analisis regresi berganda & dummy variabel
TRANSCRIPT
BAB I
PENDAHULUAN
1.1 Usahatani Tebu
Kebutuhan Hidup Tanaman Tebu
Pada umumnya mahkluk hidup membutuhkan sumberdaya alam berupa air,
oksigen, karbondioksida, makanan dan sinar matahari. Kecuali karbon dioksida dan
oksigen, sumberdaya alam lainnya berada pada kondisi yang terbatas dan sering tidak
mencukupi kebutuhan, sehingga terkadang memerlukan usaha untuk mencukupi
kebutuhan tersebut dengan tindakan pengelolaan hidup. Sebagai contoh misalnya
tanaman tebu membutuhkan hara untuk mencapai pertumbuhan normalnya, namun
ketersediaan di dalam tanah tempat tanaman itu tumbuh tidak tersedia hara N yang
memadai. Pada keadaan demikian tanaman tersebut tentu tidak akan mungkin tumbuh
normal (karena defisiensi N). Untuk mencapai kondisi pertumbuhan normal, maka upaya
budidaya diperlukan yaitu dengan cara memberikan pupuk N untuk kasus kekurangan
hara N tersebut.
Sumberdaya alam selama periode pertumbuhan tebu sangat dibutuhkan. Namun
laju kebutuhan setiap fase pertumbuhan tanaman terhadap kebutuhan jenis maupun
kuantitasnya selalu tidak sama. Dengan demikian terdapat ukuran - ukuran kebutuhan
yang secara keseluruhan sangat ditentukan oleh kebutuhan biologi pertumbuhan. Sebagai
contoh, tanaman tebu memiliki 5 stadium pertumbuhan yaitu fase perkecambahan,
pertunasan, pemanjangan batang, kemasakan dan kematian, kebutuhan akan sumberdaya
air pada setiap stadium berbeda. Stadium perkecambahan sampai pemanjangan batang
dapat dikatakan menghendaki kebutuhan air yang sangat banyak. Namun pada fase
kemasakan dan bahkan kematian, kebutuhan terhadap air justru pada kondisi yang lebih
sedikit untuk mengoptimalkan pengisiaan gula dalam batang. Hal yang lain yang
berkaitan dengan kebutuhan hidup tanaman tebu adalah secara agregat setiap sumber
daya alam selalu dibutuhkan, meskipun kuantitasnya dapat berlainan antara setiap fase
pertumbuhannya.
Tidak terpenuhi salah satu atau lebih sumberdaya alam yang dibutuhkan tanaman
tebu, maka akan berakibat pada penurunan kualitas pertumbuhan maupun produktivitas
tanaman yang dihasilkan. Dalam budidaya tebu, upaya untuk memenuhi kebutuhan
1
sumberdaya alam pada saat optimal diperlukan akan memberikan hasil panen yang
maksimal.
Memaksimumkan Hasil Panen
Secara definisi telah dikemukakan di atas arti dari budidaya yang sesungguhnya
dapat disederhanakan lagi yaitu suatu upaya manusia mengoptimalkan kondisi tanaman
agar memperoleh sumberdaya alam yang dibutuhkan untuk hidupnya, sehingga dapat
dimaksimalkan perolehan produktivitas tanaman. Dengan demikian tujuan akhir dari
upaya budidaya adalah mengoptimalkan kondisi tanaman untuk memaksimumkan hasil
panen.
Budidaya merupakan prasarana untuk meningkatkan respon tanaman terhadap
input yang diberikan baik secara langsung maupun tidak langsung dalam menunjang dan
memacu proses pertumbuhan. Keberhasilan budidaya ditentukan oleh berlangsungnya
proses-proses pertumbuhan dalam setiap stadium secara normal dan berkesinambungan.
Setiap proses fase pertumbuhan harus berjalan dengan sempurna, untuk memberikan
kesempatan proses fase pertumbuhan berikutnya sehingga berjalan sempurna juga.
Gangguan pada salah satu proses fase pertumbuhan tebu, harus dipandang sebagai titik
dari mata rantai yang terlemah dan yang paling bertanggung jawab terhadap hasil panen
yang akan diperoleh. Dapat disimpulkan bahwa berdasarkan faktor pembatas yang paling
menentukan terhadap perolehan hasil tanaman, maka upaya dari budidaya sesungguhnya
untuk mengeleminir sekecil mungkin kekurangan ketersedian sumber daya alam yang
dibutuhkan setiap fase pertumbuhan guna memaksimumkan hasil panen yang akan
diperoleh.
Landasan Pola Budidaya Tebu
Budidaya tebu yang paling sesuai adalah budidaya tebu yang menyesuaikan
dengan kondisi agroklimat, yaitu iklim, kesuburan tanah dan tofografi. Selain itu,
keberhasilan budidaya tebu ditentukan pula oleh penggunaan sarana pendukung seperti
tenaga kerja dan penggunaan peralatan yang akan menunjang pengelolaan pertanian
berkelanjutan. Lebih spesifik lagi, keberhasilan penyesuaian budidaya tebu ditentukan
oleh kesesuaian tebu terhadap kondisi iklim, kesesuaian tebu terhadap kesuburan tanah,
kesesuaian pengelolaan tebu dengan tofografi, kesesuaian pengelolaan tebu berdasarkan
keterbatasan tenaga, sehingga mengharuskan penerapan peralatan mekanisasi dan
kesesuaian tebu menuju pertanian berkelanjutan.
2
Kesesuaian Tebu Terhadap Iklim
Budidaya tebu harus mengupayakan kebutuhan tebu terhadap variabel iklim,
khususnya terhadap ketersediaan air, baik dalam mengatur kecukupan air maupun
mengurangi ketersediaannya. Dalam budidaya, singkronisasi kebutuhan pertumbuhan
tebu dengan kebutuhan SDA iklim, seperti mengatur masa tanam yang baik untuk
mendapatkan kebutuhan air optimal pada fase pertumbuhan awal dan ditebang pada
periode musim kemarau. Berdasarkan kebutuhan air pada setiap fase pertumbuhannya,
curah hujan bulanan ideal untuk pertanaman tebu adalah 200 mm / bulan pada 5-6 bulan
berturut - turut, 125 mm/bulan pada 2 bulan transisi dan kurang 75 mm / bulan pada 4 - 5
bulan berturut-turut. Menurut tipe iklim Oldeman, zona yang terbaik untuk tanaman tebu
adalah tipe iklim C2 dan C3. Dalam pengembangannya ke lahan kering selain kedua tipe
iklim tersebut ada beberapa lahan dengan tipe iklim yang dapat diusahakan untuk tebu
dengan masukan-masukan teknologi adalah B2, C2, C3, D2, E3. Lahan yang dapat
dikembangkan untuk pertumbuhan tebu dengan tanah cukup ringan dan berdrainase baik
B1, C1, D1 dan E1.
Kesesuaian Tebu Terhadap Kesuburan Tanah
Kesuburan tanah menentukan keberhasilan budidaya tebu, menyangkut aspek
faktor pembatas fisik dan kimia tanah. Sifat fisik tanah yang menonjol adalah drainase /
permeabilitas, tekstur dan ruang pori. Sedangkan sifat kimia tanah adalah kadar bahan
organik, pH, ketersediaan hara esensial dan KTK tanah. Tekstur tanah yang sesuai bagi
tanaman tebu berdasarkan sifat olah tanah adalah sedang sampai berat atau menurut
klasifikasi tekstur tanah (Buckman and Brady, 1960) adalah lempung, lempung berpasir,
lempung berdebu, liat berpasir, liat berlempung, liat berdebu dan liat atau yang tergolong
bertekstur agak kasar sampai halus. Kemasaman tanah (pH) yang terbaik untuk tanaman
tebu adalah pada kisaran 6,0 – 7,0 namun masih dapat tumbuh pada kisaran pH 4,5 - 7,5.
Kesuburan tanah (status hara), berdasarkan hasil penelitian P3GI untuk menentukan
kesesuaian lahan bagi tanaman tebu dengan kriteria N total > 1,5, P2O5 tersedia > 75
ppm, K2O tersedia > 150 ppm dan kejenuhan Al <> 4 bulan, masa tanam yang optimal
pada akhir musim kemarau sampai awal musim hujan yaitu pertengahan Oktober sampai
dengan masa tanam juga dapat pada akhir musim hujan sampai awal musim kemarau
(pola II) dengan kondisi tanah ringan, ngompol dapat diolah sepanjang musim. Pada
daerah basah (bulan kering ≤ 2 bulan) masa tanam tebu terbaik pada awal musim
kemarau.
3
a. Mencukupi Kebutuhan Hara Tanaman
Ketersediaan hara dalam tanah sesuai dengan kebutuhan tanaman pada masing-
masing fase pertumbuhannya sangat ditentukan oleh kondisi lahan dan ketepatan
pemupukan. Dalam pemupukan perlu diperhatikan efektivitas dan efisiensi.
b. Pengendalian Jasad Pengganggu
Prinsip pengendalian jasad pengganggu (gulma, hama dan penyakit) adalah
memastikan bahwa input dan tanaman tebu tidak “termakan” oleh jasad pengganggu
yaitu pengendalian secara preventif.
c. Panen Tebu Masak (M), Bersih (B) Dan Segar (S)
Dalam pengusahaan tanaman tebu, upaya budidaya yang ditunjukkan untuk
meningkatkan bobot tebu dan rendemen yang tinggi pada akhirnya banyak ditentukan
oleh sejumlah mana tebu tersebut ditebang dan digiling dalam keadaan Masak, Bersih
dan Segar (MBS). Untuk menciptakan panen MBS banyak berkaitan dengan aspek -
aspek manajerial dan koordinasi, baik diintern Pabrik Gula (antara Bagian Tanaman,
Tebang Angkut dan Pabrik) maupun koordinasi PG dengan Petani.
Pemantauan Pertumbuhan Tanaman
Pemantauan perrtumbuhan tanaman yang bertujuan untuk mengetahui dampak
dari tindakan - tindakan budidaya yang dilakukan. Pemantauan pertumbuhan tanaman
dapat dilakukan dengan pengetahuan pertumbuhan setiap fase dan faktor - faktor yang
mempengaruhi dan dinamika populasi. Dengan membandingkan antara jumlah populasi
atau pertumbuhan suatu saat pada suatu kebun dengan standar pertumbuhan / dinamika
populasi normal serta dihubungkan dengan fase pertumbuhan saat pemantauan, sehingga
dapat ditentukan tumbuh normal atau tidak serta antisipasi / tindakan yang diperlukan.
Konsistensi Pengelolaan Tanaman
Agar dapat diperoleh hasil gula yang optimal diperlukan konsistensi pengelolaan
yang prima sejak pembukaan lahan sampai tebu dipanen dan digiling, mengingat kualitas
suatu fase pertumbuhan menentukan pertumbuhan berikutnya dan kualitas bahan baku
akan menentukan sejauh mana potensi gula yang ada di batang dapat dijadikan gula
kristal yang diharapkan. Salah satu yang harus diwaspadai adalah ketidak konsistenan
pada saat panen, tebu yang ditanam dan dipelihara dengan baik hasil gulanya kurang
menggembirakan karena kehilangan gula yang cukup besar saat panen akibat mutu
tebang dan angkut kurang baik.
4
1.2 Tujuan Praktikum
1. Mahasiswa mampu mengetahuai, memahami serta mengaplikasikan model double
logaritma dan dummy independet variabel
2. Mahasiswa mampu menggunakan model double logaritma dan dummy independent
variabel pada suatu kasus permasalahan Komoditas Tebu
3. Mahasiswa mampu mengintepretasikan suatu hasil analisis software SPSS mengenai
model duble logaritma dan dummy independent variabel
5
BAB II
METODE
2.1 Ekonometrik Teori Tentang Linier
Persamaan regresi adalah persamaan matematik yang memungkinkan peramalan
nilai suatu peubah tak bebas (dependent variabel) dari nilai peubah bebas (independent
variabel). Analisis regresi merupakan suatu metode yang digunakan untuk menganalisis
hubungan antar variabel. Hubungan tersebut dapat digambarkan dalam bentuk persamaan
yang menghubungkan variabel terikat Y dengan satu atau lebih variabel bebas
X1,X2,...,Xn. Jika hanya terdapat satu variabel bebas, maka model yang diperoleh disebut
model regresi linier sederhana, sedangkan jika variabel bebas bebas yang digunakan
lebih dari satu, model yang diperoleh disebut model regresi linier ganda.
Model regresi linier sederhana dituliskan sebagai berikut:
Yi = β1 +β2Xi + ui ; i = 1,2,....,N
Dimana N merupakan banyaknya observasi
2.2 Double logaritma
Model tidak linier mempunyai berbagai macam bentuk fungsionl. Untuk yang
pertama akan dipelajari suatu model yang disebut model log-log. Pada prinsipnya model
ini merupakanhasil transformasi dari suatu model tidak linier menjadi model linier,
dengan jalan membuat model dalam bentuk logaritma. Untuk memudahkan pemahaman,
proses transformasi tidak dijabarkan dengan pendekatan teori statistik matematik, tetapi
akan digunakan pendekatan empiris, dengan memanfaatkan contoh model yang ada
dalam memanfaatkan contoh model yang ada dalam teori ekonomi.
Menurut suatu teori ekonomi, hubungan antara kuantitas yang diminta dan harga
suatu komoditas mempunyai bentuk sebagai berikut ;
Y = β1Xβ2eu
Dimana :
Y : kuantitas (Variabel endogenous)
X : harga (variabel exogenous)
6
β1, β2 : parameter-parameter
u : error/sesatan
Dari bentuk modelnya sudah dapat dipastikan bahwa model tersebut bukanlah
merupakan model regresi linier. Model tersebut merupakan model yang tidak linier baik
variabel maupun parameternya. Akan tetapi, model tersebut dapat ditransformasikan
sehingga parameternya berbetuk linier dengan tujuan agar teori-teori yang dibahas pada
bab sebelumnya dapat digunakan, dari cara mengestimasi koefisien regresi, sampai
dengan cara mengintepretasikan model yang didapat. Sebagaimana yang telah dijelaskan
diatas bahwa model log-log merupakan hasil transformasi ke dalam bentuk logaritma,
maka model tersebut diatas harus ditransformasikan ke dalam bentuk logaritma pula.
Hasil dari transformasi tersebut dapat dilihat sebagai berikut:
lnY = Ln β1 + β2 LnX + u
apabila variabel-variabel tersebut didefinisikan kembali, maka diperoleh model
sebagai berikut:
Y* = β1* + β2 * X* + u*
Dengan ,
Y* : lnY
β1* : ln β1
β2 * : β2
X* : lnX
u* : u
Terlihat bahwa model yang baru didefiniskan ini sesungguhnya merupakan model
regresi linier dengan variabel dan parameter yang berbentuk linier. Dengan demikian β1*
dan β2* dapat ditaksir dengan menggunakan metode yang digunakan untuk mengestimasi
parameter regresi sederhana, yaitu OLS (Ordinary Least Square). Salah stau hal yang
menarik dari model log-log dalam aplikasinya adalah slope β2 dalam model lnY = Ln β1
+ β2 LnX + u menyatakan ukuran elastisitas Y terhadap X, yaitu ukuran persentasi
perubahan dalam Y bila diketahui perubahan persentasi X. Dengan perkataan lain, bila Y
7
menyatakan kuantitas yang diminta dan X menyatakan harga komoditas per unit, maka
β2 menyatakan elastisitas harga dari permintaan.
Hal lain yang dapat diperhatikan dalam model log-log adalah koefisien elastisitas
antara Y dan X selalu konstan. Artinya, bila ln X berubah 1 unit, perubahan ln Y akan
selalu sama meskipun elastisitas tersebut diukur pada ln X yang mana saja. Oleh karena
itu, model ini disebut juga model elastisitas konstan.
2.3 Dummy Independent Variabel
Variabel dummy disebut juga variabel indikator, biner, kategorik, kualitatif, boneka,
atau variabel dikotomi. Suatu persamaan regresi dapat dapat hanya menggunakan
variabel kategorik sebagai variabel bebas, tetapi dapat pula disertai oleh variabel bebas
lain yang numerik. Regresi dengan variabel bebasnya hanya variabel dummy atau yang
sifatnya kualitatif disebut Analysis of Variance (ANOVA). Dalam ekonometrik,
seringkali kita menjumpai suatu model yang regressornya terdiri dari variabel kuantitatif
dan kualitatif. Regresi yang regressornya merupakan campuran antara variabel kuantitatif
dan variabel kualitatif disebut model Analysis of Covariance (ANCOVA). Variabel
dummy memiliki nilai 1 atau 0, dan dapat mempengaruhi besaran intersep (dummy
intersep), koefisien slope (dummy slope) maupun mempengaruhi kedua-duanya.
Skala Nominal yang diberi label 0, 1 atau 2 dikenal sebagai Dummy Variable
(Variabel Rekayasa). Misalnya :Pemberian label 1 untuk laki – laki dan 2 untuk
perempuan tidak mempunyai arti kuantitatif (tidak mempunyai nilai / hanya kode).
Dengan demikian, perempuan tidak dapat dikatakan 1 lebih banyak dari laki – laki.
Pemberian label tersebut dimaksudkan untuk mengubah kategori huruf (Alfabet) menjadi
kategori Angka (Numerik), sehingga memudahkan analisis data. (Cara ini dijumpai
dalam Uji Q Cochran pada Pengujian Hipotesis).
Di dalam metodologi penelitian dikenal ada sebuah variabel yang disebut dengan
dummy variable. Variabel ini bukan jenis lain dari variabel dependen-independen, namun
menunjukkan sebuah variabel yang nilainya telah ditentukan oleh peneliti. Donald
Cooper dan Pamela Schindler (2000) mendefinisikan dummy variable sebagai sebuah
variabel nominal yang digunakan di dalam regresi berganda dan diberi kode 0 dan 1.
Nilai 0 biasanya menunjukkan kelompok yang tidak mendapat sebuah perlakuan dan 1
menunjukkan kelompok yang mendapat perlakuan. Dalam regresi berganda, aplikasinya
8
bisa berupa perbedaan jenis kelamin (1 = laki-laki, 0 = perempuan), ras (1 = kulit putih, 0
= kulit berwarna), pendidikan (1 = sarjana, 0 = non-sarjana).
I. Y = 0 + 1 X1 + 2X2 + 3D (Model Dummy Intersep)
II Y= 0 + 1 X1 + 2X2 + 3D1X3 (Model Dummy Slope)
III. Y= 0 + 1 X1 + 2D1+ 3D1 X1 (Kombinasi)
Model Dummy Intersep
Persamaannya: Y = 0 + 1 X1 + 2X2 + 3D
Cara Menguji Regresi Berganda Model Dummy Intersep Dengan SPSS
- Setelah diperoleh model persamaan regresinya, masukan nilai Di=0 dan Di=1 dalam
persamaan tersebut, hitung dan analisa.
- Setelah diperoleh hasil, maka pertimbangkan syarat-syarat suatu model dikatakan
sebagai model yang baik, yaitu:
a. R Square adj memiliki nilai yang tinggi.
b. Adanya pertimbangan ekonomi yang rasional.
- Intrepetasikan hasilnya (t hitung, F hitung, R hitung).
Dalam memasukan ke dalam kelompok variabel dependen atau independen. Yang perlu
diperhatikan adalah dalam variabel dummy intersep yang termasuk dalam kelompok
variabel independen adalah Bibit, Za, Tenaga Kerja dan Di.
9
Buka SPSS, copy data dari Excel ke
Data View
Buka Variabel View, ganti nama variabel
sesuai dengan keterangan pada exel
Kembali ke Data View, pilih analize,
regression, linier
Pindah (bbt)X1, (ZA) X2, (TK) X3 dan D1 ke
kolom independent dan Y (produksi) ke kolom independent kemudian pilih OK
Output SPSS (Hasil) kemudian
diinterpretasi dan buat persamaan
regresinya
Model Dummy Slope
Persamaannya: Y= 0 + 1 X1 + 2X2 + 3D1X3 . Model Dummy Slope digunakan untuk
mengetahui perubahan yang terjadi dalam slope. Cara menguji regresi berganda model
dummy slope dengan SPSS adalah sebagai berikut:
- untuk masing-masing variabel bebas yang mempengaruhi variabel terikat, perhatikan
model persamaannya.
- sebelum menganalisis dengan menggunakan SPSS (Analisa Regresi), perhatikan
terlebih dahulu faktor yang mempengaruhi variabel dependen atau terikatnya. Dalam
perhitungan ini, variabel yang mempengaruhi produksi yaitu tenaga kerja dan bibit.
Maka dalam persamaan regresi nantinya ditentukan terlebih dahulu nilai masing-masing
variabel independen atau bebas yang mempengaruhi variabel dependennya. Untuk
variabel terikat yang dipengaruhi oleh Tenaga Kerja, maka dalam data yang awalnya
hanya menunjukan Di saja, diubah dengan DiTk, yaitu hasil perkalian antara Di dengan
tenaga kerja. Sama halnya dengan variabel terikat yang dipengaruhi oleh Bibit. Maka
pada datanya nanti diubah menjadi DiBt yaitu hasil perkalian antara Di dengan Bibit.
Dalam memasukan ke dalam kelompok variabel dependen atau independen. Yang perlu
diperhatikan adalah:
10
Buka SPSS, copy data dari Excel ke Data View
Buka Variabel View, ganti nama variabel
sesuai dengan keterangan pada exel
Kembali ke Data View, pilih analize,
regression, linier
Pindah X1, X2, D1X1, dan D1X2 ke kolom dependent dan Y ke kolom independent kemudian pilih OK
Output SPSS (Hasil) kemudian
diinterpretasi
Dalam variabel dummy slope dengan asusmi produksi dipengaruhi tenaga kerja yang
termasuk dalam kelompok variabel independen adalah Bibit, Za, Tenaga Kerja dan DiTk.
Dalam variabel dummy slope dengan asumsi produksi dipengaruhi bibit yang
termasuk dalam kelompok variabel independen adalah Bibit, Za, Tenaga Kerja dan DiBt.
Dalam model Dummy slope ini terdapat 3 asumsi:
1. Y = 0 + 1 X1 + 2X2 + 3X3 +B4X1D1 Dummy mempengaruhi bibit
2. Y= 0 + 1 X1 + 2X2 + 3X3+ B4X3D1 Dummy mempengaruhi Tenaga Kerja
3. Y= 0 + 1 X1 + 2X2 + 3X3+ B4X1D1+ B5X3D1 Dummy mempengaruhi Bibit dan
Tenaga Kerja
11
BAB III
HASIL DAN PEMBAHASAN
3.1 Data
Tabel 1. Besarnya Produksi Tebu berdasarkan variabel yang mempengaruhi
No.Bibit (Kw) ZA (Kw) TK (HKSP) Di (1=kelompok, 0=tidak) Produksi
Bibit ZA TK Di Prod
1 33,33 8,33 121,00 0 500
2 150,00 21,13 287,00 1 1600
3 140,85 21,13 278,87 1 1972
4 150,00 35,21 220,69 1 1750
5 24,00 13,79 140,80 0 1080
6 83,33 13,16 220,69 0 1096
7 49,12 7,02 170,18 0 789
8 69,44 16,67 194,44 0 903
9 60,00 15,52 124,00 0 900
10 103,45 15,52 155,17 0 966
11 130,00 31,50 210,50 1 2050
12 103,45 11,11 137,93 0 1034
13 172,41 30,23 186,21 0 1207
14 72,09 9,30 127,91 0 837
15 34,97 13,99 162,24 0 734
16 83,33 11,11 252,78 0 972
17 15,00 17,00 196,50 0 850
18 32,17 12,59 155,24 0 699
19 60,00 24,14 210,50 1 1750
20 22,35 11,17 173,74 0 740
21 45,00 11,11 150,00 0 900
22 52,63 7,89 145,00 0 614
23 140,85 7,04 160,56 0 1197
24 117,19 15,63 150,00 0 1172
25 31,01 15,50 126,36 0 620
26 140,00 12,00 290,14 1 1100
27 41,96 16,78 184,62 1 979
28 50,88 16,78 126,32 0 1053
29 92,98 14,04 156,14 0 1140
30 169,01 7,04 210,50 0 1127
31 62,00 16,00 178,00 1 1300
32 172,41 21,01 258,62 0 1207
33 327,59 34,48 424,14 1 1552
34 120,69 17,24 290,14 0 1379
35 62,50 23,44 210,50 1 1328
12
36 190,00 20,69 172,00 0 1200
37 244,76 34,97 367,61 1 2937
38 186,05 35,21 290,14 1 1860
39 183,10 35,21 290,14 1 2113
40 106,90 24,14 220,69 1 1655
41 42,02 21,01 220,69 1 1541
42 155,17 20,69 220,69 1 1379
43 139,53 30,23 210,50 0 1512
44 224,14 24,14 290,14 1 1552
45 105,26 24,14 290,14 1 2368
46 23,33 12,50 182,00 0 1133
47 85,00 17,00 168,00 1 950
48 204,23 21,13 220,69 1 2254
49 104,65 35,21 351,16 1 1593
50 209,30 13,95 195,35 0 1163
51 138,89 8,33 255,56 0 917
52 211,27 35,21 340,85 1 2394
53 320,69 24,14 220,69 1 2069
54 315,00 21,13 240,35 1 2750
3.2 Intepretasi Hasil SPSS
Dalam mengintepretasi hasil SPSS terhadap variabel-variabel yang mempengaruhi
ada beberapa hal yang perlu dilihat, antara lain :
1. Adjusted R Square yang lebih Tinggi
2. Nilai F yang lebih Tinggi
3. Logika Ekonomi
Dari hasil SPSS yang dapat dilihat pada bagian lampiran, dihasilkan nilai Adjusted
R Square dan Nilai F sebagai berikut:
Tabel 2. Nilai R Square dan Nilai F Dummy Intersep
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .854a .730 .708 298.95383
a. Predictors: (Constant), Di, Bibit, ZA, TK
13
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.182E7 4 2955361.754 33.068 .000a
Residual 4379296.188 49 89373.392
Total 1.620E7 53
a. Predictors: (Constant), Di, Bibit, ZA, TK
b. Dependent Variable: Prod
Tabel 3. Nilai Adjusted R Square dan Nilai F dari Dummy Slope ZA
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .854a .730 .708 298.90670
a. Predictors: (Constant), DiZA, Bibit, TK, ZA
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.182E7 4 2955706.879 33.082 .000a
Residual 4377915.686 49 89345.218
Total 1.620E7 53
a. Predictors: (Constant), DiZA, Bibit, TK, ZA
b. Dependent Variable: Prod
Tabel 4. Nilai Adjusted R dan Nilai F dari Dummy Slope Tenaga Kerja
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .847a .718 .694 305.60287
a. Predictors: (Constant), DiTK, Bibit, ZA, TK
14
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.162E7 4 2906120.140 31.117 .000a
Residual 4576262.644 49 93393.115
Total 1.620E7 53
a. Predictors: (Constant), DiTK, Bibit, ZA, TK
b. Dependent Variable: Prod
Tabel 5. Nilai Adjusted R Square dan Nilai F dari Dummy Slope Bibit
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .845a .714 .690 307.63937
a. Predictors: (Constant), DiBBT, ZA, TK, Bibit
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.156E7 4 2890821.506 30.545 .000a
Residual 4637457.181 49 94641.983
Total 1.620E7 53
a. Predictors: (Constant), DiBBT, ZA, TK, Bibit
b. Dependent Variable: Prod
Tabel 6. Daftar Nilai Adjusted R Square dan Nilai F dari beberapa Uji Variabel SPSS
Uji Variabel Adjusted R Square Nilai F
Dummy Intersep 0,708 33,058
Dummy Slope Bibit 0,690 30,545
Dummy Slope ZA 0,708 33,082
Dummy Slope Tenaga Kerja 0,694 31,117
15
Dari tabel 2 diatas, kita dapat melihat nilai Adjusted R Square yang tertinggi secara
runtut ialah ;
1. Dummy Intersep dan Dummy Slope ZA adalah 0,708
2. Dummy Slope Tenaga Kerja adalah 0,694
3. Dummy Slope Bibit adalah 0,690
Sedangkan, untuk nilai F yang tertinggi secara runtut ialah ;
1. Dummy Slope ZA adalah 33,082
2. Dummy Intersep adalah 33,058
3. Dummy Slope Tenaga kerja adalah 31,117
4. Dummy Slope Bibit adalah 30,545
Setelah menemukan nilai tertinggi Adjusted R Square dan nilai F secara runtut,
selanjutnya kita melihat syarat ke 3 yaitu Logika Ekonomi dengan melihat nilai
koefisiennya.
1. Dummy Slope ZA
Tabel 7. Nilai Koefisien dari Dummy Slope ZA
16
Coefficientsa
Model
Unstandardized
Coefficients
Standardi
zed
Coefficien
ts
t Sig.B
Std.
Error Beta
1 (Const
ant)
635.585 178.535 3.56
0
.001
Bibit 2.547 .686 .360 3.71
1
.001
ZA 9.868 8.584 .153 1.15
0
.256
TK -.024 .951 -.003 -.02
5
.980
DiZA 19.481 5.606 .480 3.47
5
.001
a. Dependent Variable: Prod
Berdasarkan tabel diatas dapat dilihat nilai koefisiensinya pada masing-masing
variabel. Pada tabel diatas terdapat nilai negative (-) pada variabel Tenaga Kerja.
Sehingga secara logika ekonomi ini tidak mungkin terjadi, dimana ketika terdapat
petani yang masuk dalam kelompok tani justru mengalami penurunan tenaga kerjanya.
17
2. Dummy Intersep
Tabel 8. Nilai Koefisien dari Dummy Intersep
Coefficientsa
Model
Unstandardized
Coefficients
Standardi
zed
Coefficien
ts
t Sig.B
Std.
Error Beta
1 (Const
ant)
459.997 151.605 3.03
4
.004
Bibit 2.483 .686 .351 3.61
8
.001
ZA 18.758 7.192 .290 2.60
8
.012
TK .240 .928 .030 .259 .797
Di 396.478 114.175 .360 3.47
3
.001
a. Dependent Variable: Prod
Untuk mengetahui rasional atau tidaknya nilai diatas perlu dilakukan pengujian dengan
menggunakan rumus, sebagai berikut:
Y = α + β1X1 + β2X2 + β3X3 + β4 Di
Y = 459.997 + 2,483 X1 + 18,758 X2 + 0,240 X3 + 396,478 Di
Jika, petani tidak mengikuti kelompok tani maka Di = 0
Y = 459.997 + 2,483 X1 + 18,758 X2 + 0,240 X3 + 396,478 Di
Y = 459.997 + 2,483 X1 + 18,758 X2 + 0,240 X3 + 396,478 (0)
Y = 459.997 + 2,483 X1 + 18,758 X2 + 0,240 X3
Jika, petani mengikuti kelompok tani maka Di = 1
Y = 459.997 + 2,483 X1 + 18,758 X2 + 0,240 X3 + 396,478 Di
18
Y = 459.997 + 2,483 X1 + 18,758 X2 + 0,240 X3 + 396,478 (1)
Y = 459.997 + 2,483 X1 + 18,758 X2 + 0,240 X3
Y = 856,475 + 2,483 X1 + 18,758 X2 + 0,240 X3
Dari nilai intersep diatas memiliki nilai yang berbeda, hal ini dapat diintepretasikan
bahwa kenaikan Y (produksi) sebesar 100%. Dan secara logika ekonomi hal ini tidak
rasional.
3. Dummy Slope Tenaga Kerja
Tabel 9. Nilai Koefisien dari Dummy Slope Tenaga Kerja
Coefficientsa
Model
Unstandardized
Coefficients
Standardi
zed
Coefficien
ts
t Sig.B
Std.
Error Beta
1 (Const
ant)
619.971 187.258 3.31
1
.002
Bibit 2.473 .702 .349 3.52
4
.001
ZA 18.963 7.465 .293 2.54
0
.014
TK -.600 1.072 -.074 -.55
9
.578
DiTK 1.673 .545 .415 3.07
1
.003
a.Dependent Variable: Prod
Berdasarkan tabel diatas dapat dilihat nilai koefisiensinya pada masing-masing variabel
pada dummy slope Tenaga Kerja. Pada tabel diatas terdapat nilai negative (-) pada
variabel Tenaga Kerja. Sehingga secara logika ekonomi, ini tidak mungkin terjadi
karena ketika petani masuk dalam kelompok tani justru mengalami penurunan dalam
hal tenaga kerjanya.
19
4.Dummy Slope Bibit
Tabel 10. Nilai Koefisien dari Dummy Slope Bibit
Coefficientsa
Model
Unstandardized
Coefficients
Standardi
zed
Coefficien
ts
t Sig.B
Std.
Error Beta
1 (Const
ant)
527.775 172.069 3.06
7
.004
Bibit .988 .873 .140 1.13
2
.263
ZA 22.637 7.082 .350 3.19
6
.002
TK .462 .945 .057 .488 .627
DiBBT 2.361 .802 .412 2.94
3
.005
a. Dependent Variable: Prod
Y = α + β1X1 + β2X2 + β3X3 + β4 Di X1
Y = 527,775 + 0,988 X1 + 22,637 X2 + 0,462 X3 + 2,361 Di X1
Jika, petani tidak mengikuti kelompok tani maka Di = 0
Y = 527,775 + 0,988 X1 + 22,637 X2 + 0,462 X3 + 2,361 Di X1
Y = 527,775 + 0,988 X1 + 22,637 X2 + 0,462 X3 + 2,361 (0) X1
Y = 527,775 + 0,988 X1 + 22,637 X2 + 0,462 X3 + 2,361 (0) X1
Y = 527,775 + 0,988 X1 + 22,637 X2 + 0,462 X3
Jika, petani mengikuti kelompok tani maka Di = 1
Y = 527,775 + 0,988 X1 + 22,637 X2 + 0,462 X3 + 2,361 Di X1
Y = 527,775 + 0,988 X1 + 22,637 X2 + 0,462 X3 + 2,361 (1) X1
20
Y = 527,775 + 0,988 X1 + 22,637 X2 + 0,462 X3 + 2,361 (1) X1
Y = 527,775 + 3,349 X1 + 22,637 X2 + 0,462 X3
Dari dua persamaan diatas diperoleh nilai koefisien variabel bibit yang berbeda dan ini
mempengaruhi slopenya. Dengan ini dapat diintepretasikan bahwa pengaruh variabel
bibit terhadap Produksi ialah “apabila terjadi kenaikan pada variabel X1 (bibit) sebesar 1
maka akan memepengaruhi nilai Y sebesar 3,349.
21
BAB IV
KESIMPULAN
Regresi merupakan persamaan matematik yang memungkinkan peramalan nilai suatu peubah tak bebas (dependent variable) dari nilai peubah bebas (independent variable).
Variabel Dummy adalah variabel yang merepresentasikan kuantifikasi dari variabel kualitatif.
Macam model regresi dummy variabel:I. Y = a + bX + c D1 (Model Dummy Intersep)
II. Y = a + bX + c (D1X) (Model Dummy Slope)
III. Y = a + bX + c (D1X) + d D1 (Kombinasi)
Dummy Slope ZA
Terdapat nilai negative (-) pada variabel Tenaga Kerja. Sehingga secara logika
ekonomi ini tidak mungkin terjadi, dimana ketika terdapat petani yang masuk dalam
kelompok tani justru mengalami penurunan tenaga kerjanya.
Dummy Intersep
Dari nilai intersep diatas memiliki nilai yang berbeda, hal ini dapat diintepretasikan
bahwa kenaikan Y (produksi) sebesar 100%. Dan secara logika ekonomi hal ini tidak
rasional.
Dummy Slope Tenaga Kerja
Nilai koefisiensinya pada masing-masing variabel pada dummy slope Tenaga Kerja.
Pada tabel diatas terdapat nilai negative (-) pada variabel Tenaga Kerja. Sehingga
secara logika ekonomi, ini tidak mungkin terjadi karena ketika petani masuk dalam
kelompok tani justru mengalami penurunan dalam hal tenaga kerjanya.
Dummy Slope Bibit
Nilai koefisien variabel bibit yang berbeda dan ini mempengaruhi slopenya. Dengan
ini dapat diintepretasikan bahwa pengaruh variabel bibit terhadap Produksi ialah
“apabila terjadi kenaikan pada variabel X1 (bibit) sebesar 1 maka akan
memepengaruhi nilai Y sebesar 3,349.
22
DAFTAR PUSTAKA
Anonymous.2011.http://katapekanini.blogspot.com. Diakses pada tanggal 7 April 2011
Anonymous. 2011. http://Litbang.go.id. Tebu. Diakses pada tanggal 1 April 2011
Djalal, Nachrowi dkk. 2002. Penggunaan Teknik Ekonometri Pendekatan Populer dan Praktis
Dilengkapi Teknik Analisis dan Pengolahan data dengan Menggunakan Paket
Program SPSS. Jakarta : PT. RajaGrafindo Persada
Lains, Alfian. 2002. Ekonometrika Teori dan Aplikasi Jilid I. Jakarat : Pustaka LP3ES
Indonesia
23
LAMPIRAN
Dummy Intersep
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .854a .730 .708 298.95383
a. Predictors: (Constant), Di, Bibit, ZA, TK
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.182E7 4 2955361.754 33.068 .000a
Residual 4379296.188 49 89373.392
Total 1.620E7 53
a. Predictors: (Constant), Di, Bibit, ZA, TK
b. Dependent Variable: Prod
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 459.997 151.605 3.034 .004
Bibit 2.483 .686 .351 3.618 .001
ZA 18.758 7.192 .290 2.608 .012
TK .240 .928 .030 .259 .797
Di 396.478 114.175 .360 3.473 .001
a. Dependent Variable: Prod
24
Dummy Slope Bibit
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .845a .714 .690 307.63937
a. Predictors: (Constant), DiBBT, ZA, TK, Bibit
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.156E7 4 2890821.506 30.545 .000a
Residual 4637457.181 49 94641.983
Total 1.620E7 53
a. Predictors: (Constant), DiBBT, ZA, TK, Bibit
b. Dependent Variable: Prod
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 527.775 172.069 3.067 .004
Bibit .988 .873 .140 1.132 .263
ZA 22.637 7.082 .350 3.196 .002
TK .462 .945 .057 .488 .627
DiBBT 2.361 .802 .412 2.943 .005
a. Dependent Variable: Prod
25
Dummy Slope ZA
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .854a .730 .708 298.90670
a. Predictors: (Constant), DiZA, Bibit, TK, ZA
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.182E7 4 2955706.879 33.082 .000a
Residual 4377915.686 49 89345.218
Total 1.620E7 53
a. Predictors: (Constant), DiZA, Bibit, TK, ZA
b. Dependent Variable: Prod
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 635.585 178.535 3.560 .001
Bibit 2.547 .686 .360 3.711 .001
ZA 9.868 8.584 .153 1.150 .256
TK -.024 .951 -.003 -.025 .980
DiZA 19.481 5.606 .480 3.475 .001
a. Dependent Variable: Prod
26
Dummy Slope Tenaga Kerja
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .847a .718 .694 305.60287
a. Predictors: (Constant), DiTK, Bibit, ZA, TK
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.162E7 4 2906120.140 31.117 .000a
Residual 4576262.644 49 93393.115
Total 1.620E7 53
a. Predictors: (Constant), DiTK, Bibit, ZA, TK
b. Dependent Variable: Prod
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 619.971 187.258 3.311 .002
Bibit 2.473 .702 .349 3.524 .001
ZA 18.963 7.465 .293 2.540 .014
TK -.600 1.072 -.074 -.559 .578
DiTK 1.673 .545 .415 3.071 .003
a. Dependent Variable: Prod
27