3.4. Metode Analisa Data
Metode analisis data yang digunakan dalam penelitian ini adalah analisis deskriptif dan analisis kuantitatif. Analisis deskriptif merupakan analisis untuk mengetahui gambaran umum perkebunan kelapa sawit di PT. PP. London Sumatera Indonesia, Tbk, Rambong Sialang Estate saat ini.
Analisis kuantitatif yang digunakan untuk menganalisis faktor-faktor yang mempengaruhi perencanaan terhadap realisasi replanting kelapa sawit tersebut seperti komposisi umur tanaman tua, struktur birokrasi, komunikasi, dan ketersediaan sumber daya. Analisis data pada penelitian ini dilakukan dengan metode statistika yaitu metode regresi linear berganda. Analisis statistika memerlukan hipotesis atau dugaan sementara yang dilambangkan dengan H0 dan H1. Hipotesis berisi mengenai ada tidaknya atau adakah pengaruh dan hubungan antara variabel x dan y yang diambil dalam sebuah penelitian.
Secara rinci regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel x terhadap satu variabel y. Pada metode Regresi linear hasil yang didapat meliputi Statistik Deskriptif Data, Permodelan, Uji F dan Uji T, serta Tabel R Square yang berfungsi untuk menggambarkan, menentukan, dan menganalisa bagaimana hubungan dan pengaruh variabel x terhadap variabel y (Santoso dan Singgih, 2014).
Analisis yang digunakan mengacu pada rumusan tujuan penelitian. Tujuan penelitian ini adalah untuk menganalisis faktor-faktor yang mempengaruhi perencanaan terhadap realisasi kegiatan peremajaan (replanting) kelapa sawit pada PT. PP. London Sumatra Indonesia, Tbk, Rambong Sialang Estate dan mengukur besarnya pengaruh masing-masing faktor tersebut secara simultan.
Pada penelitian ini yang menjadi variabel x adalah komposisi umur tanaman tua (X1), struktur
birokrasi (X2), komunikasi (X3), dan ketersediaan sumber daya (X4), dengan variabel y adalah realisasi kegiatan replanting atau peremajaan kelapa sawit. Data penelitian diolah menggunakan software SPSS 24.0.
3.4.1. Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk memenuhi syarat analisis regresi linier, yaitu penaksir tidak bias dan terbaik atau sering disingkat BLUE (Best Linier Unbias Estimate). Ada beberapa asumsi yang harus terpenuhi agar kesimpulan dari hasil pengujian tidak bias, diantaranya adalah uji normalitas, uji multikolinieritas (untuk
regresi linier berganda) dan uji heteroskedastisitas.
a. Uji Normalitas
Uji normalitas digunakan untuk menguji apakah distribusi variabel terikat untuk setiap nilai variabel bebas tertentu berdistribusi normal atau tidak. Dalam model regresi linier, asumsi ini ditunjukkan oleh nilai error yang berdistribusi normal atau mendekati normal, sehingga layak dilakukan pengujian setara statistik. Pengujian normalitas data menggunakan uji Normalitas Kolmogorov-Smirnov dalam SPSS.
Menurut Ghozali (2011) mengemukakan bahwa: “Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.
Seperti diketahui bahwa uji t dan f mengasumsikan bahwa nilai residual mengikuti distribusi normal. Persamaan regresi dikatakan baik jika mempunyai variabel bebas dan variabel terikat berdistribusi normal.”
Menurut Singgih Santoso (2012), dasar pengambilan keputusan dapat dilakukan dengan melihat angka probabilitasnya, yaitu:
Jika probabilitas > 0,05 maka distribusi dari model regresi adalah normal.
Jika probabilitas < 0,05 maka distribusi dari model regresi adalah tidak normal.
b. Uji Multikolinearitas
Menurut Ghozali (2011) mengemukakan bahwa: “Uji multikolonearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen (bebas). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen (bebas). Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak orthogonal. Variabel orthogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen sama dengan nol.” Untuk mendeteksi ada tidaknya multikolinearitas dapat dilihat pada besaran Variance Inflation Factor (VIF) dan Tolerance. Pedoman suatu model regresi yang bebas multikolinearitas adalah mempunyai angka toleransi mendekati 1, batas VIF adalah 10, jika nilai VIF dibawah 10, maka tidak terjadi gejala multikolinearitas (Gujarati, 2012).
c. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variasi dari residual tetap maka disebut Homoskedastisitas, namun apabila berbeda maka disebut Heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk menguji heteroskedastisitas salah satunya dengan melihat penyebaran dari varians pada grafik scatterplot pada output SPSS. Dasar pengambilan keputusannya adalah sebagai berikut:
1. Jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, seperti titik-titik yang menyebar di atas dan dibawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas.
d. Uji AutoKorelasi
Uji autokorelasi adalah hubungan antara residual satu observasi dengan residual observasi lainnya. Menurut Ghozali (2018:111), uji autokorelasi bertujuan untuk menguji apakah dalam model regresi liner ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya).
e. Uji Secara Parsial (Uji t) atau Pengujian Masing-masing Variabel
Untuk mengetahui apakah suatu variabel berpengaruh nyata atau tidak digunakan uji t atau t- student. Derajat kepercayaan yang digunakan adalah 0,05, jika nilai sig < 0,05, atau t hitung > t tabel maka terdapat pengaruh variabel X terhadap variabel Y dan sebaliknya. Jika nilai sig >
0,05, atau t hitung < t tabel maka tidak terdapat pengaruh variabel X terhadap variabel Y, dengan perhitungan sebagai berikut:
Ttabel = t (α/2 ; n-k-1) Keterangan:
α = Tingkat kepercayaan n= Jumlah sampel k= Jumlah variable X 1= Ketentuan Rumus
Apabila nilai signifikan lebih kecil dari derajat kepercayaan, maka H1 diterima yang menyatakan bahwa suatu variabel independen mempengaruhi variabel dependen, (Sembiring, 2003). Dengan langkah sebagai berikut:
3.4.2. Uji F atau Uji Keseluruhan Variabel
Pengujian ini dilakukan untuk mengetahui apakah variabel independen secara bersama-sama menjelaskan variabel dependen atau dengan kata lain apakah variabel X berpengaruh terhadap variabel Y. Analisa uji F ini dilakukan dengan membandingkan F hitung dan F tabel. Untuk melihat besarnya pengaruh variabel bebas secara bersama (simultan) tes keyakinan untuk regresi secara total dilakukan
dengan uji F pada taraf kepercayaan 95% (0,05). Jika nilai sig < 0,05 atau F hitung > F tabel maka terdapat pengaruh variabel X secara simultan terhadap variabel Y, Jika nilai sig > 0,05 atau F hitung < F tabel maka tidak terdapat pengaruh variabel X secara simultan terhadap variabel Y, dengan perhitungan sebagai berikut:
F Tabel=F k n−k Keterangan:
k= Jumlah variable X n= Jumlah sampel
Adapun langkah dalam melakukan pengujian ini adalah, (Suliyanto 2011):
a. Menentukan Hipotesis
Adapun hipotesis yang dimiliki adalah:
H0 : β0 = 0, tidak terdapat pengaruh yang signifikan antara variabel faktor-faktor
komposisi umur tanaman tua (X1), struktur birokrasi (X2), komunikasi (X3), dan ketersediaan sumber daya (X4), dengan variabel y adalah realisasi kegiatan replanting atau peremajaan kelapa sawit PT. PP. London Sumatra Indonesia, Tbk, Rambong Sialang Estate.
H1 : β0 ≠ 0, terdapat pengaruh yang signifikan antara variabel faktor-faktor komposisi umur tanaman tua (X1), struktur birokrasi (X2), komunikasi (X3), dan ketersediaan sumber daya (X4), dengan variabel y adalah realisasi kegiatan replanting atau peremajaan kelapa sawit PT. PP.
London Sumatra Indonesia, Tbk, Rambong Sialang Estate.
b. Kesimpulan Hipotesis Uji F
Kesimpulan diambil berdasarkan hasil yang didapat dari tabel uji F dan hipotesis yang dimiliki, yaitu F hitung< F tabel atau p value > α maka hipotesis yang berlaku adalah hipotesis pertama (H0) yang artinya tidak terdapat pengaruh antara variabel x terhadap variabel y, jika F hitung> F tabel atau p value < α, artinya hipotesis yang berlaku adalah hipotesis kedua (H1), yang artinya terdapat pengaruh antara variabel x dan variabel y (Sembiring, 2003).
3.4.3. Uji Koefisien Determinasi (R2)
Koefisien Korelasi (R) adalah uji yang digunakan untuk mengetahui adanya hubungan yang kuat ataupun rendah antara kedua variabel berdasarkan nilai yang
digunakan dalam interprestasi koefisien korelasi, sedangkan koefisien determinasi
(R2) adalah sebuah koefisien yang digunakan untuk melihat seberapa besar variabel independen atau variabel x komposisi umur tanaman tua (X1), struktur birokrasi (X2), komunikasi (X3), dan ketersediaan sumber daya (X4), dapat menjelaskan variabel dependennya atau variabel Y yaitu realisasi kegiatan replanting atau peremajaan kelapa sawit PT. PP. London Sumatra Indonesia, Tbk, Rambong Sialang Estate.
