mengaktifkan SPSS Pada Program Windows
1. Pilih menu Start dari windows.
2. Kemudian pilih menu All Programs.
[image:42.612.135.510.299.521.2]3. Klik SPSS Statistics 17.0.
Gambar 4.1 Tampilan Pengaktifan SPSS Statistics 17.0
4.7.3.2 Mengenal Lingkungan Kerja SPSS
SPSS data editor mempunyai 2 (dua) tipe lingkungan kerja yaitu :
Gambar 4.2 Tampilan Jendela Data View dalam SPSS
2. Variabel View adalah tempat di mana variabel akan didefenisikan terlebih
dahulu sebelum dimasukkan ke Data View. Cara mengaktifkannya adalah
dengan mengklik tab sheet Variabel View yang berada di bagian kiri
bawah atau langsung menekan Ctrl + T.
Gambar 4.3 Tampilan Jendela Variabel View dalam SPSS
[image:43.612.150.491.442.641.2]Name : Untuk memasukkan nama variabel yang akan diuji.
Type : Untuk mendefenisikan tipe variabel.
Widht : Untuk pengaturan panjang karakter dari variabel.
Decimals : Untuk menuliskan jumlah desimal di belakang koma.
Label : Untuk menuliskan keterangan dari nama variabel.
Missing : Untuk menuliskan ada tidaknya jawaban kosong.
Columns : Untuk pengaturan lebar kolom.
Align : Untuk pengaturan teks/angka pada data View apakah akan
dibuat rata kiri (Left), kanan (Right) atau tengah (Center).
Measure : Untuk menentukan skala pengukuran variabel, misalnya nominal,
ordinal atau scale.
(Dalam penulisan Tugas Akhir ini Values, Missing, Columns dan Measure tidak
dipergunakan, karena itu ketiga pengaturan ini diabaikan saja).
4.7.3.4 Pemasukan Data Ke dalam SPSS Statistics 17.0
Cara memasukkan data ke SPSS Statistics 17.0 adalah sebagai berikut :
1. Pengisian variabel pada Variabel View.
Variabel Tahun adalah Tahun dari data yang diambil, variabel ini merupakan
variabel pertama yang akan ditempatkan pada baris pertama.
Langkah-langkahnya adalah sebagai berikut :
1) Isi Name dengan Tahun lalu pilih Type dan pilih Numeric.
3) Pada Label ketik “Tahun”.
4) Lalu pada Align pilih Center.
Variabel Y adalah jumlah produksi padi, variabel ini merupakan variabel kedua
yang akan ditempatkan pada baris kedua.
Langkah-langkahnya adalah :
5) Isi Name dengan Y lalu pilih Type dan pilih Numeric.
6) Pilih Width isi dengan angka 8 lalu pilih Decimals ketik 0.
7) Pada Label ketik “Jumlah Produksi Padi”.
8) Lalu pada Align pilih Center.
Selanjutnya Variabel X1 adalah luas panen yang juga menjadi variabel ketiga yang
ditempatkan pada baris ketiga.
Langkah-langkahnya adalah :
1) Isi Name dengan X1 lalu pilih Type dan pilih Numeric.
2) Pilih Width isi dengan angka 8 lalu pilih Decimals ketik 0.
3) Pada Label ketik “Luas Panen”.
4) Lalu pada Align pilih Center.
Selanjutnya Variabel X2 adalah curah hujan yang juga menjadi variabel keempat
yang ditempatkan pada baris keempat.
Langkah-langkahnya adalah :
1) Isi Name dengan X2 lalu pilih Type dan pilih Numeric.
3) Pada Label ketik “Curah Hujan”.
4) Lalu pada Align pilih Center.
Selanjutnya Variabel X3 adalah banyak hujan yang juga menjadi variabel kelima
yang ditempatkan pada baris kelima.
Langkah-langkahnya adalah :
1) Isi Name dengan X3 lalu pilih Type dan pilih Numeric.
2) Pilih Width isi dengan angka 8 lalu pilih Decimals ketik 0.
3) Pada Label ketik “Banyak Hujan”.
4) Lalu pada Align pilih Center.
[image:46.612.137.509.391.611.2]Pengisian variabel tersebut dapat dilihat pada gambar di bawah ini :
Gambar 4.4 Tampilan Pengisian Variabel View
2. Pengisian Data Pada Data View
1) Setelah pengisian variabel pada Variabel View lalu klik pada tab sheet
Data View yang ada di kiri bawah layar.
2) Isilah tahun pada kolom Tahun sesuai jumlah data yang ada.
3) Isi Y, X1, X2 dan X3 dengan data yang ada.
[image:47.612.151.490.235.438.2]Pengisian data tersebut dapat dilihat pada gambar di bawah ini :
Gambar 4.5 Tampilan Pengisian Data View
4.7.3.5 Pengolahan Data
Pengolahan data untuk mencari korelasi dan persamaan regresi linier berganda.
Langkah-langkahnya adalah sebagai berikut :
1) Pada Menu Bar klik menu Analyze, lalu pilih Regression dan klik Linier.
2) Lalu akan muncul kotak dialog Linier Regression.
3) Pada kotak dialog tersebut masukkan variabel Y pada kotak Dependent
Gambar 4.6 Kotak Dialog Linier Regression
4) Klik tombol Statistics sehingga akan muncul Linier Regression Statistics,
lalu beri tanda ceklist pada Estimate, Model Fit dan Descriptives.
Gambar 4.7 Kotak Dialog Linier Regression : Statistics
[image:48.612.141.500.397.612.2]6) Selanjutnya balik ke kotak dialog Linier Regression, lalu klik Plots untuk
membuat grafik. Isi kolom Y dengan pilihan SDRESID dan kolom X
[image:49.612.152.487.182.382.2]dengan ZPRED, kemudian klik Next.
Gambar 4.8 Kotak Dialog Linier Regression : Plots
7) Selanjutnya isi kolom Y dengan ZPRED dan kolom X dengan
DEPENDNT. Pada pilihan Standardized Residual Plots, ceklist
Histogram, Normal Probability Plot dan Produce all partial plot, setelah
Gambar 4.9 Kotak Dialog Linier Regression Plots
8) Maka aplikasi akan kembali ke kotak dialog Linier Regression, lalu
selanjutnya klik Option maka akan muncul kotak dialog Linier
Regression Option. Pilih Use Probability of F kemudian masukkan nilai
tingkat kepercayaan pada kotak Entry dengan 0,05, lalu klik Continue.
Gambar 4.10 Kotak Dialog Linier Regression : Option
[image:50.612.172.471.449.627.2]BAB 5
PENUTUP
5.1 Kesimpulan
Berdasarkan analisis yang telah dilakukan penulis, maka dapat diambil beberapa
kesimpulan, yaitu :
1) Dari perhitungan yang telah dilakukan secara manual dan menggunakan
software maka diperoleh hasil persamaan yang sama yaitu ˆY
=
138,3934 +4,1073 X1 - 0,1768 X2 - 3,3012 X3, ini berarti jika koefisien regresi sebesar
4,1073 artinya setiap kenaikan luas panen sebesar 1% maka akan
meningkatkan produksi padi sebesar 4,1073%. Koefisien regresi sebesar
- 0,1768 artinya setiap meningkatnya curah hujan sebesar 1% maka akan
menurunkan produksi padi sebesar – 0,1768%. Koefisien regresi sebesar
- 3,3012 artinya setiap meningkatnya banyak hujan sebesar 1% maka akan
menurunkan produksi padi sebesar – 3,3012%.
2) Kesalahan baku (Standard Error) sebesar 22,9752671. Ini berarti produksi
padi yang sebenarnya akan menyimpang dari rata-rata produksi padi yang
3) Melalui uji keberartian regresi linier dengan taraf nyata (! = 0,05) didapat
Fhitung = 92,49574914 D Ftabel = 4,76 maka H0 Ditolak dan H1 Diterima.
Hal ini berarti persamaan linier berganda Y atas X1, X2, X3 bersifat nyata
yang berarti bahwa luas panen (X1), curah hujan (X2) dan banyak hujan
(X3) secara bersama-sama berpengaruh terhadap terjadinya jumlah
produksi padi (Y).
4) Melalui perhitungan R2 didapat nilai koefisien determinasi 0,9788. Hal ini berarti bahwa sekitar 97,88% produksi padi dapat ditentukan oleh luas
panen, curah hujan, dan banyak hujan melalui hubungan regresi linier
berganda sedangkan sisanya 2,12% lagi dipengaruhi oleh faktor lain
5) Dari hasil perhitungan didapat korelasi (R) antara luas panen, curah hujan
dan banyak hujan terhadap produksi padi sebesar 0,9894. Nilai korelasi
tersebut menyatakan bahwa hubungan antara panen, curah hujan dan
banyak hujan terhadap produksi padi tinggi.
6) Berdasarkan perhitungan koefisien korelasi antara jumlah produksi padi
(Y) dan luas panen (X1) adalah 0,9871 yang menunjukkan korelasi yang
kuat dengan arah positif mendekati 1 (korelasi positif). Hal ini berarti jika
jumlah produksi padi mengalami peningkatan maka luas panen juga akan
meningkat dan sebaliknya jumlah produksi padi mengalami penurunan
maka luas panen juga akan menurun.
7) Berdasarkan perhitungan koefisien korelasi antara hasil produksi padi (Y)
dengan curah hujan (X2) adalah -0,3861 menunjukkan korelasi sangat
curah hujan akan menurunkan jumlah produksi padi, dan sebaliknya
penurunan intensitas curah hujan meningkatkan jumlah produksi padi.
8) Berdasarkan perhitungan koefisien korelasi antara hasil produksi padi (Y)
dengan banyaknya hari hujan (X3) adalah -0,6145 menunjukkan korelasi
yang cukup dan tidak searah (korelasi negatif), artinya penambahan hari
hujan yang ada akan menurunkan jumlah produksi padi, dan penurunan
jumlah hari hujan akan meningkatkan jumlah produksi padi.
9) Berdasarkan perhitungan koefisien korelasi antara luas panen (X1) dengan
curah hujan (X2) adalah -0,3372 menunjukkan korelasi yang lemah dan
tidak searah (korelasi negatif). Artinya meningkatnya curah hujan akan
menurunkan luas panen, dan penurunan curah hujan akan meningkatkan
luas panen.
10)Berdasarkan perhitungan koefisien korelasi antara luas panen (X1) dengan
banyak hujan (X3) adalah -0,5766 menunjukkan korelasi agak lemah dan
tidak searah (korelasi negatif). Artinya meningkatnya jumlah hari hujan
akan menurunkan luas panen, dan penurunan jumlah hari hujan akan
meningkatkan luas panen.
11)Berdasarkan perhitungan koefisien korelasi antara curah hujan (X2)
dengan banyak hujan (X3) adalah 0,5015 menunjukkan korelasi agak
lemah dan searah (korelasi positif). Artinya apabila intensitas curah hujan
naik maka jumlah hari hujan akan meningkat, dan apabila intensitas curah
12)Melalui uji koefisien regresi linier ganda (uji t) dengan taraf nyata = 0,05
diperoleh kesimpulan untuk pengaruh antara luas panen dan jumlah
produksi padi adalah H0 Ditolak yang berarti secara parsial luas panen
berpengaruh terhadap jumlah produksi padi di Kabupaten Deli Serdang.
Untuk pengaruh curah hujan dan jumlah produksi padi adalah H0 Diterima
yang berarti secara parsial curah hujan tidak berpengaruh terhadap jumlah
produksi padi di Kabupaten Deli Serdang. Dan untuk pengaruh banyak
hujan dan jumlah produksi padi adalah H0 Diterima yang berarti secara
parsial banyak hujan tidak berpengaruh terhadap jumlah produksi padi di
Kabupaten Deli Serdang.
13)Berdasarkan hasil analisis korelasi antara variabel bebas dengan variabel
tak bebas diketahui bahwa faktor yang paling mempengaruhi terhadap
produksi padi di Kabupaten Deli Serdang adalah luas panen dengan nilai
korelasi sebesar 0,9871.
5.2 Saran
Dari analisis dan kesimpulan yang didapat, ada beberapa saran yang mungkin bisa
membantu hasil produksi padi :
1) Penulis menyarankan agar metode analisis regresi dapat dipergunakan
meramalkan hal-hal lain sehingga dapat digunakan sebagai acuan untuk
mengambil keputusan.
2) Faktor-faktor yang mempengaruhi hasil produksi perlu diperhatikan
sebelum membentuk model regresi agar model yang terbentuk akurat dan
dapat dipergunakan untuk berbagai keperluan.
3) Dalam meningkatkan produksi padi bukan hanya dipengaruhi oleh luas
panen, curah hujan dan banyaknya hujan, melainkan ada beberapa faktor
lain yang mendukung peningkatan hasil produksi padi seperti pemilihan
BAB 2
LANDASAN TEORI
2.1 Konsep Dasar Statistika
Statistik adalah ilmu yang mempelajari tentang seluk beluk data, yaitu tentang
pengumpulan, pengolahan, penganalisisa, penafsiran, dan penarikan kesimpulan
dari data yang berbentuk angka. Dari pengertian statistik tersebut, dapat
disebutkan komponen-komponen, unsur-unsur dari statistik yaitu data, perlakuan
data, kesimpulan dan angka-angka (Hasan, 1999).
Ruang lingkup statistika meliputi statistik deduktif atau statistik deskriptif dan
statistik induktif atau statistik inferensial. Statistik deskriptif terdiri dari menghimpun
data, menyusun data, mengolah, menyajikan dan menganalisa data angka. Sedangkan
statistik inferensial atau statistik induktif adalah meliputi teori probability, distribusi
teoritis, distribusi sampling, penaksiran, pengujian hipotesa, korelasi, komparasi, dan
regresi (Gujarati, 2004).
Sumber data statistik dapat dikumpulkan langsung oleh peneliti dari pihak
yang bersangkutan dan biasanya disebut data primer. Dan data juga dapat diperoleh
2.2 Pengertian Regresi
Istilah regresi pertama kali diperkenalkan oleh Francis Galton (1886). Analisis
regresi berkenaan dengan studi ketergantungan dari suatu variabel yang disebut
variabel tak bebas, pada satu atau lebih variabel, yaitu variabel yang menerangkan
dengan tujuan untuk memperkirakan ataupun meramalkan nilai-nilai dari variabel
tak bebas apabila nilai variabel yang menerangkan sudah diketahui. Variabel yang
menerangkan sering disebut variabel bebas (Gujarati, 2004).
Hasil analisis regresi adalah berupa koefisien untuk masing-masing
variabel independen. Koefisien ini diperoleh dengan cara memprediksi nilai
variabel dependen dengan suat persamaan. Koefisien regresi dihitung dengan dua
tujuan sekaligus: Pertama, meminimumkan penyimpangan antara nilai aktual
dengan nilai estimasi variabel dependen. Kedua, mengoptimalkan korelasi antara
nilai aktual dan nilai estimasi variabel dependen berdasarkan data yang ada.
Teknik estimasi variabel dependen yang melandasi analisis regresi disebut
Ordinary Least Squares (Pangkat Kuadrat Terkecil Biasa) (Tabachnick, 1996).
Dalam analisis regresi, selain mengukur kekuatan hubungan antara dua
variabel atau lebih juga menunjukkan arah hubungan antara variabel dependen
dengan variabel independen. Variabel dependen diasumsikan random/stokastik,
yang berarti mempunyai distribusi probabilistik. Variabel independen/bebas
2.3 Analisis Regresi Linier
Analisis regresi linier adalah salah satu alat yang dapat digunakan dalam
memprediksi permintaan di masa yang akan datang dengan berdasarkan data masa
lalu, atau untuk mengetahui pengaruh satu variabel bebas (independent) terhadap
satu variabel tak bebas (dependent) (Syofian, 2013).
Dalam regresi linier akan ditentukan satu persamaan yang didapat antara
variabel bebas dan variabel tak bebas yang merupakan persamaan penduga yang
berguna untuk menaksir/meramalkan variabel tak bebas. Untuk mempelajari
hubungan-hubungan antara beberapa variabel, analisis regresi terdiri dari dua
bentuk, yaitu :
1. Analisis Regresi Sederhana (Simple Analysis Regression)
2. Analisis Regresi Berganda (Multiple Analysis Regression)
2.4 Analisis Regresi Sederhana
Regresi linier sederhana adalah suatu cara/prosedur yang digunakan untuk
bersifat linier yang melibatkan satu variabel bebas (X) untuk digunakan sebagai
alat prediksi besarnya nilai variabel terikat (Y) (Sarwono, 2006). Dalam hal ini
bentuk model umum regresi sederhana adalah :
= a + bx + ! … (2.1)
Keterangan :
= Variabel tak bebas
x = Variabel bebas
a = Parameter intercept
b = Parameter koefisien regresi variabel bebas
! = Eror
Nilai a dan b dapat diperoleh dengan rumus seperti di bawah ini :
(
)(
) (
)(
)
(
) (
)
2
2 2
i i i i i
i i
Y X X X Y
a
n X X
− =
−
… (2.2)
(
) (
)(
)
(
2) (
)
2i i i i
i i
n X Y X Y
b
n X X
− =
Keterangan :
n = Banyaknya data
= Jumlah nilai-nilai dari
= Jumlah nilai-nilai dari
= Jumlah kuadrat nilai-nilai dari variabel
= Jumlah hasil kali nilai-nilai dari variabel dan .
2.5 Analisis Regresi Berganda
Regresi linier berganda adalah regresi di mana variabel terikatnya (Y)
dihubungkan/dijelaskan lebih dari satu variabel bebas (X) namun masih
menunjukkan diagram hubungan yang linier (Hasan, 2009). Tujuan regresi linier
berganda ini adalah untuk mengetahui hubungan antara dua variabel atau lebih
dan memuat prediksi nilai Y atas nilai X. Adapun bentuk umum regresi berganda
adalah :
0 1 1 2 2
ˆ ...
i i k ki
Keterangan :
i = 1,2,3,…,n
ˆ
Y = Nilai regresi
0, 1, 2,..., k
β β β
β
= Koefisien regresi1, 2, 3,...,
i i i ik
X X X X = Variabel bebas
Model regresi linier berganda untuk populasi di atas dapat ditaksir
berdasarkan sebuah sample acak yang berukuran n dengan model regresi linier
berganda untuk sampel, yaitu :
…(2.4)
Keterangan :
= Nilai penduga bagi variabel Y
b0 = Dugaan bagi parameter konstanta 0
b1, b2, … , bk = Dugaan bagi parameter konstanta 1, 2, …, k
1, 2, 3,...,
i i i ik
Dalam penelitian ini, penulis menggunakan regresi linier berganda dengan
empat variabel, yaitu satu variabel tak bebas (dependent variabel) dan tiga
variabel bebas (independent variabel). Maka persamaan regresi linier bergandanya
dapat ditulis sebagai berikut :
…(2.5)
Untuk mengetahui besarnya nilai koefisien dari model regresi linier
berganda dapat ditentukan dengan menggunakan
empat persamaan normal sebagai berikut :
0 1 1 2 2 3 3
Y=b n b+ X +b X +b X
2
1 0 1 1 1 2 1 2 3 1 3
YX =b X +b X +b X X +b X X
… (2.6)
2
2 0 2 1 2 1 2 2 3 2 3
YX =b X +b X X +b X +b X X
2
3 0 3 1 3 1 2 3 2 3 3
YX =b X +b X X +b X X +b X
Harga-harga b0, b1, b2, b3 didapat dengan memilih menggunakan metode
Setelah menentukan persamaan liniernya langkah selanjutnya adalah
menentukan kekeliruan baku (standard error). Menurut Hasan (1999) kekeliruan
baku (standard error) adalah angka atau indeks yang digunakan untuk menduga
ketepatan suatu penduga atau mengukur jumlah variasi titik-titik observasi di
sekitar garis regresi. Rumus untuk menghitung standard error adalah :
(
)
22 ,12,...,
ˆ
1
i
y k e
Y Y
S S
n k
−
= =
− − … (2.7)
Keterangan :
" = Kekeliruan baku taksiran
# $ % $ & = Derajat kebebasan
2.6 Uji Keberartian Regresi Linier
Uji keberartian digunakan untuk mengetahui apakah sekelompok variabel bebas
secara bersamaan mempunyai pengaruh terhadap variabel terikat. Pada dasarnya
pengujian hipotesa tentang parameter koefisien regresi secara keseluruhan adalah
dengan menggunakan uji F.
Uji linieritas garis regresi juga dilakukan dengan menghitung nilai F, yaitu
dengan mempergunakan hipotesis nol ' . Jika nilai F < P 0,05, garis regresi
garis regresi itu berarti tidak linier, dan sebagai konsekuensinya data tersebut
harus dibuat menjadi regresi nonlinier.
2.6.1 Uji F (Simultan)
Menurut Sugiyono (2008) uji F digunakan untuk menguji variabel – variabel
bebas secara bersama-sama terhadap variabel terikat. Karena dalam analisis
regresi yang dianalisis adalah varians garis regresi, hasil perhitungan analisis
regresi juga menghasilkan bilangan atau rasio F, atau lengkapnya Fregresi
(disingkat Freg) atau Fhitung. Adapun rumus untuk memperoleh Freg adalah sebagai
berikut :
(
) *+ , -./03-./012 2... (2.8)
Keterangan :
Freg = Bilangan F garis regresi
JK(reg) = Jumlah kuadrat garis regresi
RK(res) = Jumlah kuadrat garis residu
n = Banyaknya data
% = Jumlah variabel bebas
# $ % $ & = Derajat kebebasan
4567, 8 9 8 9 ... (2.9)
4567: ; $ ... (2.10)
Adapun untuk mencari nilai-nilai yang diperlukan untuk mencari
koefisien-koefisien regresi ganda adalah dengan menentukan x dan y dari data
yang tersedia dengan rumus :
$ < dan 9 $ < ... (2.11)
Maka langkah-langkah dalam pengujian hipotesis adalah sebagai berikut :
1. Menentukan formulasi hipotesis
' : 8 8 8 = tidak mempengaruhi Y)
' : 8 > 8 > = (minimal ada satu parameter koefisien regresi tidak sama
dengan nol atau mempengaruhi Y).
2. Menentukan taraf nyata dan (*?@7A dengan dk B % dan B n-k-1
3. Menentukan kriteria pengujian
' diterima bila () *+ ,C (*?@7A
' ditolak bila () *+ ,D (*?@7A
4. Menentukan nilai statistik Fhitung dengan rumus :
(
) *+ , -./03-./012 22.7 Analisis Korelasi
Analisis korelasi adalah alat statistik yang digunakan untuk derajat hubungan
linier antara suatu variabel dengan variabel lainnya. Sehingga apabila terdapat
hubungan antar variabel maka perubahan-perubahan yang terjadi pada suatu
variabel akan mengakibatkan terjadinya perubahan pada variabel lain. Pada
umumnya analisis korelasi digunakan dalam hubungan analisis regresi di mana
kegunaannya untuk mengukur ketepatan garis regresi, dalam menjelaskan variasi
nilai variabel dependen. Oleh karena itu, korelasi tidak dapat dilakukan tanpa
adanya persamaan regresi (Algifari, 1997).
2.7.1 Koefisien Korelasi
Koefisien korelasi pertama kali diperkenalkan oleh Karl Pearson sekitar tahun
1900. Koefisien korelasi menggambarkan keeratan hubungan antara dua variabel
berskala selang atau rasio. Dilambangkan dengan r, koefisien korelasi sering juga
disebut dengan r pearson atau korelasi produk-momen pearson.
Menurut Hasan (2009) koefisien korelasi yang terjadi dapat berupa :
1. Korelasi positif adalah korelasi dari dua variabel, yaitu apabila variabel
yang satu (X) meningkat maka variabel lainnya (Y) cenderung meningkat
2. Korelasi negatif adalah korelasi dari dua variabel, yaitu apabila variabel
yang satu (X) meningkat maka variabel yang lainnya (Y) cenderung
menurun.
3. Tidak adanya terjadi korelasi apabila kedua variabel (X dan Y) tidak
menunjukkan adanya hubungan.
4. Korelasi sempurna adalah korelasi dua variabel, yaitu apabila kenaikan
atau penurunan variabel yang satu (X) berbanding dengan kenaikan atau
penurunan variabel yang lainnya (Y).
Untuk menghitung koefisien korelasi r berdasarkan sekumpulan data (Xi
dan Yi) berukuran n dengan menggunakan rumus :
... (2.12)
Keterangan :
r = Nilai koefisien korelasi
= Jumlah dari variabel X
= Jumlah dari variabel Y
= Jumlah dari perkalian variabel X dan Y
= Jumlah dari kuadrat variabel X
Koefisien korelasi r dipakai apabila terdapat dua variabel tapi apabila digunakan
korelasi berganda atau memiliki tiga variabel ganda maka koefisien korelasinya
dinotasikan dengan R. Nilai koefisien linier berganda (R) dapat dicari dengan
menggunakan rumus sebagai berikut :
E
F 6GFH6G 6GF6G 6GF6F ... (2.13)
Keterangan :
F = Koefisien korelasi antara Y dan
= Koefisien korelasi antara Y dan
= Koefisien korelasi antara dan
Korelasi antara variabel dibedakan atas tiga jenis, yaitu :
1. Korelasi Positif
Perubahan antara variabel berbanding lurus, artinya apabila variabel yang
satu meningkat, maka variabel yang lainnya juga mengalami peningkatan.
2. Korelasi Negatif
Perubahan antara variabel berlawanan, artinya apabila variabel yang satu
meningkat, maka variabel yang lain mengalami penurunan.
3. Korelasi Nihil
Terjadi apabila perubahan pada variabel yang satu diikuti pada perubahan
Tabel 2.1 Interpretasi Koefisien Korelasi Nilai r
Interval Koefisien Tingkat Hubungan
0 Tidak ada korelasi
0,01 – 0,19 Sangat rendah
0,20 – 0,39 Rendah
0,40 – 0,59 Agak rendah
0,60 – 0,79 Cukup
0,80 – 0,99 Tinggi
1 Sangat tinggi (korelasi sempurna)
2.7.2 Koefisien Determinasi
Analisis koefisien determinasi pada intinya adalah mengukur dan menjelaskan
besarnya presentase pengaruh variabel bebas atau variabel prediktor terhadap
variabel terikatnya (Hartono, 2008).
Menentukan koefisien korelasi berganda juga dapat dicari dengan mencari
koefisien determinasi di bawah ini :
E
-./01... (2.14)
Keterangan :
R2 = Koefisien determinasi
JK(reg) = Jumlah kuadrat garis regresi
2.8 Uji t (Parsial)
Menurut Sugiyono (2008) uji t pada dasarnya menunjukkan seberapa jauh
pengaruh suatu variabel bebas secara individual dalam menerangkan variasi
variabel terikat.
Maka langkah-langkah dalam pengujian hipotesis adalah sebagai berikut :
1. Menentukan formulasi hipotesis
' : 8 8 8 = tidak mempengaruhi Y)
' : 8 > 8 > = (minimal ada satu parameter koefisien regresi tidak
sama dengan nol atau mempengaruhi Y).
2. Dilakukan uji dua sisi dengan taraf nyata = 0,05 dan nilai
t
tabel dengan dkyaitu n – k – 1 maka di peroleh
I
FJK .3. Menentukan kriteria pengujian
' diterima bila I) *+ ,C I*?@7A
' ditolak bila I) *+ ,L I*?@7A
4. Menentukan nilai statistik
t
hitung dengan rumus :(
) *+ , M@F NFBAB 1
PENDAHULUAN
1.1Latar Belakang
Indonesia sejak dulu terkenal sebagai Negara agraris, hal ini bisa disebabkan oleh
kesuburan tanah republik ini. Secara geografis Negara Indonesia juga sangat
diuntungkan karena Negara Indonesia terletak di garis katulistiwa dan secara
teoritis Negara Indonesia sangat baik untuk pertanian dikarenakan seluruh wilayah
yang ada di Negara Indonesia bisa terkena sinar matahari secara merata dan curah
hujan yang merata.
Begitu banyak jenis tanaman pertanian yang ada di Indonesia yang
seyogyanya menjadi bahan makanan masyarakatnya, salah satunya adalah
tanaman padi. Padi (Oryza Sativa L.) merupakan bahan makanan pokok bagi
sebagian besar penduduk Indonesia. Kebutuhan akan padi terus meningkat akibat
pertumbuhan penduduk. Laju pertumbuhan penduduk meningkat 1,49% per
Keberadaan lahan sangat penting dalam menunjang kegiatan produksi
hasil pertanian. Pada saat sekarang, intensifikasi pertanian perlu dilakukan karena
mengingat lahan pertanian yang semakin sempit akibat alih fungsi lahan pertanian
menjadi non pertanian (>500 Ha/tahun) dan akibat pengaruh era globalisasi.
Selain itu, curah hujan juga memegang peranan pertumbuhan dan produksi
tanaman pangan, khususnya tanaman padi. Hal ini disebabkan air sebagai
pengangkut unsur hara dari tanah ke akar dan dilanjutkan ke bagian-bagian
lainnya. Disamping itu juga, curah hujan yang lebat dapat mengganggu
pembungaan dan penyerbukan.
Maka melihat permasalahan yang ada, penulis mengambil 3 variabel yang
dijadikan landasan untuk melihat produksi padi di Kabupaten Deli Serdang yaitu
luas panen, kondisi curah hujan dan banyaknya hari hujan yang terjadi. Penulis
menggunakan teknik analisis regresi untuk melihat seberapa besar pengaruh
produksi padi di Kabupaten Deli Serdang.
Hal ini yang mendasari penulis untuk mengambil judul tugas akhir yaitu
“ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI
PADI DI KABUPATEN DELI SERDANG”.
1.2Rumusan Masalah
Berdasarkan latar belakang masalah di atas, penulis merumuskan masalah
1. Bagaimana penggunaan metode analisis regresi linier dalam mencari
nilai dari faktor-faktor yang mempengaruhi produksi padi di
Kabupaten Deli serdang?
2. Bagaimana hubungan korelasi antara faktor-faktor produksi padi di
Kabupaten Deli Serdang?
3. Faktor manakah yang dominan mempengaruhi produksi padi di
Kabupaten Deli Serdang?
1.3Batasan Masalah
Untuk memberikan kejelasan dan memberikan kemudahan penelitian ini agar
tidak jauh menyimpang dari sasaran yang ingin dicapai, penulis meneliti pengaruh
produksi padi tahun 2002 - 2011 di Kabupaten Deli Serdang dengan
variabel-variabel yang mempengaruhinya yaitu luas panen (Ha), kondisi curah hujan (mm)
dan banyaknya hari hujan yang terjadi.
1.4 Tinjauan Pustaka
Analisis