Lampiran 1. Kuisioner Penelitian
KUISIONER PENELITIAN
ANALISIS FAKTOR-FAKTOR SOSIAL EKONOMI YANG MEMPENGARUHI KEUNTUNGAN USAHATANI PADI SAWAH DI DESA BEJI LOR KECAMATAN
SURUH KABUPATEN SEMARANG
ANALYSIS OF SOCIOECONOMIC FACTORS THAT INFLUENCE WETLAND RICE FARMING PROFIT AT BEJI LOR VILLAGE SURUH SUBDISTRIC
SEMARANG REGENCY
Oleh :
JANATI TRI WAHYUNI 522010021
PROGRAM STUDI AGRIBISNIS FAKULTAS PERTANIAN DAN BISNIS UNIVERSITAS KRISTEN SATYA WACANA
SALATIGA 2014
IDENTITAS RESPONDEN
1. Nama Responden : _____________________________
2. Alamat : _____________________________
3. No. HP : _____________________________
4. Tanggal wawancara : _____________________________ 5. Komposisi anggota rumah tangga
No Nama Status Dlm Keluarga L/P Umur (tahun) Pendidikan Keterlibatan dalam usahatani
6. Pengalaman berusahatani padi ... tahun 7. Penguasaan lahan sawah yang ditanami padi
No Status penguasaan lahan Luas lahan (m2)
1 Milik sendiri 2 Sewa
3 Sakap 4 Gadai
HASIL PRODUKSI
TAHAP KEGITAN USAHATANI PADI SAWAH
URAIAN DALAM KELUARGA LUAR KELUARGA HARGA (RP/UNIT) KETERANGAN
TKW TKP TKA Jml. Hari TKW TKP Jml. Hari TKW TKP
PENYEMAIAN 1. Tenaga Kerja a. Pencangkulan b. Perataan / ngleler c. Menebar benih d. pemupukan e. daud 2. Benih a. b. c. 3. Pupuk a. b. c. PENGOLAHAN LAHAN 1. Tenaga Kerja a. b. c. d. e. f. PENANAMAN 1. Tenaga Keja
URAIAN DALAM KELUARGA LUAR KELUARGA HARGA (RP/UNIT) KETERANGAN
TKW TKP TKA Jml. Hari TKW TKP Jml. Hari TKW TKP
PERAWATAN 1. Tenaga Kerja a. b. c. d. e. f. g. 2. Pupuk a. b. c. d. e. 3. Pestisida a. b. c. d. e. PEMANENAN 1. Tenaga Kerja
PENANGANAN PASCA PANEN 1. Tenaga Kerja
a. pengangkutan
b. Penjemuran
BIAYA LAIN
Uraian Satuan Nilai (Rp/ Satuan)
Sewa Lahan Pajak Tanah
Lampiran 2. Tabulasi Data Primer Petani Nama KEUNTUNGAN (Rp) Harga Benih (Rp/Kg) Harga Urea/ Kg Upah Tenaga Kerja (Rp/Hok) Harga Output (Rp/Kg) Pendidikan (Thn) Umur (Thn) Dasmi 423,000 5,000 2,000 55,799 7,050 1 70 Kusno Djardi 1,191,100 4,500 1,900 60,189 7,100 6 55 Mimbar 714,500 5,000 2,100 57,325 7,000 6 41 Jimin 339,900 5,000 1,900 62,532 7,000 1 85 Rusiyem 1,004,100 10,000 1,900 57,188 7,000 1 65 Gunadi 1,416,700 5,500 2,000 54,832 7,000 7 52 Ngusman 340,230 5,500 2,000 59,134 7,000 6 56 Kasiyan 1,642,000 5,500 2,000 54,935 7,100 6 49 Kamti 823,500 8,600 2,000 49,725 7,300 6 63 Margono 543,200 5,000 2,000 52,367 7,100 3 71 Paidin 1,386,900 5,500 1,900 57,363 7,100 6 54 Misri 1,145,700 5,500 1,900 56,383 7,000 4 45 Jumingan 1,056,300 5,500 2,000 57,092 7,000 3 58 Yamadi 1,365,300 5,500 2,000 61,354 7,000 5 46 Abdul Latif 1,137,600 5,000 2,100 59,362 7,000 5 48 Sunarsono 2,094,750 10,000 1,900 59,678 7,000 5 48 Jupril 2,089,300 10,000 2,000 53,242 7,300 6 47 Wagimin Fahrozi 1,416,800 8,500 1,900 52,227 8,060 7 55 Suratin 659,750 10,000 2,000 54,815 7,250 9 45 Muhyi 1,633,070 4,500 1,900 59,185 7,050 5 53 Hartono 1,243,300 10,000 2,300 61,735 7,250 4 43
Bagyo 570,000 5,500 2,100 61,395 7,000 6 45 Wardi 1,837,750 8,200 2,100 62,143 8,334 6 55 Kusmin 357,000 5,000 2,000 54,351 7,000 6 75 Badrodin 1,243,700 10,000 1,900 57,362 7,250 10 49 Suprihadi 2,045,000 10,000 1,900 60,128 7,250 9 59 Kasim 1,534,800 10,000 2,000 54,389 7,300 6 51 Mahmudi 239,200 10,000 2,000 55,985 7,300 2 65 Margi 2,134,700 10,000 1,900 53,452 7,300 5 46 Jumadi 533,000 9,000 2,200 57,979 7,300 2 60 Sujud 1,327,900 10,000 2,100 59,354 7,300 6 46 A. Suyatno 683,200 10,000 2,000 60,352 7,300 4 54 Andri Tri H 1,322,500 10,000 1,900 62,677 7,250 12 57 Slamet W 1,476,000 10,000 2,100 61,836 7,300 6 56 Supardi 1,174,500 10,000 2,100 57,234 7,250 6 51 Suparman 2,218,800 10,000 1,900 52,000 8,300 9 59 Sudah 150,100 5,500 2,300 54,949 7,000 2 52 Hj. Siti F 1,276,500 10,000 2,100 53,563 7,300 6 49 Suparjo 1,203,500 5,000 1,900 55,032 7,000 6 41 Botok Ngatini 491,500 10,000 1,900 58,354 7,250 6 57 S. Supar 593,400 10,000 2,100 61,946 7,300 7 47 Ngateman 429,000 10,000 2,200 58,980 7,300 6 50 Karno 534,700 10,000 2,200 54,638 7,300 8 52 Salim 493,600 10,000 2,000 58,035 7,250 1 71 Sumardi 1,193,400 10,000 1,900 57,253 7,300 7 53
rata-rata
1,082,905.56
7,951.11
2,011.11
57,329.98
7,230.98
5.47
54.42
Lampiran 3. Tabulasi Data Sampel Petani dalam ln (logaritma natural) Nama ln KEUNTUNGAN ln Harga Benih ln Harga Urea ln Upah Tenaga Kerja ln Harga Output ln Pendidikan ln Umur Dasmi 12.95513 8.517193 7.600902 10.92951 8.860783 0 4.248495 Kusno Djardi 13.99039 8.411833 7.549609 11.00524 8.86785 1.791759 4.007333 Mimbar 13.47934 8.517193 7.649693 10.95649 8.853665 1.791759 3.713572 Jimin 12.73641 8.517193 7.549609 11.04343 8.853665 0 4.442651 Rusiyem 13.8196 9.21034 7.549609 10.9541 8.853665 0 4.174387 Gunadi 14.16384 8.612503 7.600902 10.91203 8.853665 1.94591 3.951244 Ngusman 12.73738 8.612503 7.600902 10.98756 8.853665 1.791759 4.025352 Kasiyan 14.31143 8.612503 7.600902 10.91391 8.86785 1.791759 3.89182 Kamti 13.62132 9.059517 7.600902 10.81426 8.89563 1.791759 4.143135 Margono 13.20523 8.517193 7.600902 10.86603 8.86785 1.098612 4.26268 Paidin 14.14258 8.612503 7.549609 10.95715 8.86785 1.791759 3.988984 Misri 13.95153 8.612503 7.549609 10.93992 8.853665 1.386294 3.806662 Jumingan 13.87028 8.612503 7.600902 10.95242 8.853665 1.098612 4.060443 Yamadi 14.12688 8.612503 7.600902 11.02442 8.853665 1.609438 3.828641 Abdul Latif 13.94443 8.517193 7.649693 10.99141 8.853665 1.609438 3.871201 Sunarsono 14.55494 9.21034 7.549609 10.99672 8.853665 1.609438 3.871201 Jupril 14.55234 9.21034 7.600902 10.8826 8.89563 1.791759 3.850148 Wagimin Fahrozi 14.16391 9.047821 7.549609 10.86335 8.994669 1.94591 4.007333 Suratin 13.39962 9.21034 7.600902 10.91172 8.888757 2.197225 3.806662 Muhyi 14.30597 8.411833 7.549609 10.98842 8.860783 1.609438 3.970292
Hartono 14.03328 9.21034 7.740664 11.03061 8.888757 1.386294 3.7612 Bagyo 13.25339 8.612503 7.649693 11.02508 8.853665 1.791759 3.806662 Wardi 14.42405 9.011889 7.649693 11.03719 9.028099 1.791759 4.007333 Kusmin 12.78549 8.517193 7.600902 10.90322 8.853665 1.791759 4.317488 Badrodin 14.0336 9.21034 7.549609 10.95714 8.888757 2.302585 3.89182 Suprihadi 14.53091 9.21034 7.549609 11.00423 8.888757 2.197225 4.077537 Kasim 14.24391 9.21034 7.600902 10.90392 8.89563 1.791759 3.931826 Mahmudi 12.38506 9.21034 7.600902 10.93284 8.89563 0.693147 4.174387 Margi 14.57384 9.21034 7.549609 10.88654 8.89563 1.609438 3.828641 Jumadi 13.18628 9.10498 7.696213 10.96784 8.89563 0.693147 4.094345 Sujud 14.09911 9.21034 7.649693 10.99127 8.89563 1.791759 3.828641 A. Suyatno 13.43454 9.21034 7.600902 11.00795 8.89563 1.386294 3.988984 Andri Tri H 14.09503 9.21034 7.549609 11.04575 8.888757 2.484907 4.043051 Slamet W 14.20485 9.21034 7.649693 11.03224 8.89563 1.791759 4.025352 Supardi 13.97635 9.21034 7.649693 10.9549 8.888757 1.791759 3.931826 Suparman 14.61248 9.21034 7.549609 10.859 9.024011 2.197225 4.077537 Sudah 11.91906 8.612503 7.740664 10.91416 8.853665 0.693147 3.951244 Hj. Siti F 14.05963 9.21034 7.649693 10.88861 8.89563 1.791759 3.89182 Suparjo 14.00074 8.517193 7.549609 10.91567 8.853665 1.791759 3.713572 Botok Ngatini 13.10522 9.21034 7.549609 10.97428 8.888757 1.791759 4.043051 S. Supar 13.29362 9.21034 7.649693 11.03402 8.89563 1.94591 3.850148 Ngateman 12.96921 9.21034 7.696213 10.98495 8.89563 1.791759 3.912023 Karno 13.18946 9.21034 7.696213 10.90848 8.89563 2.079442 3.951244 Salim 13.10948 9.21034 7.600902 10.9688 8.888757 0 4.26268 Sumardi 13.99232 9.21034 7.549609 10.95524 8.89563 1.94591 3.970292
Lampiran 4. Uji Asumsi Klasik
1. Autokorelasi
Menurut Wijaya (2009), uji autokorelaasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dan kesalahan pengganggu pada periode sebelumnya (t–1). Cara mengetahui adanya autokorelasi dengan uji Durbin–Watson. Model regresi berganda terbebas dari autokorelasi jika nilai Durbin–Watson hitung terletak di daerah No Autocorelasi. Penentuan letak tersebut dibantu dengan tabel dL dan dU (Nugroho, 2005).
Keputusan ada tidaknya autokorelasi :
Bila dU < DW < (4-dU), koefisien korelasi = 0, artinya tidak terjadi autokorelasi.
Bila DW < dL, koefisien korelasi > 0, artinya terjadi autokorelasi positif. Bila DW > (4-dL), koefisien kerelasi < 0, artinya terjadi autokorelsi negatif. Bila (4-dU) < DW (4-dL), artinya hasilnya tidak dapat disimpulkan.
(Sarjono dan Julianita, 2011).
Cara untuk menanggulangi masalah autokorelasi adalah dengan mentransformasikan data atau bisa juga dengan mengubah moel regresi ke dalam bentuk persamaan beda umum. Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas, sehingga observasi menjadi kurang 1 (Karim, 2014).
2. Multikolineritas
Uji multikolineritas diperlukan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lain dalam satu model. Menurut Wijaya (2009), ada beberapa cara mendeteksi ada tidaknya multikolineritas, yaitu:
Nilai R2
yang dihasilkan oleh suatu estimasi model regresi empiris yang sangat tinggi, tetapi secara individual variabel bebas banyak yang tidak signifikan mempengaruhi variabel terikat.
Menganalisis korelasi di antara variabel bebas. Jika diantara variabel bebas ada korelasi yang cukup tinggi (>0,90), hal ini merupakan indikasi adanya multikolineritas.
Nilai VIF (variance-inflating factor). Jika VIF < 10, tingkat kolineritas dapat ditoleransi.
Nilai Eigenvalue sejumlah satu atau lebih variabel bebas mendekati 0 memberikan petunjuk adanya multikolineritas.
Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut :
Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi Menambah jumlah observasi
Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat atau bentuk first difference dellta.
(Karim, 2014).
3. Heteroskesdastisitas
Menurut Wijaya (2009), heteroskesdastisitas menunjukkan bahwa varians variabel tidak sama untuk semua pengamatan. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap maka disebut homokesdastisitas. Model regresi yang baik adalah terjadi disebut homokesdastisitas, atau dengan kata lain tidak terjadi heteroskesdastisitas.
Cara memprediksi ada tidaknya disebut heteroskesdastisitas dapat dilihat dari pola gambar Scatterplot. Analisis pada gambar Scatterplot yang menyatakan model regresi linear berganda tidak terdapat heteroskesdastisitas jika:
Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. Titik-titik data tidak mengumpul hanya di atas atau dibawah saja.
Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali
Penyebaran titik-titik data sebaiknya tidak berpola. (Nugroho, 2005).
Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan jika semua data bernilai positif. Atau dapat juga dilakukan dengan membagi semua variabel dengan variabel yang mengalami gangguan heteroskedastisitas (Karim, 2014).
Lampiran 5. Hasil Uji Asumsi Klasik dengan SPSS 16.0
1. Uji Autokorelasi
Hasil dari uji Durbin-Watson dengan bantuan SPSS 16.0 diperoleh nilai DW=1,972, sedangkan nilai dL dan dU pada tabel Durbin-Watson pada α=5%, k=6 dan n= 45 masing-masing adalah 1,2385 dan 1,8346. Dari keterangan tersebut disimpulkan tidak terjadi autokorelasi karena nilai DW berada diantara dU dan 4-dU.
Model Summaryb
Model Durbin-Watson
1 1.972a
a. Predictors: (Constant), UMUR, hgOUTPUT, UPAH, hgUREA, hgBENIH, PENDIDIKAN b. Dependent Variable: KEUNTUNGAN
2. Uji Multikolineritas
Dari tabel coefficientsa yang diperoleh dari perhitungan dengan SPSS 16.0 diperoleh nilai VIF pada setiap variabel bebas < 10. Dengan demikian, dapat disimpulkan tidak terjadi gejala multikolinearitas di antara variabel bebas.
Coefficientsa Model Collinearity Statistics Tolerance VIF 1 hgBENIH .735 1.360 hgUREA .852 1.174 UPAH .953 1.050 hgOUTPUT .648 1.544 PENDIDIKAN .546 1.833 UMUR .561 1.784
3. Uji Heterokesdastisitas
Dari hasil deteksi scatterplot dengan bantuan SPSS 16.0, titik-titik data menyebar di atas dan di bawah atau disekitar angka 0, maka dapat disimpulkan bahwa model regresi ini terbebas dari asumsi klasik heterokesdastisitas.
Lampiran 6. Hasil Output Uji Regresi Linear Berganda dengan SPSS 16.0 REGRESSION
/MISSING LISTWISE /STATISTICS COLLIN TOL /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN
/DEPENDENT KEUNTUNGAN
/METHOD=ENTER hgBENIH hgUREA UPAH hgOUTPUT PENDIDIKAN UMUR
Regression
[DataSet1] E:\Iddy Suprayogi-103025\45sampel\13.31 - Copy.sav
Variables Entered/Removedb
Model Variables Entered
Variables Removed Method 1 UMUR, hgOUTPUT, UPAH, hgUREA, hgBENIH, PENDIDIKANa . Enter
a. All requested variables entered.
Collinearity Diagnosticsa Model Dimension Eigenvalue Condition Index
Variance Proportions
(Constant) hgBENIH hgUREA UPAH hgOUTPUT PENDIDIKAN UMUR
1 1 6.878 1.000 .00 .00 .00 .00 .00 .00 .00 2 .120 7.580 .00 .00 .00 .00 .00 .53 .00 3 .001 77.715 .00 .44 .00 .00 .00 .20 .36 4 .001 93.493 .00 .35 .01 .00 .00 .07 .41 5 3.273E-5 458.423 .01 .00 .84 .23 .01 .06 .09 6 2.137E-5 567.270 .02 .07 .11 .44 .30 .12 .14 7 4.962E-6 1177.337 .97 .15 .04 .32 .69 .02 .00
a. Dependent Variable: KEUNTUNGAN
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value
1.2694324E1 1.4550333E1 1.3723188E
1 .46769938 45 Residual -9.73887324E -1 .66900355 -1.01647086 E-14 .44268794 45 Std. Predicted Value -2.200 1.769 .000 1.000 45 Std. Residual -2.044 1.404 .000 .929 45
REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING LISTWISE
/STATISTICS COEFF OUTS BCOV R ANOVA /CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT KEUNTUNGAN
/METHOD=ENTER hgBENIH hgUREA UPAH hgOUTPUT PENDIDIKAN UMUR /SCATTERPLOT=(*SDRESID ,*ZPRED).
[DataSet1] E:\Iddy Suprayogi-103025\45sampel\13.31 - Copy.sav
Descriptive Statistics Mean Std. Deviation N KEUNTUNGAN 1.3723188E1 .64398395 45 hgBENIH 8.9337463E0 .32022838 45 hgUREA 7.6049885E0 .05416472 45 UPAH 1.0954992E1 .05711654 45 hgOUTPUT 8.8853318E0 .03977600 45 PENDIDIKAN 1.5550368E0 .62109676 45 UMUR 3.9834432E0 .16208203 45
Correlations KEUNTUNGA
N hgBENIH hgUREA UPAH hgOUTPUT PENDIDIKAN UMUR
Pearson Correlation KEUNTUNGAN 1.000 .204 -.379 -.013 .310 .493 -.409
hgBENIH .204 1.000 .096 -.015 .494 .196 -.090 hgUREA -.379 .096 1.000 .121 .002 -.089 -.231 UPAH -.013 -.015 .121 1.000 -.162 -.050 -.079 hgOUTPUT .310 .494 .002 -.162 1.000 .281 .046 PENDIDIKAN .493 .196 -.089 -.050 .281 1.000 -.555 UMUR -.409 -.090 -.231 -.079 .046 -.555 1.000
Sig. (1-tailed) KEUNTUNGAN . .090 .005 .466 .019 .000 .003
hgBENIH .090 . .265 .460 .000 .099 .278 hgUREA .005 .265 . .213 .495 .280 .064 UPAH .466 .460 .213 . .144 .372 .303 hgOUTPUT .019 .000 .495 .144 . .031 .383 PENDIDIKAN .000 .099 .280 .372 .031 . .000 UMUR .003 .278 .064 .303 .383 .000 . N KEUNTUNGAN 45 45 45 45 45 45 45 hgBENIH 45 45 45 45 45 45 45 hgUREA 45 45 45 45 45 45 45 UPAH 45 45 45 45 45 45 45 hgOUTPUT 45 45 45 45 45 45 45 PENDIDIKAN 45 45 45 45 45 45 45 UMUR 45 45 45 45 45 45 45
Variables Entered/Removedb
Model Variables Entered
Variables Removed Method 1 UMUR, hgOUTPUT, UPAH, hgUREA, hgBENIH, PENDIDIKANa . Enter
a. All requested variables entered. b. Dependent Variable: KEUNTUNGAN
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .726a .527 .453 .47635665
a. Predictors: (Constant), UMUR, hgOUTPUT, UPAH, hgUREA, hgBENIH, PENDIDIKAN
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 9.625 6 1.604 7.069 .000a
Residual 8.623 38 .227
Total 18.247 44
a. Predictors: (Constant), UMUR, hgOUTPUT, UPAH, hgUREA, hgBENIH, PENDIDIKAN b. Dependent Variable: KEUNTUNGAN
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 14.917 26.269 .568 .573 hgBENIH .092 .262 .046 .351 .728 hgUREA -5.845 1.437 -.492 -4.068 .000 UPAH .703 1.288 .062 .546 .589 hgOUTPUT 4.734 2.243 .292 2.110 .042 PENDIDIKAN .102 .157 .099 .654 .517 UMUR -1.877 .592 -.473 -3.173 .003
Coefficient Correlationsa
Model UMUR hgOUTPUT UPAH hgUREA hgBENIH PENDIDIKAN
1 Correlations UMUR 1.000 -.270 .049 .342 .072 .631 hgOUTPUT -.270 1.000 .150 -.084 -.471 -.327 UPAH .049 .150 1.000 -.092 -.059 .030 hgUREA .342 -.084 -.092 1.000 -.077 .290 hgBENIH .072 -.471 -.059 -.077 1.000 -.015 PENDIDIKAN .631 -.327 .030 .290 -.015 1.000 Covariances UMUR .350 -.359 .037 .291 .011 .058 hgOUTPUT -.359 5.033 .433 -.271 -.276 -.115 UPAH .037 .433 1.659 -.170 -.020 .006 hgUREA .291 -.271 -.170 2.064 -.029 .065 hgBENIH .011 -.276 -.020 -.029 .068 .000 PENDIDIKAN .058 -.115 .006 .065 .000 .025
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 1.2694324E1 1.4550333E1 1.3723188E1 .46769938 45
Std. Predicted Value -2.200 1.769 .000 1.000 45
Standard Error of Predicted Value .111 .341 .181 .052 45
Adjusted Predicted Value 1.2909109E1 1.4635014E1 1.3720692E1 .46426687 45
Residual -9.73887324E-1 .66900355 -1.01647086E-14 .44268794 45
Std. Residual -2.044 1.404 .000 .929 45
Stud. Residual -2.162 1.494 .002 .998 45
Deleted Residual -1.08868551E0 .78297168 .00249610 .51296908 45
Stud. Deleted Residual -2.278 1.519 -.005 1.015 45
Mahal. Distance 1.405 21.635 5.867 4.215 45
Cook's Distance .000 .170 .023 .031 45
Centered Leverage Value .032 .492 .133 .096 45
Lampiran 8. Gambar Kegiatan Usahatani Padi
Gambar 2. Ngluku dengan Kerbau Gambar 3. Pencangkulan
Gambar 4. Nggaru dengan hand tractor Gambar 5. daud
Gambar 6. Penanaman Gambar 7. Penyiangan dengan cara digosrok
