I. DATA DAN SUMBER DATA
A. Data Mentah
Data diperoleh dari tesis dengan judul “ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI JAGUNG DI KECAMATAN WIROSARI KABUPATEN GROBOGAN” yang ditulis oleh bapak Riyadi. Data ini dianalisis menggunakan analisis regresi sederhana dan diuji masalah multikolinier, heterokedastis, dan autokorelasi. Berikut ini merupakan data yang didapat dari skripsi :
Tabel 1. Data Mentah Skripsi
No Output (kg)
Luas lahan (Ha)
Tenaga Kerja
(HOK) Bibit (kg)
Urea
(Kg) KCL (kg) Pestisida (MI)
1 4500 0.2 95 9 200 35 300
2 4400 1.1 100 2 225 40 400
3 3800 0.8 80 8 150 25 350
4 4600 0.1 95 11 190 445 350
5 2000 0.5 75 2 80 15 100
6 2400 0.55 75 4 70 20 200
7 4000 0.5 76 6 75 25 400
8 3300 0.65 76 7 100 25 200
9 5700 1 95 12 21 35 400
10 2200 0.5 75 5 90 30 100
11 2700 0.5 76 6 100 15 400
13 5200 1 94 11 70 35 300
14 2300 0.2 75 10 100 15 200
15 3500 1 100 10 225 40 390
16 4000 0.9 94 10 200 30 360
17 2400 0.6 50 5 100 25 200
18 3500 0.8 76 7 180 10 225
19 2800 0.5 60 6 100 10 200
20 2900 0.6 75 2 150 25 210
21 2300 0.2 50 5 50 20 210
22 4500 1.1 100 11 225 45 400
23 2800 0.5 70 6 100 20 200
24 4800 1 94 7 190 40 310
25 2200 0.5 75 4 100 20 150
26 3800 0.8 80 8 150 35 300
27 4300 1 50 7 200 45 400
28 5000 1 113 12 225 30 350
29 4000 0.8 86 9 150 35 350
30 500 0.5 60 4 125 25 210
31 1000 0.3 96 2 60 40 400
32 4500 0.1 95 2 200 35 400
33 2400 0.5 7 5 100 20 180
34 1000 0.2 95 7 25 35 400
35 4500 1 100 11 60 40 310
36 2800 0.6 60 6 110 25 200
37 2800 0.5 76 2 60 20 200
38 2400 0.5 60 4 100 20 200
40 3400 0.8 80 9 100 35 300
41 2900 0.65 76 6 110 25 210
42 1400 0.25 30 3 50 10 80
43 4200 1 94 7 120 40 350
B. Sumber Data
Data primer diperoleh melalui wawancara dengan petani jagung dengan menggunakan daftar pertanyaan atau kuesioner. Data-data primer yang diperoleh antara lain: jumlah produksi jagung pipilan, jumlah tenaga kerja, jumlah bibit, jumlah pupuk Urea, jumlah pupuk TSP, jumlah pupuk KCl, dan jumlah pestisida. Jumlah produksi atau output jagung pipilan kering diukur dalam satuan kilogram, luas lahan diukur dalam satuan hektar, jumlah tenaga kerja diukur dalam satuan hari orang kerja (HOK), jumlah bibit diukur dalam satuan kilogram, jumlah pupuk Urea diukur dalam satuan kilogram, pupuk TSP dalam satuan kilogram, jumlah pupuk KCL diukur dalam satuan kilogram, jumlah pestisida diukur dalam satuan mililiter.
Sedangkan data sekunder adalah data yang diperoleh dari sumber lain yang sudah ada sebelumnya dan diolah kemudian disajikan baik dalam berbagai bentuk antara lain laporan
II. TUJUAN PENELITIAN
Analisis ini dilakukan dengan tujuan sebagai berikut :
1. Mengetahui masalah multikolinearitas yang terjadi pada data analisis penggunaan faktor-faktor produksi pada usahatani jagung.
2. Mengetahui masalah heterokedastis yang terjadi pada data analisis penggunaan faktor-faktor produksi pada usahatani jagung.
3. Mengetahui masalah autokolinearitas yang terjadi pada data analisis penggunaan faktor-faktor produksi pada usahatani jagung.
III. TEORI RINGKAS, MODEL, DAN HIPOTESIS
A. Teori Ringkas
Pengertian produksi adalah hasil akhir dari proses atau aktivitas ekonomi dengan memanfaatkan beberapa masukan atau input. Dengan pengertian ini dapat dipahami bahwa kegiatan
produksi adalah mengkombinasi berbagai input atau masukan untuk menghasilkan output.
Hubungan teknis antara input dan output tersebut dalam bentuk persamaan, tabel atau grafik merupakan fungsi produksi (Salvatore, 1994), Jadi, fungsi produksi adalah suatu persamaan yang
menunjukkan jumlah maksimum output yang dihasilkan dengan kombinasi input tertentu (Ferguson dan Gould, 1975).
Hubungan antara jumlah output (Q) dengan sejumlah input yang digunakan dalam proses produksi (X1, X2, X3, ……Xn) secara matematis dapat ditulis sebagai berikut: Q = f (X1 X2 X3... Xn) (2.1)
Keterangan: Q = output X = input
Berdasarkan fungsi produksi di atas maka akan dapat diketahui hubungan antara input dengan output, dan juga akan dapat diketahui hubungan antar input itu sendiri.
tenaga kerja (L) maka fungsi produksi yang dimaksud dapat diformulasikan menjadi:
Q = f (K, L) Keterangan: Q = output K = input modal L = input tenaga kerja
Fungsi produksi di atas menunjukkan maksimum output yang dapat diproduksi dengan
menggunakan kombinasi alternatif dari modal (K) dan tenaga kerja (L) (Nicholson, 1995).
Pada analisis ini dilakukan untuk melihat masalah multikolinearitas, heterokedastis, dan autokorelasi pada data. Beberapa jenis asumsi klasik adalah:
a. Multikolinearitas
Multikolinearitas merupakan salah satu asumsi dari model regresi linear klasik. Multikolinearitas adalah keadaan di mana pada model regresi ditemukan adanya korelasi yang sempurna atau mendekati sempurna antarvariabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi yang sempurna atau mendekati sempurna di antara variabel bebas.
Ada beberapa hal yang menyebabkan multikolinearitas, yaitu metode pengumpulan data yang digunakan, adanya constraint pada model, atau populasi yang dijadikan sampel. Multikolinearitas dapat dilihat dari nilai tolerance dan lawannya serta nilai variance inflation factor (VIF). Dua ukuran ini menunjukkan variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen terpilih yang tidak dijelaskan oleh variabel
menunjukkan adanya multikolinearitas adalah tolerance <0,10 atau sama dengan VIF >10.
b. Heteroskedastisitas
Heteroskedastisitas adalah keadaan di mana dalam model regresi terjadi ketidaksamaan varian dari residual pada satu pengamatan ke pengamatan lainnya (Priyatno, 2012). Heteroskedastisitas dapat dideteksi dengan cara informal maupun formal. Metode informal biasanya dilakukan dengan melihat grafik plot dari nilai prediksi variabel independen (ZPRED) dengan residualnya (SRESID). Variabel dinyatakan tidak terjadi heteroskedastisitas jika tidak terdapat pola yang jelas dan titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y. Cara formal yang dapat dilakukan untuk mendeteksi heteroskedastisitas adalah dengan Metode Park, Metode Glejser, Metode Korelasi Spearman atau Metode White (Widarjono, 2009).
c. Koefisien Determinasi (R2)
Koefisien determinasi (R2) digunakan untuk mengetahui sampai sejauh mana ketepatan atau kecocokkan garis regresi yang terbentuk dalam mewakili kelompok data hasil observasi. Koefisien determinasi menggambarkan bagian dari variasi total yang dapat diterangkan oleh model. Semakin besar nilai R2 (mendekati 1), maka ketepatannya semakin baik. Sifat yang dimiliki koefisien determinasi adalah:
1) Nilai R2 selalu positif karena merupakan nisbah dari jumlah kuadrat. 2) Nilai 0 < R2 < 1
R2 = 1, garis regresi yang terbentuk dapat meramalkan Y secara sempurna (Priyatno, 2009).
Model regresi linier dapat dikatakan sebagai model yang baik jika model tersebut memenuhi beberapa asumsi yang disebut dengan asumsi klasik. Apabila nilai asumsi klasik terpenuhi, maka metode estimasi penaksir linear kuadrat terkecil (Ordinary Least Square (OLS)) akan menghasilkan Unbiased Linear Estimator dan memiliki varian minimum yang sering disebut dengan BLUE (Best Linear Unbiased Estimator) (Ghozali, 2009). B. Model
Regresi merupakan metode estimasi utama di dalam ekonometrika. Analisis regresi yang menjelaskan hubungan antara vaniabel dependen dan variabel independen berkaitan erat dengan hubungan yang bersifat statistik, bukan hubungan yang pasti. Di dalam statistika hubungan yang tidak pasti ini disebut hubungan yang acak (random) atau stokastik (stochastic). Hubungan ini mencerminkan perilaku ekonomi (Munawir, 2004).
Model regresi sederhana dilakukan jika bermaksud meramalkan
bagaimana keadaan (naik turunnya) variabel dependen (kriterium), bila ada satu variabel independen sebagai prediktor dimanipulasi (dinaik turunkan nilainya). Persamaan yang diperoleh dari regresi sederhana adalah Y = β0 + β1 X + µ (Nachhrowi, 2006).
independen mengalami kenaikan atau penurunan. Persamaan regresi linear berganda sebagai berikut:
Y’ = a + b1X1+ b2X2+…..+ bnXn
Keterangan:
Y = Variabel dependen (nilai yang diprediksikan) X1 dan X2 = Variabel independen
a = Konstanta
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
(Rudianto, 2008).
Model yang dipakai pada penelitian ini yaitu model analisis regresi berganda, karena terdapat 6 variabel independent. Model yang diapakai yaitu sebagai berikut:
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + µ Keterangan :
Y = Produksi
X1 = Luas lahan X2 = Tenaga kerja
X3 = Bibit
X4 = Pupuk Urea
X5 = Pupuk KCL
X6 = Fungisida
C. Hipotesis
Berdasarkan kerangka pemikiran, maka hipotesis yang diajukan dalam penelitian ini adalah :
IV. DATA SIAP OLAH
Data siap olah yang sudah diketik ulang diambil dari skripsi yang berjudul
“Analisis Efisiensi Penggunaan Faktor-Faktor Produksi Pada Usahatani Jagungdi Kecamatan Worosari Kabupaten Grobogan”. Data ini telah mendapatkan
persutujuan dari pihak asisten dosen pada tanggal 31 Agustus 2017. Berikut adalah data yang siap diolah
Tabel 1. Data Siap Olah
No
Output (kg)
Luas lahan (Ha)
Tenaga Kerja
(HOK) Bibit (kg) Urea (Kg) KCL (kg)
Pestisida (MI) 1
8.411832676 -1.609437912 4.553876892 2.197224577 5.29831737 3.555348061 5.703782475 2
8.38935982 0.09531018 4.605170186 0.693147181 5.4161004 3.688879454 5.991464547 3
8.242756346 -0.223143551 4.382026635 2.079441542 5.01063529 3.218875825 5.857933154 4
8.433811582 -2.302585093 4.553876892 2.397895273 5.24702407 6.098074282 5.857933154 5
7.60090246 -0.693147181 4.317488114 0.693147181 4.38202663 2.708050201 4.605170186 6
7.783224016 -0.597837001 4.317488114 1.386294361 4.24849524 2.995732274 5.298317367 7
8.29404964 -0.693147181 4.33073334 1.791759469 4.31748811 3.218875825 5.991464547 8
8.101677747 -0.430782916 4.33073334 1.945910149 4.60517019 3.218875825 5.298317367 9
8.648221454 0 4.553876892 2.48490665 3.04452244 3.555348061 5.991464547 10
7.696212639 -0.693147181 4.317488114 1.609437912 4.49980967 3.401197382 4.605170186 11
12
7.090076836 -1.609437912 4.043051268 1.098612289 3.91202301 2.995732274 5.736572297 13
8.556413905 0 4.543294782 2.397895273 4.24849524 3.555348061 5.703782475 14
7.740664402 -1.609437912 4.317488114 2.302585093 4.60517019 2.708050201 5.298317367 15
8.160518247 0 4.605170186 2.302585093 5.4161004 3.688879454 5.966146739 16
8.29404964 -0.105360516 4.543294782 2.302585093 5.29831737 3.401197382 5.886104031 17
7.783224016 -0.510825624 3.912023005 1.609437912 4.60517019 3.218875825 5.298317367 18
8.160518247 -0.223143551 4.33073334 1.945910149 5.19295685 2.302585093 5.416100402 19
7.937374696 -0.693147181 4.094344562 1.791759469 4.60517019 2.302585093 5.298317367 20
7.972466016 -0.510825624 4.317488114 0.693147181 5.01063529 3.218875825 5.347107531 21
7.740664402 -1.609437912 3.912023005 1.609437912 3.91202301 2.995732274 5.347107531 22
8.411832676 0.09531018 4.605170186 2.397895273 5.4161004 3.80666249 5.991464547 23
7.937374696 -0.693147181 4.248495242 1.791759469 4.60517019 2.995732274 5.298317367 24
8.476371197 0 4.543294782 1.945910149 5.24702407 3.688879454 5.736572297 25
7.696212639 -0.693147181 4.317488114 1.386294361 4.60517019 2.995732274 5.010635294 26
8.242756346 -0.223143551 4.382026635 2.079441542 5.01063529 3.555348061 5.703782475 27
8.366370302 0 3.912023005 1.945910149 5.29831737 3.80666249 5.991464547 28
8.517193191 0 4.727387819 2.48490665 5.4161004 3.401197382 5.857933154 29
8.29404964 -0.223143551 4.454347296 2.197224577 5.01063529 3.555348061 5.857933154 30
6.214608098 -0.693147181 4.094344562 1.386294361 4.82831374 3.218875825 5.347107531 31
6.907755279 -1.203972804 4.564348191 0.693147181 4.09434456 3.688879454 5.991464547 32
8.411832676 -2.302585093 4.553876892 0.693147181 5.29831737 3.555348061 5.991464547 33
7.783224016 -0.693147181 1.945910149 1.609437912 4.60517019 2.995732274 5.192956851 34
6.907755279 -1.609437912 4.553876892 1.945910149 3.21887582 3.555348061 5.991464547 35
8.411832676 0 4.605170186 2.397895273 4.09434456 3.688879454 5.736572297 36
7.937374696 -0.510825624 4.094344562 1.791759469 4.70048037 3.218875825 5.298317367 37
7.937374696 -0.693147181 4.33073334 0.693147181 4.09434456 2.995732274 5.298317367 38
7.783224016 -0.693147181 4.094344562 1.386294361 4.60517019 2.995732274 5.298317367 39
8.665613197 0.916290732 4.700480366 2.48490665 5.29831737 4.204692619 5.991464547 40
8.131530711 -0.223143551 4.382026635 2.197224577 4.60517019 3.555348061 5.703782475 41
7.972466016 -0.430782916 4.33073334 1.791759469 4.70048037 3.218875825 5.347107531 42
7.244227516 -1.386294361 3.401197382 1.098612289 3.91202301 2.302585093 4.382026635 43
Berdasarkan persetujuan dari pihak asisten dosen, data diatas mengalami perubahan dari data yang awal
V. HASIL OLAH DATA
Data yang siap diolah kemudian diregresi menggunakan SPSS sehingga didapat hasil
Uji R Square
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA CHANGE /CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN /DEPENDENT y
/METHOD=ENTER x1 x2 x3 x4 x5 x6.
Notes
Output Created 02-Jan-2018 16:13:49
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working
Data File 43
Missing Value Handling
Definition of Missing User-defined missing values are treated as missing.
Cases Used Statistics are based on
cases with no missing values for any variable used.
Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN /DEPENDENT y
/METHOD=ENTER x1 x2 x3 x4 x5 x6.
Resources Processor Time 00:00:00.047
Elapsed Time 00:00:00.031
Memory Required 3068 bytes
Additional Memory Required for
Residual Plots
0 bytes
Variables Entered/Removedb tenaga kerja , bibit, kcl a
. Enter
a. All requested variables entered. b. Dependent Variable: produksi
Model Summary
a. Predictors: (Constant), x6, luas lahan , urea, tenaga kerja , bibit, kcl
ANOVAb
Model
Sum of
Squares df
Mean
Square F Sig.
1 Regression 5.237 6 .873 5.402 .000a
Residual 5.817 36 .162
Total 11.055 42
a. Predictors: (Constant), x6, luas lahan , urea, tenaga kerja , bibit, kcl
Coefficientsa
Model
Unstandardized Coefficients
Standardize d Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 5.139 1.016 5.057 .000
luas lahan .179 .106 .236 1.695 .099
tenaga
kerja .098 .160 .085 .610 .545
bibit .252 .130 .278 1.944 .060
urea .230 .119 .256 1.929 .062
kcl .097 .132 .115 .738 .465
x6 .126 .196 .102 .642 .525
a. Dependent Variable: produksi
Dari datas di atas akan dilakukan uji asumsi klasik yaitu uji multikolinier, uji heteroskedastis, dan uji autokorelasi.
A. Uji Multikolinearitas ;
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL CHANGE /CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN /DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5 X6.
Notes
Output Created 02-Jan-2018 16:01:16
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working
Data File 43
Missing Value Handling
Definition of Missing User-defined missing values are treated as missing.
Cases Used Statistics are based on
cases with no missing
values for any variable used.
Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL CHANGE /CRITERIA=PIN(.05)
POUT(.10) /NOORIGIN /DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5 X6.
Resources Processor Time 00:00:00.078
Elapsed Time 00:00:00.095
Memory Required 3068 bytes
Additional Memory Required for
Residual Plots
0 bytes
Variables Entered/Removedb
lahan, urea, tenaga kerja , bibit , KCLa
. Enter
a. All requested variables entered. b. Dependent Variable: Produksi
Model Summary
a. Predictors: (Constant), X6, luas lahan, urea, tenaga kerja , bibit , KCL
ANOVAb
Model
Sum of
Squares df
Mean
Square F Sig.
1 Regression 5.237 6 .873 5.402 .000a
Residual 5.817 36 .162
Total 11.055 42
a. Predictors: (Constant), X6, luas lahan, urea, tenaga kerja , bibit , KCL
Coefficientsa
nt) 5.139 1.016 5.057 .000
luas
lahan .179 .106 .236 1.695 .099 .757 1.322
tenaga
kerja .098 .160 .085 .610 .545 .746 1.340
bibit .252 .130 .278 1.944 .060 .717 1.395
Urea .230 .119 .256 1.929 .062 .831 1.204
KCL .097 .132 .115 .738 .465 .604 1.655
X6 .126 .196 .102 .642 .525 .584 1.712
a. Dependent Variable: Produksi
Collinearity Diagnosticsa
Mo
Dari teori yang sudah dijelaskan dan dipelajari di perkuliahan bahwa melihat ada atau tidak multikolinearitas salah satunya dengan melihat nilai variance inflaction factor (VIF), dimana nilai VIF>10 berarti terdapat masalah multikolinearitas. Pada data analisis ini diketahui bahwa data tidak terkena masalah multikolinearitas karena VIF semua varibel bebas kuarng dari 10
B. Uji Heteroskedastis
Uji Heteroskedastisitas adalah masalah dalam analisis regresi yang diakibatkan oleh varians µi tidak konstan atau berubah-ubah. Asumsi dari uji ini yaitu untuk mengetahui residual varian yang konstan yang nantinya akan di
asumsikan bahwa terjadi atau tidaknya dari pelanggaran asumsi tersebut. Data yang di regres ini merupakan data yang sudah diln. Dari hasil regresi di dapatkan hasil sebagai berikut:
Heteroskedasticity Test: White
F-statistic 0.415070 Prob. F(6,36) 0.8641
Obs*R-squared 2.782199 Prob. Chi-Square(6) 0.8356 Scaled explained SS 9.395536 Prob. Chi-Square(6) 0.1525
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares
Date: 01/02/18 Time: 16:36 Sample: 1 43
Included observations: 43
C -0.034726 0.565784 -0.061377 0.9514
SER02^2 0.017384 0.062671 0.277385 0.7831 SER03^2 0.001071 0.026232 0.040837 0.9677
SER04^2 -0.056233 0.046452 -1.210558 0.2340 SER05^2 -0.007255 0.014640 -0.495594 0.6232
SER06^2 0.001703 0.019575 0.087014 0.9311 SER07^2 0.015019 0.019985 0.751535 0.4572
R-squared 0.064702 Mean dependent var 0.135287
Adjusted R-squared -0.091181 S.D. dependent var 0.424925 S.E. of regression 0.443875 Akaike info criterion 1.361353
Sum squared resid 7.092901 Schwarz criterion 1.648060 Log likelihood -22.26908 Hannan-Quinn criter. 1.467081
F-statistic 0.415070 Durbin-Watson stat 1.947773 Prob(F-statistic) 0.864107
Dari data di atas diketahui bahwa Pro Chi Square 0.8356, dimana 0.8356>0,05, artinya adalah data di atas tidak terkena masalah heteroskedastis.
C. Uji Autokorelasi
Uji Autokorelasi adalah masalah dalam analisis regresi yang diakibatkan oleh berkolerasinya antar µi. Hasil regresi di dapat dari data yang telah diolah sebagai berikut:
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA CHANGE /CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN /DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5 X6
/RESIDUALS DURBIN.
Notes
Output Created 02-Jan-2018 16:56:01
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
File 43
Missing Value Handling Definition of Missing User-defined missing values are treated as missing.
Cases Used Statistics are based on cases with no missing values for any variable used.
Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA CHANGE
/CRITERIA=PIN(.05) POUT(.10) /NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5 X6
/RESIDUALS DURBIN.
Resources Processor Time 00:00:00.235
Elapsed Time 00:00:00.272
Memory Required 3092 bytes
Additional Memory Required
for Residual Plots 0 bytes
Variables Entered/Removedb
Model Variables Entered
Variables
Removed Method
1 pestisida , luas lahan, urea, tenaga kerja , bibit , KCLa
. Enter
a. All requested variables entered.
b. Dependent Variable: Produksi
Model Summaryb
Mod
a. Predictors: (Constant), pestisida , luas lahan, urea, tenaga kerja , bibit , KCL
b. Dependent Variable: Produksi
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 5.237 6 .873 5.402 .000a
Residual 5.817 36 .162
Total 11.055 42
a. Predictors: (Constant), pestisida , luas lahan, urea, tenaga kerja , bibit , KCL
Coefficientsa B Std. Error Beta
1 (Constant) 5.139 1.016 5.057 .000
luas lahan .179 .106 .236 1.695 .099
tenaga kerja .098 .160 .085 .610 .545
bibit .252 .130 .278 1.944 .060
urea .230 .119 .256 1.929 .062
KCL .097 .132 .115 .738 .465
pestisida .126 .196 .102 .642 .525
a. Dependent Variable: Produksi
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 7.1726 8.7662 7.9891 .35313 43
Residual -1.64300 .75021 .00000 .37217 43
Std. Predicted Value -2.312 2.201 .000 1.000 43
Std. Residual -4.087 1.866 .000 .926 43
a. Dependent Variable: Produksi
Masalah autokolerasi dapat dilihat dari nilai Durbin Waston yaitu 1.757, tetapi perlu diuji apakah nilai tersebut terjadi masalah autokolerasi atau tidak. Cara mengujinya yaitu sebagai berikut : Diketahui :
N = 43
K = 7
DW = 1.757
Dengan Melihat table Durbin Waston untuk α= 5 % dan dengan memasukkan nilai K= 7 dan n=43, maka dapat dilihat DL dan DU adalah sebagai berikut :
DU = 1.9055
A B C D E
1,1630 1,9055 2,0945 2,837 DW 1.757
Dari cara mendeteksi masalah autokerelasi dengan menggunakan Durbin-Watson diketahui bahwa model memiliki nilai DW sebesar 1.757 sehingga model berada pada daerah B yang artinya tidak ada keputusan.
Ada Auto
Tidak Ada
Keputusan Tidak Ada
Keputusan
Ada Auto Tidak Ada
VI. INTERPRETASI
Dari data yang di dapat dilakukannya analisis regresi dengan menggunakan software SPSS 22.0 for Windowsdan E-Views. Untuk melihat nilai R2,adj R2, F hitung, T hitung dan melihat koefisien B dapat di dilakukan dengan alat SPSS. Adapun hasil dari regresi yaitu sebagai berikut:
Model Summary
a. Predictors: (Constant), x6, luas lahan , urea, tenaga kerja , bibit, kcl
1. R. Square = 0.474
artinya sebesar 47.4% variasi produksi jagung dapat dijelaskan oleh variabel bibit, luas lahan, tenaga kerja, pupuk urea, kcl, pestisida.
yang dimasukkan ke dalam model, sedangkan sisanya sebesar 52.6% dapat dijelaskan oleh variabel lain yang tidak dimasukkan ke dalam model.
2. Adjusted R. Square = 0.386
artinya setelah disesuaikan sebesar 38.6% variasi produksi jagung dapat dijelaskan oleh variabel bibit, luas lahan, tenaga kerja, pupuk urea, kcl,
ANOVAb
Model
Sum of
Squares df
Mean
Square F Sig.
1 Regression 5.237 6 .873 5.402 .000a
Residual 5.817 36 .162
Total 11.055 42
a. Predictors: (Constant), x6, luas lahan , urea, tenaga kerja , bibit, kcl
b. Dependent Variable: produksi
.
3 F. Hitung = 5.402 sig. 0.000
Secara bersama-sama variabel variabel bibit, luas lahan, tenaga kerja, pupuk urea, kcl, berpengaruh nyata terhadap produksi jagung dengan tingkat kepercayaan sebesar 99 %
Coefficientsa
B Std. Error Beta
1 (Constant) 5.139 1.016 5.057 .000
luas lahan .179 .106 .236 1.695 .099
tenaga
kerja .098 .160 .085 .610 .545
Bibit .252 .130 .278 1.944 .060
Urea .230 .119 .256 1.929 .062
kcl .097 .132 .115 .738 .465
x6 .126 .196 .102 .642 .525
a. Dependent Variable: produksi
Constant/intersep berbeda nyata dengan nol dengan tingkat kepercayaan di sebesar 99 persen.
5. T. Hitung Luas Lahan = 0.179 sig. 0.099
Luas lahan berpengaruh nyata terhadap produksi jagung dengan tingkat kepercayaan sebesar 95 persen. Jika penggunaan luas lahan naik 1 persen maka produksi bawang putih naik sebesar 0.179 persen.
6. T. Hitung Tenaga Kerja= 0.098 sig. 0.545
Tenaga Kerja tidak berpengaruh nyata terhadap produksi jagung dengan tingkat kepercayaan dibawah 90 persen.
7. T. Hitung Bibit = 0.525 sig. 0.060
Bibit berpengaruh nyata terhadap produksi jagung dengan tingkat kepercayaan sebesar 95 persen. Jika penggunaan bibit naik 1 persen maka produksi
bawang putih naik sebesar 0.525 persen.
8. T. Hitung Urea = -0.230 sig. 0.062
Pupuk urea berpengaruh nyata terhadap produksi jagung dengan tingkat kepercayaan sebesar 95 persen. Jika penggunaan pupuk urea naik 1 persen maka produksi bawang putih naik sebesar 0.230 persen.
9. T. Hitung KCL = 0.097 sig. 0.465
Pupuk KCL tidak berpengaruh nyata terhadap produksi jagung dengan tingkat kepercayaan di bawah 90 persen.
10. T. Hitung Pestisida = 0.126 sig 0.525
VII. KESIMPULAN
Adapun kesimpulan dari analisis uji asumsi klasik adalah :
1. 1. Data analisis efisiensi penggunaan faktor-faktor produksi pada usahatani Jagung di Kabupaten Grobogan idak mengalami masalah multikolinearitas karena semua variabel bebas memiliki VIF kurang dari 10
2. Data analisis efisiensi penggunaan faktor-faktor produksi pada usahatani jagung di Kabupaten Grobogan tidak mengalami masalah heteroskedastis karena semua Pro Chi Square lebih dari 0.05
DAFTAR PUSTAKA
Damodar N. Gujarati and Dawn C. Porter. 2012. Dasar–dasar Ekonometrika. Jakarta: Salemba Empat.
Pasandaran. 2006. Dasar-Dasar Ekonometrika Jilid 1 Edisi Ketiga. Mulyadi J, Penerjemah; Jakarta: Erlangga. Terjemahan dari: Basic Econometric Priyatno 2009. Teori Ekonomi Produksi dengan Pokok Bahasan Analisis Fungsi
Produksi Cobb-Douglass. Jakarta : CV Rajawali.
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI JAGUNG DI KECAMATAN WIROSARI KABUPATEN GROBOGAN
(Tugas Akhir Mata Kuliah Ekonometrika)
Oleh: Revani Intan Putri
JURUSAN AGRIBISNIS FAKULTAS PERTANIAN UNIVERSITAS LAMPUNG