FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI KELAPA SAWIT …pustaka.unp.ac.id/file/abstrak_kki/abstrak_TA/2... · FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI KELAPA ... mempengaruhi produksi

FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI KELAPA

SAWIT DI DESA PINANG MERAH KABUPATEN MERANGIN

PROVINSI JAMBI MENGGUNAKAN ANALISIS

REGRESI LINIER BERGANDA

TUGAS AKHIR

Untuk Memenuhi Sebagian Persyaratan Memperoleh Gelar Ahli Madya

Oleh:

NORA SINAGA

12903/2009

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI PADANG

2012

i

ABSTRAK

Nora Sinaga : Faktor-Faktor yang Mempengaruhi Produksi Kelapa Sawit di

Desa Pinang Merah Kabupaten Merangin Provinsi Jambi

Menggunakan Analisis Regresi Linier Berganda.

Desa Pinang Merah merupakan salah satu desa di Kecamatan Pamenang

Barat Kabupaten Merangin Provinsi Jambi yang perekonomian masyarakatnya

bertumpu pada sub pertanian yaitu perkebunan kelapa sawit. Namun masyarakat

belum memiliki informasi yang cukup mengenai faktor-faktor yang

mempengaruhi produksi kelapa sawit seperti jumlah pupuk, jumlah tenaga kerja,

jumlah bibit per hektar, dan jarak pupuk ke batang sehingga menyebabkan kurang

produktifnya hasil kelapa sawit yang didapatkan masyarakat yaitu sekitar 19,2

ton/ha/tahun pada tahun 2011 yang seharusnya diperoleh sekitar 26 hingga 31

ton/ha/tahun. Berdasarkan permasalahan di atas, maka perumusan masalah dalam

penelitian ini adalah faktor-faktor apa saja yang mempengaruhi produksi kelapa

sawit di Desa Pinang Merah Kabupaten Merangin Provinsi Jambi. Tujuan

penelitian ini adalah mengetahui apa model regresi linier berganda dan faktor-

faktor yang mempengaruhi produksi kelapa sawit di Desa Pinang Merah.

Data yang digunakan dalam penelitian ini adalah data primer yaitu kuesioner

yang diisi oleh petani kelapa sawit di Desa Pinang Merah sebagai responden. Data

yang diperoleh, dideskripsikan setelah dilakukan penerapan dari analisis regresi

linier berganda.

Berdasarkan hasil penelitian diperoleh model dari faktor-faktor yang

mempengaruhi produksi kelapa sawit di Desa Pinang Merah Kabupaten Merangin

Provinsi Jambi dengan menggunakan analisis regresi linier berganda adalah :

Ŷ = 1134 + 0,631X1 + 24,7X2 – 3,27X3 + 2,71 X4.

Dengan demikian faktor yang memiliki pengaruh terhadap produksi kelapa sawit

di Desa Pinang Merah adalah jumlah pupuk (X1), jumlah tenaga kerja (X2),

jumlah bibit per hektar (X3), dan jarak pupuk ke batang (X4).

ii

KATA PENGANTAR

Puji dan syukur penulis ucapkan kepada Tuhan Yang Maha Kuasa atas segala

berkat dan limpahan karunia-Nya sehingga penulis dapat menyelesaikan Tugas

Akhir ini dengan judul “Faktor-Faktor yang Memepengaruhi Produksi Kelapa

Sawit di Desa Pinang Merah Kabupaten Merangin Provinsi Jambi Menggunakan

Analisis Regresi Linier Berganda”.

Penulisan Tugas Akhir ini disusun untuk memenuhi salah satu persyaratan

memperoleh gelar Ahli Madya pada Program Statistika Jurusan Matematika

FMIPA UNP. Dalam penulisan Tugas Akhir ini, penulis banyak mendapat

bantuan yang bersifat membangun. Dalam kesempatan ini, penulis mengucapkan

terimakasih kepada :

1. Dra. Helma, M.Si , Dosen Pembimbing sekaligus Penasehat Akademis

yang telah memberikan bimbingan dan dorongan dalam menyelesaikan

Tugas Akhir ini.

2. Bapak Drs. Syafriandi, M.Si, Dosen Penguji Tugas Akhir.

3. Ibu Dra. Nonong Amalita, M.Si, Dosen Penguji sekaligus ketua Prodi

Statistika Jurusan Matematika FMIPA UNP.

4. Bapak-bapak dan Ibu-ibu dosen Jurusan Matematika FMIPA UNP.

5. Orangtua yang telah memberikan semangat, nasehat, materi, dan doa

dalam menyelesaikan Tugas Akhir ini.

iii

6. Petani kelapa sawit di Desa Pinang Merah yang telah bersedia menjadi

responden.

7. Rekan-rekan seperjuangan Statistika 2009 dan semua pihak yang telah

membantu dalam penyelesaian Tugas Akhir ini.

Semoga segala bimbingan, bantuan, dan motivasi yang telah diberikan menjadi

amal kebaikan dan mendapat balasan dari Tuhan Yang Maha Esa.

Penulis menyadari Tugas Akhir ini masih jauh dari kesempurnaan. Untuk itu

segala kritikan dan saran yang bersifat membangun sangat diharapkan demi

mencapai kesempurnaan Tugas Akhir ini. Akhir kata penulis berharap semoga

Tugas Akhir ini dapat memberikan sumbangan pemikiran positif bagi setiap

pembaca.

Padang, Juli 2012

Penulis

iv

DAFTAR ISI

Halaman

ABSTRAK ................................................................................................ i

KATA PENGANTAR .............................................................................. ii

DAFTAR ISI ............................................................................................. iv

DAFTAR TABEL .................................................................................... vi

DAFTAR GAMBAR ................................................................................ vii

DAFTAR LAMPIRAN ............................................................................. viii

BAB I PENDAHULUAN

A. Latar Belakang Masalah ............................................................... 1

B. Rumusan Masalah ......................................................................... 5

C. Pertanyaan Penelitian .................................................................... 5

D. Tujuan Penelitian .......................................................................... 6

E. Manfaat Penelitian......................................................................... 6

BAB II KAJIAN TEORI

A. Kelapa Sawit .................................................................................. 7

1. Kelapa Sawit ............................................................................. 7

2. Faktor-Faktor yang Mempengaruhi Produksi Kelapa Sawit ..... 9

a. Jumlah Pupuk ........................................................................ 10

b. Jumlah Tenaga Kerja ............................................................. 12

c. Jumlah Bibit Per Hektar ........................................................ 14

d. Jarak Pupuk ke Batang ........................................................ 15

B. Analisis Regresi Linier Berganda ................................................ 15

C. Pembentukan Model ..................................................................... 32

v

BAB III METODOLOGI PENELITIAN

A. Data dan Sumber Data ................................................................. 35

B. Populasi dan Sampel .................................................................... 35

a. Populasi ................................................................................... 35

b. Sampel..................................................................................... 36

C. Variabel-Variabel dalam Penelitian .............................................. 37

D. Instrumen Penelitian dan Teknik Pengumpulan Data .................. 38

E. Teknik Analisa Data ..................................................................... 38

BAB IV Hasil dan Pembahasan

A. Deskripsi Data ................................................................................ 40

B. Hasil Penelitian .............................................................................. 45

C. Pembahasan..................................................................................... 56

BAB V PENUTUP

A. Kesimpulan ..................................................................................... 58

B. Saran ............................................................................................... 58

DAFTAR PUSTAKA .................................................................................. 60

LAMPIRAN ................................................................................................. 62

vi

DAFTAR TABEL

Tabel Halaman

1. Tabel ANAVA ......................................................................................... 20

2. Populasi Penelitian .................................................................................. 35

3. Deskripsi Pendapatan/Bulan/Hektar dari Petani Kelapa Sawit ............... 40

4. Deskripsi Produksi Kelapa Sawit ............................................................ 41

5. Deskripsi Jumlah Pupuk .......................................................................... 42

6. Deskripsi Jumlah Tenaga Kerja .............................................................. 43

7. Deskripsi Jumlah Bibit per Hektar .......................................................... 44

8. Deskripsi Jarak Pupuk ke Batang ............................................................ 45

9. Nilai S2, dan Cp Mallows dari Masing-Masing Model .................... 51

10. Calon Persamaan Terbaik ..................................................................... 53

11. Nilai VIF Masing-Masing Variabel Pengaruh Pada

Calon Persamaan Terbaik ..................................................................... 54

vii

DAFTAR GAMBAR

Gambar Halaman

1. Plot Sebaran Data yang Menunjukkan Dua Variabel

Memiliki Hubungan yang Linier dan Tidak Linier ................................. 20

2. Plot Sebaran Data yang Bersifat Autokorelasi

dan Non autokorelasi .............................................................................. 23

3. Plot Sebaran Data yang Bersifat Heteroskedastisitas dan

Homoskedastisitas .................................................................................. 25

4. Diagram Flowchart dari Proses Pembentukan Model ............................. 32

viii

DAFTAR LAMPIRAN

Lampiran Halaman

1. Kuesioner Penelitian ................................................................................. 62

2. Tabulasi Hasil Penelitian dari Responden................................................ 63

3. Regression Analysis : y versus x1, x2, x3, x4 ............................................ 67

4. Residual Plots for y .................................................................................. 68

5. Scatterplots of y vs x1, x2, x3, x4 dan Probability Plot of RESI1 .............. 69

6. Regression dan Stepwise dari Kombinasi yang Mungkin ...................... 70

7. Tabel F ..................................................................................................... 85

8. Tabel t....................................................................................................... 86

9. Tabel Durbin Watson ............................................................................... 87

10. Surat Izin Penelitian ............................................................................... 88

1

BAB I

PENDAHULUAN

A. Latar Belakang Masalah

Indonesia merupakan negara agraris sehingga pembangunan nasional

lebih diarahkan terhadap sektor pertanian. Sektor pertanian sangat diupayakan

perkembangannya di Indonesia karena iklim Indonesia yang mendukung serta

letak geografis yang cocok untuk pertanian. Salah satu sub-pertanian yang

cocok dikembangkan di Indonesia adalah perkebunan. Menurut Saragih (2001:

7), Indonesia mempunyai keunggulan komparatif dalam banyak komoditi

perkebunan seperti kelapa, kelapa sawit, kopi, karet alam, kakao, teh,

tembakau, lada, dan lain-lain. Menurut Selardi (2003: 2), tanaman perkebunan

kelapa sawit adalah komoditas perkebunan yang cukup tinggi di Indonesia dan

menduduki peringkat ketiga penyumbang devisa nonmigas terbesar di

Indonesia selain karet dan kopi.

Kelapa sawit merupakan tanaman komersial penghasil minyak nabati

yang paling produktif di dunia. Walaupun bukan merupakan tempat asal

tumbuhnya tanaman kelapa sawit, namun Indonesia memiliki peranan yang

penting dalam perkebunan perkelapa-sawitan dunia sejak awal abad 20.

Dimulai dengan introduksi tanaman kelapa sawit di Kebun Raya Bogor pada

1848 dari Afrika, Indonesia menjadi Negara pertama yang membangun

industri kelapa sawit modern (Pusat Penelitian Kelapa Sawit).

2

Provinsi Jambi merupakan salah satu provinsi di Indonesia yang

berkembang di bidang perkebunan kelapa sawit. Salah satu kabupaten di

Jambi yang ekonominya bertumpu pada sektor perkebunan kelapa sawit

adalah Kabupaten Merangin. Hal ini didukung dengan tersedianya lahan yang

produktif.

Desa Pinang Merah merupakan salah satu desa di Kecamatan Pamenang

Barat Kabupaten Merangin yang perekonomiannya bertumpu pada

perkebunan kelapa sawit. Pada masa kebijakan transmigrasi, pembukaan

lahan kelapa sawit secara besar-besaran dilakukan di Kabupaten Merangin,

salah satunya di Desa Pinang Merah yang dibantu oleh Perseroan Terbatas

(PT) sehingga mata pencarian penduduk di Desa Pinang Merah lebih dari

setengahnya bertumpu pada kelapa sawit, baik yang memiliki lahan sawit

maupun yang hanya bekerja di kebun sawit warga lain. Dalam data Potensi

Desa (Podes) Desa Pinang Merah tahun 2011, jumlah kepala keluarga yang

memiliki kebun kelapa sawit mencapai 137 kepala keluarga dari 293 kepala

keluarga yang ada di Desa Pinang Merah pada tahun 2011.

Kelapa sawit merupakan komoditas perkebunan rakyat yang terutama

ditujukan untuk ekspor. Kegunaan tanaman kelapa sawit antara lain adalah

sebagai bahan dasar pembuatan minyak goreng, kosmetik, obat-obatan,

bahkan bisa juga sebagai alternatif bahan bakar pengganti minyak tanah.

Produktivitas kelapa sawit dipengaruhi oleh jumlah pupuk yang

digunakan karena jumlah pupuk merupakan faktor utama penunjang

produktivitas kelapa sawit (Pusat Penelitian Kelapa Sawit, 2003: 57).

3

Menurut Jumin (2005: 98), pupuk merupakan senyawa yang mengandung

unsur hara yang diberikan pada tanaman. Tujuannya adalah untuk

meningkatkan produksi tanaman. Disamping itu, untuk mengelola

perkebunan kelapa sawit dibutuhkan tenaga kerja karena didalam pertanian

tenaga kerja merupakan sumber utama penggerak dalam usaha tani. Menurut

Sudarso (1991:5), tenaga kerja adalah manusia yang digunakan dalam proses

produksi. Hal ini berarti dalam mengelola usaha pertanian dibutuhkan tenaga

kerja yang mampu meningkatkan jumlah produksi usaha pertanian.

Selain itu, produktivitas kelapa sawit juga dipengaruhi oleh jumlah bibit

yang ditanami setiap hektarnya. Bibit yang ditanam dalam satu hektar tidak

boleh terlalu banyak karena akan mengganggu pertumbuhan kelapa sawit

disekitar lahan tersebut. Produktivitas kelapa sawit juga dipengaruhi oleh

jarak pupuk ke batang karena kelapa sawit merupakan tanaman yang

memiliki akar serabut sehingga pemberian pupuk juga harus memperhatikan

jarak pupuk ke batang agar pupuk dapat diserap secara optimal oleh akar

serabut yang paling muda (Yan Fauzi, 2002: 26).

Kelapa sawit merupakan sumber penghasilan utama dari masyarakat

Desa Pinang Merah. Namun berdasarkan wawancara dengan petani kelapa

sawit di Desa Pinang Merah pada tanggal 24 Mei 2012, mereka kurang

mempunyai informasi yang cukup tentang faktor-faktor yang mempengaruhi

produksi kelapa sawit. Mereka hanya mengandalkan pengalaman diri sendiri

ataupun dari orang lain yang juga mempunyai kebun kelapa sawit. Sehingga

hal ini menyebabkan kurang produktifnya buah kelapa sawit yang dihasilkan

4

yaitu sekitar 19,2 ton/ha/tahun dan angka ini tidak mencapai produktivitas

yang diutarakan Pusat Penelitian Kelapa Sawit yaitu sebesar 26-31

ton/ha/tahun. Jika hal ini tidak diselesaikan maka akan menyebabkan

kerugian materi bagi petani kelapa sawit di Desa Pinang Merah Kabupaten

Merangin Provinsi Jambi. Untuk memperbaiki hasil produksi kelapa sawit

yang diperoleh oleh petani, maka perlu diketahui apakah faktor jumlah

pupuk, jumlah tenaga kerja, jumlah bibit per hektar, dan jarak pupuk ke

batang memiliki pengaruh terhadap produksi kelapa sawit di Desa Pinang

karena setiap daerah memiliki kemungkinan yang berbeda pula terhadap

faktor-faktor yang mempengaruhi produksi kelapa sawit, tergantung dari

kondisi daerah masing-masing.

Salah satu analisis statistik yang dapat digunakan untuk permasalahan di

atas adalah analisis regresi linier. Analisis regresi linier merupakan analisis

yang digunakan untuk mengetahui hubungan antara variabel terikat (Y) dan

variabel bebas (X) secara linier (garis lurus). Regresi linier ada dua, yaitu

regresi linier sederhana dan regresi linier berganda. Analisis regresi sederhana

adalah analisis yang digunakan untuk melihat hubungan antara satu variabel

terikat (Y) terhadap satu variabel bebas (X). Sedangkan analisis regresi linier

berganda adalah model regresi yang memuat hubungan antara satu variable

terikat (Y) dengan lebih dari satu variabel bebas (X) dengan syarat bahwa

nilai y berskala kontinu dan antar variabel bebas tidak boleh berkorelasi.

Karena dalam penelitian ini menggunakan satu variabel terikat (Y) yaitu

produksi kelapa sawit yang berskala kontinu dan empat variabel bebas (X)

5

yaitu jumlah pupuk (X1), jumlah tenaga kerja (X2), jumlah bibit per hektar

(X3), dan jarak pupuk ke batang (X4), maka analisis yang tepat digunakan

adalah analisis regresi linier berganda.

Berdasarkan permasalahan yang dikemukakan di atas, maka dilakukan

penelitian yang berjudul “Faktor-Faktor yang Mempengaruhi Produksi

Kelapa Sawit di Desa Pinang Merah Kabupaten Merangin Provinsi

Jambi Menggunakan Analisis Regresi Linier Berganda”.

B. Rumusan Masalah

Berdasarkan uraian pada subbab sebelumnya, dengan menggunakan

analisis regresi linier berganda, maka rumusan masalah dalam penelitian ini

adalah “Faktor-faktor apa saja yang mempengaruhi produksi kelapa sawit di

Desa Pinang Merah Kabupaten Merangin Provinsi Jambi ?”

C. Pertanyaan Penelitian

1. Apa bentuk model regresi linier berganda dari faktor-faktor yang

mempengaruhi produksi kelapa sawit di Desa Pinang Merah Kabupaten

Merangin Provinsi Jambi ?

2. Faktor apa saja yang berpengaruh terhadap produksi kelapa sawit di Desa

Pinang Merah Kabupaten Merangin Provinsi Jambi yang diinterpretasi

melalui model regresi linier berganda

6

D. Tujuan Penelitian

Penelitian ini dilakukan dengan tujuan untuk :

1. Membentuk model regresi linier berganda dari faktor-faktor yang


Merangin Provinsi Jambi.

2. Mengetahui faktor-faktor yang berpengaruh terhadap produksi kelapa

sawit di Desa Pinang Merah Kabupaten Merangin Provinsi Jambi.

E. Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah bagi :

1. Petani kelapa sawit di Desa Pinang Merah, agar dapat meningkatkan

produksi kelapa sawitnya sehingga menambah penghasilan dan dapat

mensejahterakan keluarganya.

2. Peneliti, menambah pengetahuan dan wawasan sebagai seorang peneliti,

mulai dari merencanakan, melaksanakan, menganalisis hasil, serta

merefleksikan hasil suatu penelitian, khususnya dalam memecahkan

permasalahan yang cocok menggunakan analisis regresi linear berganda.

3. Instansi Pertanian dan Perkebunan Kabupaten Merangin, bahan

pertimbangan untuk membuat kebijakan guna meningkatkan produksi

kelapa sawit di Kabupaten Merangin.

4. Penelitian selanjutnya, bahan referensi dalam melakukan penelitian

lanjutan tentang faktor-faktor yang mempengaruhi produksi kelapa sawit.

7

BAB II

KAJIAN TEORI

A. Kelapa Sawit

1. Tanaman Kelapa Sawit

Kelapa sawit merupakan tanaman komersial penghasil minyak nabati

yang paling produktif di dunia (Selardi, 2003: 1). Asal tanaman kelapa

sawit secara pasti belum diketahui. Namun ada dugaan kuat tanaman ini

berasal dari dua tempat, yaitu Amerika Selatan dan Afrika. Spesies Elaesis

melanoccoa atau Elaesis oleivera diduga berasal dari Amerika Serikat dan

spesies Elaesis guineensis berasal dari Afrika.

Awalnya produk perdagangan kelapa sawit adalah inti kelapa sawit.

Namun setelah pelarangan perdangangan perbudakan pada tahun 1807,

perdangan ekspor kelapa sawit tidak terhenti menurut Pusat Penelitian

Kelapa Sawit. Revolusi industri pada abad ke-19 mendorong pengolahan

inti kelapa sawit menjadi minyak inti dan impor minyak sawit kasar untuk

dimanfaatkan sebagai bahan baku industri sabun di Inggris pada tahun

1980an. Pada akhir abad ke 19 minyak sawit telah berkembang

kegunaannya sebagai bahan baku lilin dan pelumas serta margarin

(Henderson dan Osborne, 2000).

Kelapa sawit memiliki akar serabut. Jika ketersediaan air cukup baik,

maka akar tanaman kelapa sawit dapat menembus kedalaman delapan

meter di dalam tanah, sedangkan yang tumbuh ke samping bisa mencapai

8

radius enam belas meter. Keadaan ini tergantung dari umur tanaman,

sistem pemeliharaan, dan ketersediaan air pada tanah (Selardi, 2003: 4).

Batang kelapa sawit berbentuk silinder dengan diameter 25-27 cm

tumbuh tegak lurus dari bonggol. Batang kelapa sawit dapat mencapai

tinggi 20-30 m dengan pertumbuhan meninggi sekitar 35-80 cm/tahun.

Selain itu, panjang daun kelapa sawit sekitar 5-9 m dengan jumlah anak

daun sekitar 125-200 helai dengan panjang 1,2 m (Pusat Penelitian Kelapa

Sawit, 2003: 5). Buah kelapa sawit disebut juga tandan buah segar (TBS)

terdiri dari kulit buah, serabut, cangkang, dan inti. Produktivitasnya

mencapai 26-39 ton/ha tahun (Pusat Penelitian Kelapa Sawit, 2003: 27).

Kelapa sawit memiliki banyak sekali kegunaan selain sebagai bahan

baku minyak kelapa sawit, diantaranya bahan pembuatan mentega, minyak

goreng, kue/biskuit pada industri makanan, bahan industri pertekstilan,

farmasi, kosmetika, pembuatan kaleng, gliserin, bahan pembuatan sabun,

detergen, pomade, dan berbagai produk lainnya. Selain itu hasil samping

dari proses buah kelapa sawit yaitu amaps dan tandannya dapat dijadikan

pupuk kalium, ampas inti minyak dapat dijadikan sebagai bahan makanan

ternak, batang dan pelepah dapat dijadikan sebagai bahan pembuatan

practical board atau bahan mulching bila dibusukkan (Setyamidjaja, 1992:

12).

9

2. Faktor-Faktor yang Mempengaruhi Produksi Tanaman Kelapa Sawit

Faktor-faktor yang mempengaruhi produksi menurut Soekartawi

(2003: 4) dibedakan menjadi 2 kelompok yaitu :

(a) Faktor biologi, seperti lahan pertanian dengan bermacam-

macam tingkat kesuburan, bibit, varietas pupuk, obat-obatan,

gulma, dan sebagainya.

(b) Faktor sosial ekonomi seperti biaya produksi, harga, tenaga

kerja, tingkat pendidikan, tingkat pendapatan, resiko dan

ketidakpastian, kelembagaan tersedianya kredit, dan

sebagainya.

Sedangkan menurut Dinas Perkebunan Kabupaten Merangin

berdasarkan wawancara pada tanggal 24 Mei 2012, faktor-faktor yang

mempengaruhi produksi kelapa sawit yaitu :

1. Luas lahan, termasuk jarak tanaman.

2. Pembibitan, seperti kualitas bibit, jumlah bibit per hektar, dan cara

penanaman bibit.

3. Faktor alam seperti tingkat kesuburan tanah, curah hujan, tingkat

keasaman tanah (ph tanah), dan topografi tanah.

4. Perawatan, meliputi pemupukan (jumlah/takaran pupuk, cara

pemberian pupuk termasuk jarak pupuk ke tanaman, dan waktu

pemberian pupuk), penunasan (pemangkasan daun setiap panen, dan

jumlah pelepah tiap batang), tenaga kerja (jumlah tenaga kerja,

pendidikan dan pengalaman/keahlian tenaga kerja dalam mengelola

tanaman kelapa sawit), pemeliharaan piringan pohon, dan

pengendalian gulma.

10

Berdasarkan teori di atas, maka akan diteliti hubungan antara

jumlah pupuk, jumlah tenaga kerja, jumlah bibit per hektar, dan jarak

pupuk ke batang terhadap produksi kelapa sawit di Desa Pinang Merah

Kabupaten Merangin Provinsi Jambi.

a. Jumlah Pupuk

Pupuk adalah senyawa yang mengandung unsur hara yang

diberikan pada tanaman (Jumin, 2005: 98). Suatu pupuk umumnya

terdiri dari komponen-komponen yang mengandung unsur hara, zat

penolak air, pengisi, pengatur konsistensi, kotoran, dan lain-lain.

Bagian yang tidak mengandung unsur hara itu akan menurunkan kadar

hara dalam pupuk tersebut.

Pupuk adalah bahan yang diberikan kedalam tanah baik yang

organik maupun anorganik dengan maksud untuk mengganti

kehilangan unsur hara dari dalam tanah dan bertujuan untuk

meningkatkan produksi tanaman dalam keadaan faktor keliling atau

lingkungan yang baik (Sutejo, 2002: 8).

Pengelompokan pupuk menurut Jumin (2005: 100) dibagi atas

tiga cara, yaitu :

i. Pupuk alam dan buatan. Pupuk yang digolongkan kedalam

pupuk alam antara lain kotoran manusia, pupuk kandang,

pupuk hijau, dan kompos. Urea, NPK, pupuk ZA, Amonium,

nitrat, nitrolin, kiserit, dan lain-lain termasuk kedalam pupuk

buatan.

11

ii. Pupuk menurut unsur-unsur yang dikandungnya, yaitu pupuk

nitrogen seperti UREA dan ZA, pupuk fosfor seperti DS dan

TS, serta pupuk kalium seperti ZK, paten kali, dan muriate of

potash.

iii. Pupuk organik dan pupuk anorganik. Contoh pupuk organik

yaitu kompos, pupuk kandang, kotoran manusia dan pupuk

hijau. Sedangkan contoh pupuk anorganik yaitu NPK, ZA,

ZK, DS, dan TS.

Menurut wawancara dengan petani kelapa sawit di Desa Pinang

Merah pada tanggal 25 Mei 2012, varietas pupuk yang sering

digunakan adalah pupuk buatan (kimia) yang terdiri dari pupuk Urea,

pupuk TSP, dan pupuk KCl, ditambah lagi dengan pupuk Borax karena

ada sebagian petani yang meggunakan pupuk borax ini sehingga pada

penelitian ini hanya akan dilihat pengaruh jumlah keempat pupuk yang

sering dipakai oleh petani yaitu dosis pupuk Urea, pupuk TSP, pupuk

KCl dan pupuk Borax terhadap tanaman kelapa sawit di Desa Pinang

Merah.

Badan penelitian Bimas dalam Fetria (2005: 2002) menjelaskan

kebutuhan pupuk adalah jumlah pupuk yang dibutuhkan untuk

meningkatkan produksi pertanian sesuai dengan target produksi yang

ditetapkan, baik untuk semusim, setahun, atau beberapa tahun dalam

jangka waktu panjang, jumlah pupuk dipakai menurut tempat dan

waktu.

12

Pemakaian pupuk yang baik terhadap tanaman pertanian menurut

Daniel (2004: 51) akan meningkatkan produksi, di mana akan

menyebabkan kualitas dari tanaman akan menjadi baik. Namun, hal itu

harus diimbangi dengan pemberian pupuk yang efisien serta sesuai

dengan kebutuhan.

b. Tenaga Kerja

Tenaga kerja merupakan salah satu sumber daya manusia yang

digunakan untuk menghasilkan barang dan jasa di mana memegang

peranan penting dalam peningkatan produktivitas (Makmur, 1980: 1).

Setiap usaha pertanian yang akan dilaksanakan pasti memerlukan

tenaga kerja. Oleh karena itu dalam analisa ketenagakerjaan di bidang

pertanian, penggunaan tenaga kerja dinyatakan oleh besarnya curahan

tenaga kerja (Adrimas, 1992: 3).

Tenaga kerja merupakan sumber utama penggerak dalam usaha

tani demi pembangunan pertanian. Menurut Musamef (dalam Sukirno

1997: 72), tenaga kerja adalah orang yang bekerja pada suatu

organisasi baik pada instansi pemerintah maupun pada perusahaan atau

pada usaha-usaha sosial di mana ia memperoleh balas jasa. Menurut

Sudarso (1991: 5), tenaga kerja adalah manusia yang digunakan dalam

proses produksi. Pengertian tenaga kerja meliputi kegiatan fisik

jasmani, keahlian, kemampuan berpikir yang dimiliki oleh tenaga

kerja. Hal ini berarti dalam mengelola usaha tani dibutuhkan tenaga

kerja yang mampu meningkatkan jumlah produksi usaha tani.

13

Tenaga kerja merupakan faktor produksi yang penting artinya

dalam kegiatan usaha tani, karena semua aktifitas digerakkan oleh

tenaga kerja. Tenaga kerja menciptakan dan menambah nilai guna

terhadap produktivitas pertanian.

Konsep yang sering digunakan dalam bekerja adalah angkatan

kerja yang bekerja dengan tujuan mendapatkan upah (balas jasa).

Tenaga kerja dapat dikategorikan atas dua macam yaitu :

1) Angkatan kerja adalah penduduk yang berusia 10 tahun

keatas yang bekerja/mencari kerja.

2) Bukan angkatan kerja adalah penduduk yang tidak bekerja

dan tidak sering mencari pekerjaan, termasuk penduduk yang

sekolah, mengurus rumah tangga, dan tidak mampu lagi

mengurus pekerjaan.

Sebagian besar tenaga kerja dalam usaha tani berasal dari

keluarga petani sendiri yang terdiri dari ayah sebagai kepala keluarga,

istri, dan anak-anak petani. Anak-anak berumur 12 tahun misalnya,

sudah dapat merupakan tenaga kerja yang produktif bagi usaha tani.

Mereka dapat membantu pengairan, mengangkut bibit atau pupuk ke

sawah atau membantu penggarapan sawah.

Menurut Schultz (dalam Mubyarto, 1989: 126), petani (tenaga

kerja) ikut memberikan sumbangan pada kenaikan hasil produksi.

Gertz (dalam Mubyarto, 1989: 126) menyatakan bahwa hasil produksi

pertanian selalu dapat ditingkatkan lagi dengan setiap penambahan

tenaga kerja. Setiap pengurangan tenaga kerja haruslah berarti

pengurangan hasil produksi. Karena itu produktivitas marginal tenaga

kerja tidaklah nol, tetapi positif.

14

Tenaga kerja akan sangat diperlukan dalam usaha pertanian yang

akan dilaksanakan, terutama dalam hal produksi. Tersedia tidaknya

tenaga kerja dapat mempengaruhi produksi kelapa sawit. Jumlah

tenaga kerja yang banyak dan memiliki keterampilan dibidang

pertanian terutama kelapa sawit akan meningkatkan produksi kelapa

sawit dari segi jumlah dan mutu. Tenaga kerja yang dimaksudkan

dalam penelitian ini adalah tenaga kerja yang digunakan mulai dari

persemaian hingga panen.

c. Jumlah bibit per hektar

Pembibitan merupakan faktor yang penting dalam keproduktifan

buah kelapa sawit. Menurut Yan Fauzi (2002: 48), bibit merupakan

bakal tanaman yang memerlukan perawatan dan cara penanaman yang

baik. Pada perkebunan kelapa sawit, bibit tidak dapat langsung ditanam

di lapangan karena bibit masih terlalu kecil sehingga mudah terganggu

pertumbuhannya oleh hama penyakit.

Jumlah bibit yang ditanami per hektar harus diperhatikan

didalam penanaman kelapa sawit karena apabila jumlah bibit yang

ditanami terlalu banyak, tidak sesuai dengan jumlah maksimum yang

telah ditentukan, maka berkemungkinan dapat menyebabkan kurangnya

produktivitas buah kelapa sawit tersebut. Jumlah kebutuhan bibit per

hektar tergantung pada jarak tanam dan kualitas bibit (Setyamidjaja,

1992: 32). Jarak tanaman akan mengidentifikasi jumlah bibit yang

ditanam per hektarnya. Jarak tanam yang dianjurkan oleh Pusat

15

Penelitian Kelapa Sawit adalah 8x8,8x9, dan 90x90 sehingga dengan

jarak tanam tersebut akan menghasilkan jumlah bibit per hektarnya.

d. Jarak pupuk ke batang

Kelapa sawit memiliki akar serabut. Akar ini akan semakin

menjauh dari batangnya seiring dengan perkembangan akar. Menurut

Bapak Mardinas, seorang mandor dari PT. Perkebunan Nusantara cabang

Pasaman spesialisasi kelapa sawit dalam wawancara pada tanggal 21

Mei 2012 mengatakan bahwa akar serabut ini akan mempengaruhi jarak

pupuk ke batang kelapa sawit karena akar serabut yang selalu

berkembang, sehingga jarak pupuk ke tanaman harus berada pada akar

serabut yang paling muda. Batang akan semakin efektif menyerap pupuk

jika pupuk disebar pada akar yang paling muda yang merupakan

pertumbuhan akar serabut yang baru. Menurut Djoehana (1992: 43),

jarak pupuk ke tanaman untuk tanaman yang telah menghasilkan adalah

berkisar antara satu hingga tiga meter dari batang kelapa sawit. Jika jarak

pupuk ke tanaman tidak diperhatikan maka akar akan kurang efektif

menyerap pupuk sehingga produksi kelapa sawit berkemungkinan tidak

maksimal.

B. Analisis Regresi Linier Berganda

Istilah regresi pertama kali diperkenalkan oleh orang Perancis bernama

Sir Francis Galton (1822-1911). Menurut Gujarati (1995) analisis regresi

berkenaan dengan studi ketergantungan dari suatu variabel yang disebut

16

variabel tak bebas (dependent variable) terhadap satu atau lebih variabel lain

yaitu variabel yang menjelaskan (explanatory variables), dengan maksud

menaksir atau meramalkan nilai rata-rata dari variabel bebas apabila nilai

variabel yang menerangkan sudah diketahui. Regresi linier berganda adalah

regresi yang memuat lebih dari satu variabel bebas (regresor). Salah satu

kegunaan analisis regresi linier berganda untuk memperkirakan ataupun

meramalkan keadaan masa yang akan datang dengan mengukur beberapa

variabel bebas (X) beserta pengaruhnya terhadap variabel terikat (Y).

Model persamaan regresi berganda dapat dituliskan sebagai berikut :

Ү = β0 + β1X1 + β2X2 + … + βkXk + ε (1)

Dimana,

Y : Variabel terikat

β0 : Konstanta

β1, β2, …, βk : Koefisien regresi

X : Variabel bebas

ε : Kesalahan (galat)

(Sembiring, 1995: 134)

Persamaan di atas dapat diestimasi untuk menduga nilai dari parameter.

Model persamaan di atas apabila diestimasi akan menjadi :

ŷ = b0 + b1x1 + b2x2 + … + bkxk (2)

Dimana,

b0 : Penduga β0

b1, b2, …, bk : Penduga β1, β2, …, βk

x : Variabel bebas

k : Banyaknya variabel bebas


17

Jika observasi mengenai y, x1, x2, … , xk dinyatakan masing-masing

dengan (x1, y1), (x2,y2), …, (xn, yn), maka diperoleh persamaan berikut :

yi = β0 + β1xi1 + β2xi2 + … + βkxik + εi , i = 1,2,3,…,n

yi = β0 + i = 1,2,3,…,n (3)

Dalam lambing matriks, persamaan (3) di atas menjadi :

= + (4)

Misalkan:

Y = , X = , β = ,dan ε =

Dengan demikian persamaan (2) dapat ditulis menjadi:

Y = Xβ + ε (5)

ε = Y – Xβ

Untuk mendapatkan nilai penduga dari β0, β1, β2, ...βk dapat diperoleh

dengan meminimumkan bentuk kuadrat terhadap galat sebagai berikut :

S = εtε = (6)

εtε = (Y- Xβ)

t (Y- Xβ)

εtε = (Y

t – (Xβ)

t) (Y – Xβ)

18

εtε = (Y

t – β

tX

t) (Y- Xβ)

εtε = Y

tY - Y

t Xβ – β

tYX

t + β

tX

t Xβ

Menurut Sembiring (1995: 47), meminimumkan bentuk kuadrat

persamaan (6) dapat dilakukan dengan mencari turunan pertama S terhadap β0,

β1,β2.., βk kemudian samakan dengan nol sehingga menjadi :

b =

( (7)

Bila XtX tidak singular, maka persamaan (6) dapat ditulis menjadi :

b = ( (8)

Dimana :

Xt = Transpose X

= Invers matriks (XtX)


1. Asumsi regresi linier berganda

Menurut Makridarkis (1999: 299) terdapat empat asumsi-asumsi

yang harus dipenuhi dalam analisis regresi linier berganda, yaitu 1)

kelinieran, 2) kebebasan sisaan, 3) kehomogenan ragam sisaan, dan 4)

kenormalan sisaan. Model regresi yang akan diuji hipotesisnya harus

dilakukan uji asumsi klasiknya terlebih dahulu sehingga model regresi

yang digunakan dalam penelitian dapat dijadikan sebagai alat pengambilan

keputusan.

19

a. Kelinieran (linearity)

Langkah awal yang dilakukan dalam analisis regresi berganda

adalah melihat kelinieran antar variabel bebas dan variabel terikat. Jika

hubungan yang terjadi antara variabel bebas dan variabel terikat

bersifat linier, hal ini menunjukkan bahwa keragaman variabel terikat

semata-mata akibat pengaruh dari penambahan variabel bebas.

(Saefudin, 2010: 251).

Pemeriksaan kelinieran dapat dideteksi melalui plot data pada

scatterplot. Jika pola sebaran data mengikuti garis lurus memberikan

petunjuk awal bahwa model telah linier. Selain itu, hubungan dapat

berpola nonlinier atau mungkin juga tidak terdapat hubungan yang

jelas antara variabel-variabel tersebut.

Kelinieran dalam penelitian ini akan diuji dengan menggunakan

scatterplot dan uji signifikansi regresi. Melalui scatterplot dapat

diduga hubungan kelinieran dengan memperhatikan gambar berikut :

Gambar 1. Plot Sebaran Data yang Menunjukan Dua

Variabel Memiliki Hubungan yang Linier dan

Tidak Linier.

20

Setelah menduga hubungan kelinieran antara variabel bebas dan

terikat maka dilakukan uji signifikansi regresi untuk meyakinkan

bahwa asumsi kelinieran telah terpenuhi. Uji signifikansi regresi

merupakan uji untuk menentukan apakah terdapat hubungan linier

antara variabel terikat y dengan sebarang variabel bebas x1, x2, …, xk

menurut Makridakis (1999: 299). Uji signifikansi regresi dapat

diperoleh dari tabel ANAVA (Montgomery, 2006: 81) dibawah ini :

Tabel 1. Tabel ANAVA

Sumber

variasi

Jumlah Kuadrat

(JK)

Derajat

Kebebasan

(dk)

Rataan

Kuadrat (RK) E(RK) F

Regresi btX

tY – k

=

Sisa YtY - b

tX

ty n-k-1 JKS/n-k-1

Total YtY - n-1

Adapun hipotesis yang akan diuji adalah :

H0 : β1 = β2 = β3 = β4 = 0, artinya tidak terdapat hubungan linier

antara variabel bebas dan variabel terikat.

H1 : βj ≠ 0 (untuk paling kurang satu j, dengan j = 1,2,3,..,k),

artinya terdapat minimal satu hubungan linier antara variabel

bebas dan variabel terikat.

(Montgomery, 2006: 80)

21

Statistik uji yang akan digunakan adalah uji F dengan rumus

berikut:

F = (9)

Dalam hal ini :

JKS =

JKT =

JKR =

n = jumlah data (pengamatan)

k = banyaknya variabel bebas (regresor)

Keterangan :

JKS = Jumlah Kuadrat Sisa

JKT = Jumlah Kuadrat Total

JKR = Jumlah Kuadrat Regresi


Kriteria pengujiannya yaitu :

Terima H0 jika Fhit ≤ Fα, k, n-k-1

Tolak H0 jika Fhit > Fα, k, n-k-1.

Setelah melakukan uji signifikansi regresi, maka perlu juga

dilakukan tes untuk masing-masing koefisien regresi. Uji yang

digunakan adalah uji t. Ini dilakukan untuk menguji keberartian

parameter. Adapun hipotesis yang akan diuji adalah :

H0 : βj = 0, artinya tidak terdapat pengaruh antara variabel bebas

terhadap variabel terikat.

H1 : βj ≠ 0 (untuk paling kurang satu j, dengan j = 1,2,3,..,k),

artinya terdapat pengaruh antara variabel bebas terhadap

variabel terikat.


22

Statistik uji yang akan digunakan adalah uji t dengan rumus berikut :

tobs = (10)

Dimana :

= nilai b untuk koefisien regresi ke j (dengan j = 1,2,..,k)

=

= = RKS

= matriks diagonal baris ke-i kolom ke-j dari (XtX)

-1

Keterangan :

RKS = Rataan Kuadrat Sisa


Kriteria pengujiannya yaitu :

Terima H0 jika ≤ tα/2, n-k-1

Tolak H0 jika > tα/2, n-k-1.

b. Kebebasan sisaan (independence of residual)

Model regresi kuadrat terkecil mengasumsikan sisaan saling

bebas atau tidak berkorelasi dengan sesamanya. Secara tidak langsung

hal ini menyatakan bahwa nilai pengamatan tidak dipengaruhi oleh

pengamatan lainnya. Kondisi sebaliknya diistilahkan sebagai

autokorelasi (autocorrelation), yaitu kondisi ketika nilai suatu

pengamatan dipengaruhi oleh pengamatan lainnya. Data yang

dikumpulkan berdasarkan urutan waktu biasanya menjadi penyebab

adanya autokorelasi, misalnya ekspor bulanan, curah hujan harian, dan

data time series lainnya.

Pemeriksaan bahwa data bebas satu sama lain tidaklah mudah

karena begitu banyak cara hal ini dapat dilanggar. Salah satu cara yang

23

baik untuk menentukan apakah data berkorelasi satu sama lain ialah

dengan mempelajari proses yang menghasilkan data tesebut.

Adanya korelasi antara sisa terkadang disebabkan oleh tidak

diikutsertakannya peubah bebas yang penting dalam model, jadi

korelasi tersebut sesungguhnya bersifat semu. Korelasi ini akan

dengan sendirinya hilang bila peubah yang penting itu diikutsertakan

dalam model.

Kebebasan sisaan (autokorelasi) dapat dilihat pada residual

versus the order of the data. Jika sebaran plot sisaan pada residual

versus the order of the data tidak membentuk pola tertentu maka

menandakan sisaan sudah saling bebas dalam artian waktu tidak

mempengaruhi pengambilan data. Grafik dari pendeteksian kebebasan

sisaan adalah :

Gambar 2. Plot Pencaran Data yang Bersifat Autokorelasi

dan Non Autokorelasi

Adapun cara lain yang umumnya digunakan dalam mendeteksi

ada atau tidaknya autokorelasi adalah dengan melihat nilai statistik d

Durbin-Watson dengan rumus :

d = (11)

24

Dimana :

ei : sisa pada pengamatan ke-i

ei-1 : sisa pada pengamatan sebelum-i

Kriteria pengujian Durbin Watson (d) adalah :

Jika d < dL, berarti terdapat autokorelasi positif

Jika d > (4 – dL), berarti terdapat autokorelasi negatif

Jika d > dU dan 4 – d > dU, berarti tidak terdapat autokorelasi

Dimana :

d = nilai Durbin Watson

dL = nilai kritis Lower (bawah) dari tabel Durbin Watson

dU = nilai kritis Upper (atas) dari tabel Durbin Watson


c. Kehomogenan ragam sisaan (homoskedasticity), Var (εi) = σ2,

i=1,2,..,n

Pendugaan parameter regresi dengan metode kuadrat terkecil

mengasumsikan ragam sisaan selalu tetap (konstan) atau homogen.

Kondisi ini disebut sebagai homoskedastisitas (homoskedasticity).

Asumsi kehomogenan ragam berimplikasi bahwa setiap pengamatan

memiliki informasi yang sama penting pada variabel pengaruh

(Saefudin, 2010: 268).

Untuk mendeteksi ada tidaknya heterokedastisitas dapat

digunakan metode grafik, yaitu dengan menghubungkan nilai variabel

terikat yang diprediksi residualnya (Y prediksi-Y sesungguhnya)

dimana sumbu X adalah nilai variabel terikat yang diprediksi dan

25

sumbu Y adalah residualnya. Apabila noktah (titik) dalam grafik

membentuk pola menyebar lalu menyempit atau sebaliknya disekitar

garis diagonal maka bisa dikatakan terjadi heteroskedastisitas. Jika

titik-titik menyebar dengan tidak membentuk pola tertentu dibawah

dan diatas angka 0 pada sumbu maka dikatakan terjadi

homoskedastisitas. Berikut adalah gambar pola sisaan yang mungkin

muncul dari variabel terikat (X) :

Gambar 3. Plot Sebaran Data yang Bersifat Homoskedastisitas

dan Heteroskedastisitas.

Pada gambar (a) satisfactory, terlihat bahwa data tidak ada

masalah. Artinya, data sudah membentuk pola linier sehingga model

tidak melanggar asumsi kelinieran.

26

Pada gambar (b) funnel, terlihat bahwa anggapan kesamaan

variansi mungkin dilanggar dan transformasi pada respons y, atau x,

atau keduanya, mungkin diperlukan. Apakah transformasi benar-benar

diperlukan atau tidak tentunya bergantung pada sejauh mana anggapan

tersebut dilanggar.

Pada gambar (c) double blow, jika sisaan data berbentuk seperti

gambar 3, ini mengidentifikasikan bahwa pola akan terjadi apabila

proporsi yi antara 0 – 1.

Pada gambar (d) non linier, pola menunjukkan perlunya

dimasukkan bentuk kuadrat ataupun mungkin perkalian antara dua

peubah (interaksi) dalam model. Secara umum model ini menunjukkan

bahwa asumsi relasi antara y dengan xj tidak benar.

d. Kenormalan sisaan (normality of residual)

Kenormalan sisaan memiliki tingkat kepercayaan yang lebih

rendah dibandingkan dengan asumsi lainnya. Asumsi kenormalan

sisaan hanya diperlukan saat pengujian hipotesis dan penyusunan

selang kepercayaan, namun tidak terlalu penting dalam pendugaan

parameter (Saefudin, 2010: 262).

Menurut Drapper (1992) dalam Martalena (2010: 25),

kenormalan yaitu kesalahan pengganggu atau error mengikuti

distribusi normal dengan rata-rata nol dan varians σ2. Apabila variabel

tak bebas dan variabel bebas mengikuti distribusi normal, maka

errornya juga akan berdistribusi normal. Dalam penelitian ini,

27

kenormalan sisaan diuji dengan uji Anderson Darling. Adapun

rumusnya yaitu :

(12)

Dimana :

N : jumlah data

i : ranking data

n : ranking data terbesar

F : fungsi komulatif

A : nilai Anderson-Darling

http://krisnafr.multiply.com/journal/item/49/49?&show_inte

rstitial=1&u=%2Fjournal%2Fitem

Hipotesis dari Anderson Darling Test adalah :

H0 : Data mengikuti sebaran tertentu

H1 : Data tidak mengikuti sebaran tertentu

Adapun kriteria pengujiannya adalah :

Terima H0 jika P-value > 0,05

Tolak H0 jika P-value ≤ 0,05

Selain itu, kriteria pengujiannya adalah :

Terima H0 jika nilai A ≤ nilai kritis yang telah ditentukan

Tolak H0 jika nilai A > nilai kritis yang telah ditentukan

2. Pemilihan Model Terbaik

Pemilihan model terbaik berguna untuk memilih model mana yang

sesuai dengan tujuan pemodelan dari beberapa kombinasi peubah yang

ada. Dalam melakukan pemilihan model terbaik ada beberapa cara yang

dapat dilakukan yaitu :

http://krisnafr.multiply.com/journal/item/49/49?&show_interstitial=1&u=%2Fjournal%2Fitem


28

a. Metode seleksi maju (forward selection method), menurut metode ini

peubah bebas dimasukkan satu demi satu menurut urutan besar

pengaruhnya terhadap model dan berhenti jika semua yang memenuhi

syarat telah masuk

b. Metode penyisihan (backward alimination method), menurut metode

ini peubah bebas dimasukkan seluruhnya ke dalam model kemudian

disisihkan satu demi satu sampai semua yang tidak memenuhi patokan

keluar dari model.

c. Metode bertahap (stepwise regression method), metode ini merupakan

gabungan dari metode seleksi maju dan metode penyisihan. Pertama

kita melakukan metode seleksi maju terlebih dahulu, kemudian kita

akan menggunakan metode penyisihan pada setiap tahap untuk

mempertanyakan apakah suatu peubah bebas yang telah masuk ke

dalam model masih perlu dipertahankan atau sebaliknya ke luar.

d. Metode semua kombinasi yang mungkin, metode ini mengharuskan

kita memeriksa semua kombinasi peubah yang dapat dibuat.

Pada penelitian ini, metode yang digunakan adalah metode

semua kombinasi yang mungkin karena metode ini mempunyai

keunggulan dibandingkan metode-metode lainnya, yaitu

memungkinkan kita melihat seluruh kombinasi. Banyaknya kombinasi

yang mungkin dinyatakan dalam rumus : , dengan k =

banyaknya variable bebas. Adapun kriteria yang akan dibandingkan

29

adalah dengan melihat adjusted, rataan kuadrat sisa (s2), dan Cp

Mallows.

i. Koefisien Determinasi (R2)

Ketepatan dari model yang diperoleh dapat dilihat dari

kemampuan model menerangkan data, yang disebut dengan koefisien

determinasi (R2) yang besarnya :

(13)

Dimana :

JKR : Jumlah kuadrat regresi

JKT : Jumlah kuadrat total


Jika R2 dekat dengan 1 maka baik kecocokan model dengan data

dan makin dekat R2 dengan 0 maka makin jelek kecocokan model

dengan data.

Salah satu kelemahan R2 ialah bahwa besarnya dipengaruhi oleh

banyaknya variabel pengaruh dalam model, R2

membesar bersama p,

sehingga sulit menyatakan barapa R2 yang optimum karena R

2 tidak

memperhitungkan derajat bebas. Suatu cara mengatasi kelemahan R2

ialah dengan menggunakan R2-disesuaikan ( ) dengan rumus sebagai

berikut:

30

(14)

Sembiring (1995: 235)

Beberapa pembuat model regresi lebih senang untuk

menggunakan statistik karena hanya akan naik pada

penambahan suatu variabel terhadap model jika penambahan variabel

tersebut betul-betul bermakna.

ii. Rataan Kuadrat Sisa (S2)

Salah satu patokan yang baik digunakan dalam menilai

kecocokan suatu model dengan data ialah dengan melihat rataan

kuadrat sisa (S2), model yang baik memberikan nilai S

2 yang terkecil.

Ukuran ini memperhitungkan banyaknya parameter dalam model

melalui pembagian dengan derajat kebebasannya. Rataan kuadrat sisa

(S2) mungkin membesar bila penurunan dalam JK sisa akibat

pemasukan suatu peubah tambahan kedalam model tidak dapat

mengimbangi penurunan dalam derajat kebebasannya :

(15)

Dimana:

JKS : jumlah kuadrat sisa

n : ukuran sampel


31

iii. Cp Mallows

(16)

Dimana :

JKSp : jumlah kuadrat sisa dengan p parameter

n : ukuran sampel

S2 : rataan kuadrat sisa


Statistik Cp dapat dipakai untuk menilai model yang saling

bersaing. Model yang baik akan menghasilkan nilai Cp yang paling

dekat ke p, dimana p adalah banyaknya variabel pengaruh ditambah

satu.

Adapun penentuan akhir dari model terbaik dapat dilihat nilai VIF.

Nilai VIF digunakan agar masing-masing variabel bebas tidak saling

berkorelasi tinggi. Adanya korelasi yang tinggi antar variabel bebas

dinamakan multikolinearitas. Jika kasus ini terjadi dalam regresi linier,

maka variabilitas b1 akan tidak efisien (overweight). Namun korelasi yang

tinggi tidak dapat langsung dikatakan sebagai multikolinearitas, harus ada

teori yang mendukung. Menurut Gujarati (1978) salah satu cara

mendeteksi gejala multikolinearitas adalah dengan menghitung nilai VIF

(Variance Inflation Factor) yang memiliki persamaan :

VIFj = (17)

Jika nilai VIF melebihi 10 maka hal tersebut menunjukkan bahwa

multikolinearitas adalah masalah yang pasti terjadi antar variabel bebas

32

(http://elmurobbie.files.wordpress.com/2009/06/principal-component-

analysis-pca2.pdf). Dalam Minitab dikatakan apabila nilai VIF lebih besar

dari 5 atau 10, maka taksiran parameter kurang baik.

C. Pembentukan Model

Menurut Montgomery (2006: 283) proses dalam menyeleksi variabel

dan pembentukan model regresi linier berganda adalah :

Gambar 4. Diagram Flowchart dari Proses Pembentukan Model

1. Langkah awal yang dilakukan adalah :

a. Bentuk model dengan seluruh variabel

Model dengan seluruh variabel merupakan model regresi linier

berganda dengan kombinasi seluruh variabel bebas ikut mempengaruhi

http://elmurobbie.files.wordpress.com/2009/06/principal-component-analysis-pca2.pdf


33

variabel terikat. Pembentukan model dengan seluruh variabel dapat

dilakukan dengan persamaan (1).

b. Uji Asumsi

Uji asumsi yang akan dilakukan ada empat, yaitu :

(i) Uji kelinieran

(ii) Uji kebebasan sisaan (uji autokorelasi)

(iii) Uji kehomogenan ragam sisa (uji homoskedastisitas)

(iv) Uji kenormalan sisaan

2. Analisis sisaan akan digunakan untuk mengetahui apakah asumsi ada yang

dilanggar. Jika meragukan gunakan statistik untuk mengujinya.

3. Jika ada yang dilanggar, lakukan transformasi dan kembali kelangkah 1.

Tujuan dilakukannya transformasi adalah agar sisaan berbentuk

setangkup dan kedua ujungnya tidak terlalu tebal. Transformasi akan

dilakukan tergantung persoalan yang dihadapi. Ada dua jenis transformasi

yang mungkin akan dilakukan, yaitu transformasi y dan transformasi x.

Transformasi y dilakukan apabila suku galat (sisaan) dianggap belum

memenuhi anggapan kenormalan. Adapun rumus yang digunakan dalam

mentransformasikan y adalah :

z = (18)

Sembiring (1995 :195)

Jika = ½, transformasi z = , yaitu mengambil akar dari semua

data y; bila = -1, transformasi z = 1/y untuk semua data y.

34

Transformasi x dilakukan apabila suku galat (sisaan) dianggap telah

memenuhi anggapan kenormalan, tetapi belum semua peubah bebas x1, x2,

…, xk terkait secara linier dengan variabel terikat y. Adapun rumus yang

digunakan dalam mentransformasikan y adalah :

x = (19)

Sembiring (1995 :199)

4. Gunakan teknik untuk pemilihan model terbaik.

5. Pilih model untuk analisis lebih lanjut melalui perbandingan adjusted

terbesar, rataan kuadrat sisa (s2) terkecil, dan Cp Mallows yang paling

mendekati P. Dan penentuan akhir pemilihan model terbaik adalah dengan

melihat nilai VIF.

6. Rekomendasi model yang akan digunakan.

Setelah didapatkan model terbaik dari model regresi linier berganda

selanjutnya dapat diinterpretasikan variabel apa saja yang berpengaruh

maupun tidak berpengaruh terhadap produksi kelapa sawit di Desa Pinang

Merah Kabupaten Merangin popinsi Jambi. Variabel yang berpengaruh

yaitu variabel yang ikut tergabung dalam model, sebaliknya variabel yang

tidak berpengaruh yaitu variabel yang tidak ikut tergabung dalam model,

dalam artian variabel ini telah diwakili oleh variabel lain.

35

BAB III

METODOLOGI PENELITIAN

A. Data dan Sumber Data

Data pada penelitian ini adalah tentang produksi kelapa sawit dalam satu

bulan di Desa Pinang Merah Kabupaten Merangin Provinsi Jambi. Adapun

sumber datanya adalah langsung dari petani kelapa sawit di Desa Pinang

Merah Kabupaten Merangin melalui pengisian kuesioner. Data diambil pada

bulan Mei tahun 2012.

B. Populasi dan Sampel

1. Populasi

Menurut Lufri (2000: 72) “populasi adalah himpunan yang lengkap

dari satuan-satuan atau individu-individu yang karakteristiknya ingin kita

ketahui. Dalam penelitian ini, populasinya yaitu seluruh kepala keluarga

yang memiliki lahan kebun kelapa sawit di Desa Pinang Merah yang

berjumlah 137 responden. Data populasi penelitian dapat dilihat pada

Tabel berikut :

Tabel 2. Populasi Penelitian

No. Pembagian Wilayah Jumlah petani Kelapa sawit

1 Dusun I 45

2 Dusun II 29

3 Dusun III 37

4 Dusun IV 26

Jumlah 137

Sumber : Data pada Potensi Desa di Desa Pinang Merah

Kabupaten Merangin Tahun 2011

36

2. Sampel

Yusuf (2005: 187) mengemukakan bahwa “sampel adalah suatu

jumlah yang terbatas dari unsur-unsur yang terpilih dari suatu populasi.

Unsur-unsur tersebut haruslah mewakili populasi.” Dalam penelitian ini,

sampel merupakan sebagian dari petani kelapa sawit di Desa Pinang

Merah Kabupaten Merangin Provinsi Jambi.

Langkah-langkah penentuan sampel dilakukan sebagai berikut :

a. Menentukan ukuran/jumlah sampel menggunakan metode Slovin

(Riduwan, 2009) dengan rumus :

(20)

Dimana:

= jumlah sampel

= jumlah populasi

= galat (ditetapkan 5% dengan tingkat kepercayaan 95%)

Dengan menggunakan rumus slovin dengan tingkat kesalahan

sampling sebesar 5%, maka jumlah sampel adalah sebagai berikut :

b. Membagi populasi dalam empat bagian sesuai dengan pembagian

wilayah per dusun sesuai dengan tabel 1, kemudian menentukan

sub sampel dari masing-masing kelompok tersebut dengan teknik

Proporsional Random Sampling menggunakan rumus :

37

Dimana :

Si = sampel sub kelompok

Ni = jumlah petani masing-masing wilayah (dusun)

N = jumlah populasi

n = besar sampel

(Yusuf, 2005: 202)

Selanjutnya besar sampel pada masing-masing dusun adalah

sebagai berikut :

i. Dusun I = x 102

ii. Dusun II = x 102

iii. Dusun III = x 102

iv. Dusun IV = x 102

c. Pengambilan sampel dengan menggunakan teknik pengambilan

sampel acak sederhana dengan menggunakan lot atau undian.

C. Variabel-variabel dalam penelitian

Variabel yang digunakan dalam penelitian ini terdiri dari lima variabel

yaitu satu variabel terikat (Y) dan empat variabel bebas (X) seperti berikut :

1. Produksi Kelapa Sawit (Y) dihitung dalam satuan kilogram (kg) yang

diambil dalam satu bulan yaitu pada bulan Mei 2012.

2. Jumlah pupuk (X1) dihitung dalam satuan kg/ha.

3. Jumlah tenaga kerja (X2).

4. Jumlah bibit (X3).

5. Jarak pupuk ke batang (X4) dihitung dalam satuan sentimeter (cm).

38

D. Instrumen Penelitian dan Teknik pengumpulan data

Penelitian ini menggunakan instrumen penelitian, yaitu kuesioner.

Kuesioner adalah daftar pertanyaan yang berkaitan dengan penelitian yang

dijawab oleh responden. Kuesioner dibagikan kepada responden dan diisi

langsung oleh responden.

Teknik pengumpulan data dalam penelitian ini menggunakan

wawancara. Wawancara adalah proses memperoleh keterangan untuk tujuan

penelitian dengan melakukan tanya jawab secara langsung antara peneliti

dengan petani kelapa sawit di Desa Pinang Merah Kabupaten Merangin

Provinsi Jambi.

E. Teknik analisa data

Sesuai dengan tujuan penelitian yaitu pembentukan model regresi linier

berganda maka teknik analisis data yang dilakukan adalah sebagai berikut:

1. Melakukan plot data

Plot data dapat menunjukkan sebaran data yang akan

memperlihatkan kenormalan suatu data. Kenormalan ini perlu dipenuhi

agar model dapat dipakai. Jika tebaran data mengikuti garis lurus

memberikan petunjuk awal bahwa variabel bebas dan terikat memiliki

hubungan yang linier. Selain itu, hubungan juga dapat berpola nonlinier

atau mungkin juga tidak terdapat hubungan yang jelas antara variabel

tersebut.

2. Bentuk model dengan seluruh variabel dengan menggunakan persamaan

(2).

39

3. Analisis sisaan untuk mengetahui apakah asumsi ada yang dilanggar.

Asumsi kelinieran diuji dengan menggunakan persamaan (9) dan uji

keberartian parameter menggunakan persamaan (10). Uji asumsi

kebebasan sisaan menggunakan persamaan (11). Uji asumsi kehomogenan

menggunakan plot residual versus the fitted values melalui Gambar 3. Uji

kenormalan sisaan menggunakan persamaan (12).

4. Jika ada yang dilanggar, lakukan transformasi dan kembali ke langkah-2.

5. Gunakan teknik untuk pemilihan model terbaik. Dalam penelitian ini

teknik yang digunakan adalah metode semua kombinasi yang mungkin.

6. Rekomendasikan model yang akan digunakan.

7. Interpretasi model terbaik yang telah didapatkan.

Untuk membantu pengolahan data digunakan software Minitab 14.

40

BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

A. Deskripsi Data

Penelitian yang dilakukan untuk melihat faktor-faktor yang

mempengaruhi produksi kelapa sawit di Desa Pinang Merah, dilaksanakan

dengan penyebaran kuesioner penelitian yang dibagikan kepada 102 petani

kelapa sawit di Desa Pinang Merah Kabupaten Merangin Provinsi Jambi yang

tabulasi datanya dapat dilihat pada lampiran II. Dari hasil yang diperoleh,

dapat dilihat data tentang maksimum, minimum, dan rata-rata pendapatan

petani kelapa sawit pada tabel berikut :

Tabel 3. Deskripsi Pendapatan/Bulan/Hektar dari Petani Kelapa

Sawit

Sumber : Data Kuesioner

Dari tabel di atas dapat dilihat bahwa pendapatan tertinggi dari petani

kelapa sawit di Desa pinang Merah per bulan per hektar adalah sebesar Rp

3.000.000,- dan pendapatan terendah adalah Rp 1.000.000,-. Rata-rata

pendapatan petani adalah sebesar Rp1.929.647,059,-. Rata-rata pendapatan

petani kelapa sawit di Desa Pinang Merah Kabupaten Merangin tergolong

belum memuaskan karena belum mencapai hasil maksimal yang seharusnya

didapatkan. Misalkan digunakan harga jual rata-rata per kilogram sebesar Rp

12.000,- maka seharusnya petani mendapatkan pendapatan sebesar Rp

Maksimum 3.000.000

Minimum 1.000.000

Rata-rata 1.929.647,059

s 552775.83

41

2.500.000,- hingga Rp. 3.000.000,- karena hasil produksi yang seharusnya

dicapai adalah 2,1 hingga 2,58 ton/ha/bulan. Meskipun ada petani yang

mendapatkan pendapatan diatas Rp 2.500.000,- namun jumlahnya hanya

sedikit yaitu hanya 15 orang saja. Adapun simpangan bakunya adalah sebesar

552775,83. Dengan demikian terdapat simpangan baku yang sangat besar dari

pendapatan petani kelapa sawit, artinya terjadi variasi yang sangat besar dari

pendapatan petani kelapa sawit di Desa Pinang Merah.

Produksi kelapa sawit di Desa Pinang Merah Kabupaten Merangin

dalam penelitian ini adalah sebagai variabel terikat (Y). Data tentang

maksimum, minimum, rata-rata, dan simpangan baku produksi kelapa sawit

disajikan pada tabel berikut :

Tabel 4. Deskripsi produksi kelapa sawit

Maksimum 2300

Minimum 900

Rata-rata (ӯ ) 1596.069

s 353.217

Sumber : Data kuesioner

Dari tabel di atas dapat dilihat bahwa produksi kelapa sawit tertinggi

adalah sebesar 2300 kilogram dan produksi terendah adalah sebesar 900

kilogram. Rata-rata produksi kelapa sawit di Desa Pinang Merah adalah

sebesar 1595,069 kilogram. Rata-rata produksi yang diperoleh petani masih

belum mencapai hasil yang memuaskan karena masih kurang dari hasil yang

seharusnya didapat yaitu 2,1 hingga 2,58 ton/ha/bulan menurut Pusat

Penelitian Kelapa Sawit. Simpangan bakunya adalah sebesar 353,217. Dengan

42

demikian terdapat simpangan baku yang besar, artinya hasil produksi kelapa

sawit yang didapatkan petani sangat beragam.

Jumlah pupuk yang digunakan oleh petani kelapa sawit di Desa Pinang

Merah pada penelitian ini adalah sebagai variabel bebas (X1). Data tentang

maksimum, minimum, rata-rata, dan simpangan baku jumlah pupuk yang

digunakan oleh petani kelapa sawit disajikan pada tabel berikut :

Tabel 5. Deskripsi Jumlah Pupuk (kg/ha)

Maksimum 1050

Minimum 150

Rata-rata 621.657

s 244.862


Dari tabel di atas dapat dilihat bahwa jumlah pupuk maksimum yang

digunakan petani adalah sebesar 1050 kilogram/hektar dan jumlah pupuk

minimum yang digunakan adalah sebesar 150 kilogram/hektar. Rata-rata

jumlah pupuk yang digunakan oleh petani kelapa sawit di Desa Pinang Merah

adalah sebesar 621,657 kilogram/hektar, sedangkan simpangan bakunya

adalah sebesar 244,862. Dengan demikian, terjadi penyimpangan yang besar

dari data terhadap rata-rata jumlah pupuk yang digunakan petani kelapa sawit.

Artinya jumlah pupuk yang digunakan petani kelapa sawit di Desa Pinang

Merah sangat beragam/bervariasi.

Jumlah tenaga kerja yang digunakan oleh petani dalam penelitian ini

adalah sebagai variabel bebas (X2). Data tentang maksimum, minimum, dan

43

rata-rata jumlah tenaga kerja yang digunakan oleh petani kelapa sawit

disajikan pada tabel berikut :

Tabel 6. Deskripsi Jumlah Tenaga Kerja

Maksimum 13

Minimum 1

Rata-rata 5


Dari tabel di atas dapat dilihat bahwa bahwa jumlah tenaga kerja

maksimum yang digunakan petani adalah sebanyak 13 orang dan jumlah

tenaga kerja minimum yang digunakan adalah sebanyak 1 orang. Rata-rata

jumlah tenaga kerja yang digunakan oleh petani kelapa sawit di Desa Pinang

Merah adalah sebanyak 5 orang. Berdasarkan wawancara dengan petani

kelapa sawit di Desa Pinang Merah, jumlah tenaga kerja yang berkisar dari

satu hingga tiga orang adalah tenaga kerja yang berasal dari keluarga petani

itu sendiri, seperti ayah, ibu, dan/atau anak-anaknya.

Jumlah bibit per hektar yang ditanami oleh petani dalam penelitian ini

adalah sebagai variabel bebas (X3). Data tentang maksimum, minimum, rata-

rata, dan simpangan baku jumlah bibit per hektar yang ditanami oleh petani

kelapa sawit disajikan pada tabel berikut :

Tabel 7. Deskripsi Jumlah bibit/Ha

Maksimum 161

Minimum 117

Rata-rata 142

s 13.119


44

Dari tabel di atas dapat dilihat bahwa jumlah bibit maksimum per hektar

yang ditanami oleh petani adalah sebanyak 161 batang dan jumlah bibit

minimum per hektar sebanyak 117 batang. Rata-rata jumlah bibit per hektar

yang ditanami oleh petani kelapa sawit di Desa Pinang Merah adalah sebanyak

142 batang, sedangkan simpangan bakunya adalah sebesar 13,119. Dengan

demikian terdapat variasi yang cukup kecil dari jumlah bibit per hektar,

artinya keberagaman jumlah bibit per hektar yang ditanami oleh petani kelapa

sawit di Desa Pinang Merah cukup kecil.

Jarak pupuk ke batang yang digunakan oleh petani dalam penelitian ini

adalah sebagai variabel bebas (X4). Data tentang maksimum, minimum, rata-

rata, dan simpangan baku jarak pupuk ke batang yang digunakan oleh petani

kelapa sawit disajikan pada tabel berikut :

Tabel 8. Deskripsi Jarak Pupuk ke Batang

Maksimum 250

Minimum 50

Rata-rata 157.098

S 49.382


Dari tabel di atas dapat dilihat bahwa jarak pupuk maksimum ke batang

yang digunakan oleh petani adalah sepanjang 250 sentimeter dan jarak pupuk

minimum ke batang yang digunakan adalah sepanjang 50 sentimeter. Rata-rata

jarak pupuk ke batang yang digunakan oleh petani kelapa sawit di Desa

Pinang Merah adalah sepanjang 157,098 sentimeter, sedangkan simpangan

bakunya adalah sebesar 49,382. Dengan demikian terdapat variasi yang cukup

45

besar dari jarak pupuk ke batang. Artinya jarak pupuk ke batang yang

digunakan oleh petani kelapa sawit di Desa Pinang Merah cukup

beragam/bervariasi.

B. Hasil Penelitian

Dalam melakukan pengolahan data, digunakan analisis regresi linier

berganda. Berdasarkan teknik analisis data yang telah dijelaskan pada bab

sebelumnya, maka diperoleh hasil analisis data sebagai berikut :

1. Model Regresi Linier Berganda

Langkah-langkah dalam pembentukan model regresi linier berganda

diantaranya :

a. Langkah awal yang dilakukan dalam mendapatkan model regresi linier

berganda adalah :

i. Bentuk model dengan kombinasi seluruh variabel

Dalam pembentukan model dengan kombinasi seluruh

variabel seperti yang dijelaskan pada teknik analisis data, dengan

menggunakan persamaan (2) didapat model regresi dengan

kombinasi seluruh variabel adalah sebagai berikut :

Ŷ = 1134 + 0.631 X1 + 24.7 X2 - 3.27 X3 + 2.71 X4

Dari model di atas dapat diinterpretasikan kesimpulan

sementara bahwa setiap peningkatan satu kilogram jumlah pupuk

(X1) akan meningkatkan produksi kelapa sawit sebesar 0,631 selagi

jumlah tenaga kerja (X2), jumlah bibit per hektar (X3), dan jarak

46

pupuk ke batang (X4) masih ada/memberikan pengaruh pada

model.

Untuk setiap peningkatan satu orang jumlah tenaga kerja (X2)

akan meningkatkan produksi kelapa sawit sebesar 24,7 selagi

jumlah pupuk (X1), jumlah bibit per hektar (X3), dan jarak pupuk

ke batang (X4) masih ada/memberikan pengaruh pada model.

Setiap peningkatan satu buah jumlah bibit per hektar (X3)

akan menurunkan produksi kelapa sawit sebesar 3,27 selagi jumlah

pupuk (X1), jumlah tenaga kerja (X2), dan jarak pupuk ke batang

(X4) masih ada/memberikan pengaruh pada model.

Untuk setiap peningkatan satu sentimeter jarak pupuk ke

batang (X4) akan meningkatkan produksi kelapa sawit sebesar 2,71

selagi jumlah pupuk (X1), jumlah tenaga kerja (X2), dan jumlah

bibit per hektar (X3) masih ada/memberikan pengaruh pada model.

ii. Uji Asumsi

a) Uji Kelinieran

Deteksi awal untuk melihat kelinieran antara variabel

terikat dan variabel bebas adalah dengan melihat plot data pada

scattetplot. Melalui scatterplot seperti pada Lampiran V dapat

dilihat bahwa antara variabel terikat dan variabel bebas terlihat

hubungan kelinieran sehingga asumsi kelinieran terpenuhi.

47

Untuk memperkuat bahwa asumsi kelinieran memang

terpenuhi, maka dilakukan uji signifikasi regresi (uji F).

Dengan menggunakan persamaan (9) didapat :

Fobs =

Fobs = 354,97

Nilai Fobs adalah 354,97 dan nilai F0,05(4,97) dalam table F

pada Lampiran VII adalah 2,48 maka Fobs > F0,05(4,97) sehingga

terima H1, hal ini berarti bahwa minimal terdapat satu variabel

bebas (X) yang memiliki hubungan linier dengan variabel

terikat (Y). Ini berarti bahwa asumsi kelinieran telah terpenuhi

secara pasti.

Setelah menguji kelinieran, maka perlu dilakukan uji

keberartian model guna mendapatkan variabel bebas yang

memang mempengaruhi variabel terikat. Melalui output

regression seperti pada Lampiran III dengan menggunakan

persamaan (10) dapat dilihat bahwa nilai untuk masing-

masing variabel X1, X2, X3, dan X4 secara berturut-turut adalah

9,72 , 4,32 , -4,27 , 7,28 dan t(0,025;97) pada table t seperti pada

Lampiran VIII adalah 1,988. Dapat dilihat bahwa untuk

masing-masing variabel yaitu:

X1 > ttabel

X2 > ttabel

X3 > ttabel

48

X4 > ttabel

maka terima H1 sehingga dapat disimpulkan bahwa variabel

X1, X2, X3, dan X4 berpengaruh secara signifikan terhadap

variabel terikat sehingga tidak dapat dihilangkan dari model.

b) Uji Kebebasan Sisaan (non autokorelasi)

Kebebasan sisaan (non autokorelasi) dapat dilihat pada

residual versus the order of the data. Jika sebaran plot sisaan

pada residual versus the order of the data tidak membentuk

pola tertentu maka menandakan sisaan sudah saling bebas

dalam artian waktu tidak mempengaruhi pengambilan data.

Dari residual plot pada Lampiran IV dapat dilihat bahwa

sebaran titik pada residual versus the order of the data tidak

membentuk pola tertentu, ini menyatakan bahwa asumsi

kebebasan sisaan telah terpenuhi.

Cara lain untuk mendeteksi asumsi kebebasan sisaan

adalah dengan menggunakan statistic Durbin Watson, dimana

jika nilai d > dU dan 4 – d > dU maka tidak terdapat

autokorelasi baik positif maupun negatif. Pada Lampiran IX

terlihat bahwa nilai dU adalah 1,74 dan nilai statistic Durbin

Watson pada Lampiran I menggunakan persamaan (11) adalah

1,79046 maka nilai Durbin Watson (d) besar dari nilai dU. Hal

ini berarti bahwa tidak terdapat autokorelasi sehingga

kebebasan sisaan terpenuhi secara pasti.

49

c) Uji Kehomogenan Ragam Sisaan

Pemeriksaan asumsi kehomogenan ragam sisaan dapat

dilihat pada residual versus the fitted values, dimana jika

sebaran titik pada residual versus the fitted values tersebar

acak, tidak ada pola yang sistematis serta titik-titik menyebar

disekitar angka nol maka dapat dinyatakan asumsi

kehomogenan ragam sisaan terpenuhi. Dari residual plot pada

Lampiran IV dapat dilihat bahwa sebaran titik pada residual

versus the fitted values telah tersebar secara acak, tidak terdapat

pola yang sistematis serta titik-titik menyebar disekitar nol

meskipun terdapat empat buah titik yang merupakan pencilan,

ini menyatakan bahwa kehomogenan ragam sisa telah

terpenuhi.

d) Uji Kenormalan Sisaan

Pemeriksaan asumsi kenormalan sisaan dapat dilihat

melalui normal probability plot of the residual. Jika sebaran

titik mengikuti pita kenormalan serta P-value > 0,05 maka

asumsi kenormalan sisaan terpenuhi. Pada Lampiran V terlihat

pada normal probability plot of the residual sebaran titik

mengikuti pita kenormalan dan dengan menggunakan uji

Anderson Darling pada persamaan (12) didapat bahwa P-value

50

adalah 0,153 (P-Value > 0,05) maka dapat dikatakan bahwa

kenormalan sisaan telah terpenuhi.

Karena keempat asumsi regresi linier berganda telah

terpenuhi, maka tidak perlu dilakukan transformasi dan dapat

dilanjutkan dengan pemilihan model terbaik.

iii. Kriteria penilaian model terbaik melalui metode semua kombinasi

yang mungkin yaitu melalui perbandingan , S2, Cp Mallows,

dan nilai VIF

Dalam pemilihan model terbaik salah satu cara yang

dilakukan adalah dengan melihat nilai , rataan kuadrat sisa (S2),

dan Cp Mallows dari masing-masing variabel bebas dan

kombinasinya terhadap variabel terikat. Penentuan

menggunakan persamaan (14), S2

menggunakan persamaan (15) ,

dan Cp Mallows menggunakan persamaan (16) dapat dilihat dari

hasil output statistic regression seperti pada Lampiran V. Model

yang baik adalah model dengan nilai mendekati 1, nilai S2

terkecil dari masing-masing variabel dan kombinasinya, dan nilai

Cp Mallows yang mendekati p (dalam penelitian ini p=5) dari

maisng-masing variabel dan kombinasinya. Nilai dari , S2, dan

Cp Mallows dapat dilihat pada tabel berikut:

51

Tabel 9. Nilai , S2, dan Cp Mallows dari Masing-Masing Model

Kelompok Kombinasi

peubah R

2_adj Cp_Mallows S

2

A

1 X1 81,63% 177,9 21904

2 X2 62,56% 464,3 44521

3 X3 24,82% 1031,2 89401

4 X4 83,23% 153,9 19881

B

1 X1X2 86,88% 99,1 15625

2 X1X3 85,92% 113,4 16900

3 X1X4 90,90% 39,3 10816

4 X2X3 68,13% 377,9 38025

5 X2X4 86,27% 108,2 16384

6 X3X4 83,98% 142,1 19044

C

1 X1X2X3 89,81% 56,0 12100

2 X1X2X4 92,17% 21,2 9331,56

3 X1X3X4 92,14% 21,6 9370,24

4 X2X3X4 86,99% 97,5 15625

D 1 X1X2X3X4 93,34% 5 7938,81

Dari Tabel 9 dapat dilihat variabel bebas dan kombinasinya

sebanyak 15 buah yang dikelompokkan dalam 4 kelompok. Dalam

setiap kelompok diambil beberapa kombinasi terbaik. Berdasarkan

kriteria dalam menentukan penentuan model terbaik seperti

dijelaskan di atas maka masing-masing kelompok dapat dipilih

calon persamaan terbaik yang menjadi perwakilan dari masing-

masing kelompok dan kombinasinya. Model calon persamaan

terbaik dari kelompok A yaitu model A4 dengan R2

adjusted terbesar,

S2 terkecil, dan Cp Mallows yang paling mendekati 2 dibandingkan

model dalam kelompok A lainnya.

Model calon persamaan terbaik dari kelompok B yaitu model

B3 dengan R2

adjusted terbesar, S2 terkecil, dan Cp Mallows yang

52

paling mendekati 3 dibandingkan model dalam kelompok B

lainnya. Karena pada calon persamaan terbaik model B3

mengandung variabel X1, maka pada kelompok A terpilih pula

model A1 sebagai calon persamaan terbaik juga. Kemudian dipilih

kembali calon persamaan terbaik dari kelompok B yang

mengandung variabel X1 yang mengalami peningkatan pada nilai

R2

adjusted apabila ditambahkan variabel lainnya (variabel X2 atau

X3), sehingga terpilihlah model B1 sebagai calon persamaan terbaik

selanjutnya.

Model calon persamaan terbaik dari kelompok C yang akan

dipilih yaitu model yang mengandung variabel X1X2 atau X1X4

yang apabila ditambahkan variabel X3 akan meningkatkan nilai

R2

adjusted. Maka model calon persamaan terbaik dari kelompok C

yaitu C1, C2, da C3.

Model D juga masuk sebagai model persamaan terbaik

karena mempunyai nilai R2

adjusted terbesar, S2 terkecil, dan Cp

Mallows yang mendekati 5. Maka terpilihlah 9 calon persamaan

terbaik dari masing-masing kelompok yaitu kelompok A1, A4, B1,

B3, C1, C2, C3, dan D4. Model tersebut akan dipilih kembali untuk

mendapatkan calon persamaan terbaik yang akan digunakan. Calon

dari persamaan terbaik dari masing-masing kelompok dapat dilihat

pada Tabel 10 berikut :

53

Tabel 10. Calon Persamaan Terbaik

Dari Tabel 10 akan dipilih calon persamaan terbaik

berikutnya. Dengan membandingkan nilai R2

adjusted, S2 dan Cp

Mallowsnya maka terpilih tiga model persamaan terbaik, yaitu

model C2, C3, dan D karena ketiga model ini memiliki R2

adjusted

yang besar, S2 yang kecil, dan Cp Mallows yang paling mendekati

p masing-masing model.

Selain pemeriksaan terhadap , S2, dan Cp Mallows

selanjutnya kita perlu melihat korelasi antar variabel bebas. Untuk

mendeteksi adanya multikolinearitas dapat menggunakan nilai

VIF. Jika nilai VIF < 5, maka tidak ada korelasi antar peubah bebas

dan asumsi non multikolinearitas terpenuhi. Dengan menggunakan

persamaan (17) didapat nilai VIF seperti pada lampiran VI. Tiga

calon dari persamaan terbaik dari masing-masing kelompok dapat

dilihat pada Tabel 11 berikut :

Kelompok Kombinasi

peubah Persamaan Regresi R

2_adj Cp_Mallows S

2

A 1 X1 Ŷ = 785 + 1,29X1 81,63% 177,9 21904

4 X4 Ŷ = 577 + 6,68X4 83,23% 153,9 19881

B 1 X1X2 Ŷ = 766 + 0,97X1 + 46,8X4 86,88% 99,1 15625

3 X1X4 Ŷ = 584 + 0,679X1 + 3,83X4 90,90% 39,3 10816

C

1 X1X2X3

Ŷ = 1522 + 0,921X1

+ 40,8X2 – 4,92X3 89,81% 56,0 12100

2 X1X2X4

Ŷ = 608 + 0,61X1 + 25,6X2

+ 3,18X4 92,17% 21,2 9331,56

3 X1X3X4

Ŷ = 1131 + 0,697X1

– 3,39X3 + 3,32X4 92,14% 21,6 9370,24

D 1 X1X2X3X4 Ŷ = 1134 + 0,631X1 +24,7X2

– 3,27X3 + 2,71X4 93,34% 5 7938,81

54

Tabel 11. Nilai VIF Masing-Masing Variabel Pengaruh

Pada Calon Persamaan Terbaik

Variabel

Pengaruh

Model C Model D

Model C2 Model C3

B VIF B VIF B VIF

X1 0,61 3,142 0,697 2,980 0,63 3,2

X2 25,65 2,323 - - 24,7 2,3

X3 - - -3,39 1,276 -3,27 1,3

X4 3,18 3,580 3,32 3,344 2,71 3,9

Dari Tabel 11 dapat dilihat bahwa semua nilai VIF < 5,

maka tidak terjadi multikolinearitas pada ketiga model. Maka

dipilih satu model persamaan terbaik yaitu model D karena

memiliki R2adjusted terbesar, S

2 terkecil, dan Cp Mallows

mendekati p (p=5 untuk 4 variabel) dibandingkan kelompok C2

dan C3. Dengan demikian dapat disimpulkan bahwa model

terbaik dari ketiga kombinasi di atas adalah model D yaitu

X1X2X3X4.

iv. Rekomendasi model yang akan digunakan

Dalam penetapan persamaan model terbaik kita perlu

memperhatikan tujuan dari penelitian yang kita lakukan. Menurut

Sembiring (1995: 243) bahwa “model yang terbaik sering tidak

ada, tapi ada beberapa model yang baik. Suatu model mungkin

baik untuk suatu tujuan tapi model lain mungkin lebih baik untuk

tujuan yang lain. Model mana yang kemudian sebaiknya digunakan

tergantung pada pemahaman kita tentang permasalahan yang

dihadapi dan untuk apa model itu digunakan.”

55

Berdasarkan pernyataan Sembiring di atas, maka model

terbaik yang cocok dan sesuai dengan tujuan dan permasalahan

yang dihadapi dalam penelitian ini adalah kombinasi antara

X1X2X3X4 setelah dilakukan langkah-langkah dalam pemilihan

model terbaik. Dimana dugaan/prediksi persamaan regresi linier

bergandanya adalah :

Ŷ = 1134 + 0,631X1 + 24,7X2 – 3,27X3 + 2,71X4

v. Interpretasi variabel yang berpengaruh secara langsung dari model

yang didapatkan

Berdasarkan analisis data menggunakan regresi linier

berganda diperoleh model persamaan terbaik dari pengaruh faktor-

faktor yang mempengaruhi produksi kelapa sawit di Desa Pinang

Merah Kabupaten Merangin Provinsi Jambi yaitu : Ŷ = 1134 +

0,631X1 + 24,7X2 – 3,27X3 + 2,71X4. Dari model dapat dilihat

bahwa variabel yang berpengaruh adalah X1, X2, X3, dan X4.

Dimana X1 adalah jumlah pupuk, X2 adalah jumlah tenaga kerja,

X3 adalah jumlah bibit per hektar, dan X4 adalah jarak pupuk ke

batang. Dari model terbaik tersebut dapat diinterpretasikan bahwa

setiap peningkatan satu kilogram pupuk maka akan menambah

produksi kelapa sawit sebesar 0,631 kilogram, setiap kenaikan satu

orang tenaga kerja akan menaikkan produksi kelapa sawit sebesar

24,7 kilogram, kemudian setiap peningkatan satu buah bibit akan

menurunkan produksi kelapa sawit sebesar 3,27 kilogram, dan

56

setiap peningkatan satu sentimeter jarak pupuk ke batang maka

akan meningkatkan produksi kelapa sawit sebesar 2,71 kilogram.

C. Pembahasan

Penelitian ini merupakan penelitian deskriptif yang diawali dengan

survei, dimana alat pengumpulan data yang digunakan adalah kuesioner.

Adapun variabel yang dilihat pada penelitian ini yaitu variabel bebas (X)

berupa jumlah pupuk (X1), jumlah tenaga kerja (X2), jumlah bibit per hektar

(X3), dan jarak pupuk ke batang (X4) serta variabel terikat (Y) berupa produksi

kelapa sawit di Desa Pinang Merah Kabupaten Merangin Provinsi Jambi.

Berdasarkan analisis menggunakan regresi linier berganda, dari plot data

dapat dilihat bahwa pencaran titik terlihat adanya hubungan kelinieran. Hal

tersebut berarti bahwa keragaman variabel terikat semata-mata dipengaruhi

oleh variable bebas. Selanjutnya dari plot sisaan dapat dilihat bahwa sebaran

titik tidak membentuk pola yang sistematis dan menyebar secara acak, hal ini

berarti bahwa sisaan saling bebas dan homogen. Ini menunjukkan bahwa nilai

pengamatan tidak dipengaruhi oleh pengamatan lainnya dan waktu tidak

mempengaruhi data dan setiap pengamatan memiliki informasi yang sama

penting dalam setiap variabel. Plot sisaan juga menunjukkan terpenuhinya

asumsi kenormalan.

Model regresi linier berganda yang didapatkan dari pengaruh faktor

jumlah pupuk, jumlah tenaga kerja, jumlah bibit per hektar, dan jarak pupuk

ke batang terhadap produksi kelapa sawit di Desa Pinang Merak Kabupaten

Merangin Provinsi Jambi adalah Ŷ = 1134 + 0,631X1 + 24,7X2 – 3,27X3 +

57

2,71X4. Dari model dapat dilihat bahwa variable terikat hanya dipengaruhi

oleh X1, X2, X3, dan X4. Hal ini menyatakan bahwa produksi kelapa sawit di

Desa Pinang Merah Kabupaten Merangin Provinsi Jambi dipengaruhi oleh

faktor jumlah pupuk, jumlah tenaga kerja, jumlah bibit per hektar, dan jarak

pupuk ke batang.

58

BAB V

PENUTUP

A. KESIMPULAN

Berdasarkan hasil penelitian dan pembahasan diperoleh kesimpulan

sebagai berikut :

1. Bentuk model regresi linier berganda untuk mendeskripsikan

pengaruh faktor jumlah pupuk, jumlah tenaga kerja, jumlah bibit per

hektar, dan jarak pupuk ke batang terhadap produksi kelapa sawit di

Desa Pinang Merak Kabupaten Merangin Provinsi Jambi adalah :

Ŷ = 1134 + 0,631X1 + 24,7X2 – 3,27X3 + 2,71X4

2. Faktor yang berpengaruh terhadap produksi kelapa sawit di Desa

Pinang Merah Kabupaten Merangin Provinsi Jambi adalah jumlah

pupuk, jumlah tenaga kerja, jumlah bibit per hektar, dan jarak pupuk

ke batang.

B. SARAN

Adapun saran-saran yang dapat penulis sampaikan adalah sebagai

berikut :

1. Bagi petani kelapa sawit di Desa Pinang Merah Kabupaten Merangin

Provinsi Jambi sebaiknya lebih memperhatikan jumlah pupuk, jumlah

tenaga kerja, jumlah bibit per hektar dan jarak pupuk ke batang agar dapat

meningkatkan hasil produksi kelapa sawitnya.

59

2. Diharapkan dapat menjadi bahan masukan dan evaluasi bagi instansi Dinas

Perkebunan Kabupaten Merangin.

3. Bagi peneliti selanjutnya untuk melibatkan variabel-variabel lain yang

diperkirakan mampu menjelaskan penentu faktor-faktor yang


Merangin Provinsi Jambi.

60

DAFTAR PUSTAKA

Bahmi, Yulizen. 2011. Analisis Pengaruh Faktor Lingkungan Terhadap Prestasi

Akademik Mahasiswa Jurusan Matematika FMIPA UNP Menggunakan

Regresi Linier Berganda. Skripsi. Padang: FMIPA UNP.

Cochran, William G. 1991. Teknik Penarikan Sampling, Jakarta: Universitas

Indonesia.

Daniel. 2004. Pengantar Ekonomi Pertanian, Jakarta: Bumi Aksara.

Fauzi, Yan, dkk. 2002. Kelapa Sawit : Budi Daya, Pemanfaatan Hasil dan

Limbah, Analisis Usaha dan Pemasaran. Penebar Swadaya: Jakarta.

Lutfri. 2000. Kiat Memahami Metodologi dan Melakukan Penelitian. Padang:

UNP Press.

Malau, Meiliwita. 2006. Faktor-Faktor yang Mempengaruhi Produksi Tanaman

Nilam di Kecamatan Pugai Utara Selatan Kabupaten Kepulauan

Mentawai. Skripsi. Padang: FE UNP.

McGee, Makridakis Wheelwaight. 1999. Metode dan Aplikasi Peramalan.

Binarupa Aksara: Jakarta.

Montgomery, Douglas C. Elizabeth A. Peok, & G. Geoffery Vining. 2006.

Introduction to Linear Regression Analysis. Canada: Wiley-Interscience.

Mubyarto. 1986. Pengantar Ekonomi Pertanian, Edisi V, Jakarta: LP3ES.

Purba, Razak, dkk. 2003. Budidaya Kelapa Sawit. Pusat Penelitian Kelapa Sawit:

Medan.

Saragih, Bungaran. 2001. Suara Dari Bogor, Membangun Sistem Agribisnis,

Bogor: IPB.

Selardi, Sastrosayono. 2003. Kiat Mengatasi Permasalahan Praktis Budidaya

Kelapa Sawit. Agromedia Pustaka: Jakarta.

Sembiring, R.K. 1995. Analisis Regresi, Bandung: ITB.

61

Setyamidjaja, Djoehana. 1992. Budidaya Kelapa Sawit. Kanisius (Anggota

IKAPI): Yogyakarta.

Soekartawi. 1984. Ilmu Usaha Tani dan Penelitian Untuk Pembangunan Petani

Kecil, Jakarta: LP FE-UI.

--------------. 1990. Prinsip Dasar Ekonomi Pertanian Teori dan Aplikasi, Jakarta:

Rajawali Pers.

Sudarso. 1991. Pembangunan Ekonomi Mikro, Jakarta: PT. Rineka Cipta.

Sukirno, Sadono. 1976. Beberapa Aspek dalam Pembangunan Daerah, Jakarta:

LP FE-UI.

http://krisnafr.multiply.com/journal/item/49/49?&show_interstitial=1&u=%2Fjou

rnal%2Fitem. Diakses tanggal 23 Maret 2012.

http://elmurobbie.files.wordpress.com/2009/06/principal-component-analysis-

pca2.pdf. Diakses tanggal 23 Juni 2012.





62

Lampiran I

KUESIONER PENELITIAN

PETUNJUK

Seperangkat pertanyaan ini bertujuan untuk melihat faktor-faktor yang

mempengaruhi hasil produksi kelapa sawit di Desa Pinang Merah Kabupaten

Merangin Provinsi Jambi. Penulis mohon agar responden mengisi dan menjawab

pertanyaan dengan jujur, penuh keyakinan yang tinggi tanpa suatu keraguan, dan

objektif.

Responden diminta mengisi Nama, Jenis kelamin, dan Penghasilan per

bulan dari satu hektar lahan kelapa sawit, Ini bertujuan jika terjadi kesalahan

dalam pengisian kuesioner maka peneliti bisa menemui responden dengan mudah.

Untuk meyakinkan responden dalam mengisi dan membantu penelitian ini,

diinformasikan bahwa data yang peneliti peroleh dari kuesioner ini hanya untuk

penelitian. Identitas dan jawaban responden akan dirahasiakan.

Identitas Responden

Nama :

Jenis kelamin :

Pendapatan per bulan :

Identitas Peneliti

Nama : Nora Sinaga

Nim/BP : 12903 / 2009

Jurusan / Prodi : Matematika / Statistika

Alamat : Kabupaten Merangin.

Judul penelitian :Faktor-Faktor yang Mempengaruhi Produksi Kelapa Sawit

di Desa Pinang Merah Kabupaten Merangin Provinsi Jambi

Menggunakan Analisis Regresi Linier Berganda

63

Faktor-Faktor yang Mempengaruhi Produksi Kelapa Sawit di Desa Pinang

Merah Kabupaten Merangin Provinsi Jambi Menggunakan Analisis Regresi

Linier Berganda

1. Produksi kelapa sawit

Berapa kilogram produksi kelapa sawit yang Bapak/Ibu/Saudara/i dapat

dalam 1 bulan (bulan Mei) ?……………….kg/ha

2. Jumlah Pupuk

Berapa rata-rata intensitas pupuk buatan ( kg/ha) yang

Bapak/Ibu/Saudara/i habiskan untuk memupuk tanaman kelapa sawit

dalam 6 bulan sekali? …….

3. Jumlah tenaga kerja

Berapa jumlah tenaga kerja yang Bapak/Ibu/Saudara/i butuhkan dalam

mengelola tanaman kelapa sawit mulai dari persemaian hingga panen?

.....…orang

4. Berapa rata-rata jumlah bibit yang Bapak/Ibu/Saudara/i tanami dalam 1

hektar ? …………batang/ha

5. Berapa jarak pupuk ke batang kelapa sawit yang Bapak/Ibu/Saudara/i

gunakan ketika terakhir kali melakukan pemupukan? …………..cm

Atas perhatian dan kerjasamanya, saya ucapkan terima kasih.

64

Lampiran II

TABULASI HASIL PENELITIAN DARI RESPONDEN

No. Nama KK Pendapatan/bula

n/ha (Rp) Y X1 X2 X3 X4

1 S R. 1.600.000 1400 350 4 155 120

2 Sk 2.500.000 2000 1003 8 126 200

3 Nd 2.000.000 1600 752 5 153 130

4 Sd 1.500.000 1300 400 5 148 100

5 St 3.000.000 2300 750 13 120 250

6 Sk 1.800.000 1500 450 9 153 130

7 Dr 2.000.000 1600 650 3 142 120

8 H S 2.500.000 2000 1000 10 135 200

9 Sp 2.400.000 1850 905 7 140 175

10 Jn 3.000.000 2300 853 8 117 250

11 Pn 1.300.000 1225 300 2 160 100

12 Ngm 2.300.000 1850 750 4 135 125

13 Sr 2.800.000 2250 902 8 120 230

14 Km 1.800.000 1500 753 3 160 100

15 A. M 2.300.000 1800 750 5 137 175

16 Sm 1.900.000 1600 600 3 158 120

17 Dm 2.200.000 1800 703 7 135 180

18 I B 1.400.000 1250 350 2 160 100

19 Sy 1.400.000 1300 550 3 155 110

20 Wt 1.400.000 1300 500 3 155 100

21 Pjy 2.000.000 1700 752 6 149 150

22 Rkm 1.250.000 1300 500 3 136 125

23 Ksw 1.200.000 1200 300 2 155 120

24 Sht 2.000.000 1500 650 5 154 150

25 Rsl 1.800.000 1400 500 5 157 140

26 Swr 1.200.000 1000 350 2 160 80

27 Usp 1.300.000 1200 300 3 159 100

28 Tkr 2.400.000 1900 803 7 135 170

29 G R 2.600.000 2100 702 9 118 210

30 Krm 1.300.000 1300 750 2 155 120

31 S J W 1.900.000 1700 900 6 138 140

32 Srm 1.800.000 1500 650 4 154 140

33 Sst 2.400.000 1900 800 8 138 180

34 U T 1.700.000 1450 500 4 150 150

65

35 Trm 1.200.000 1100 250 2 158 90

36 Tryn 1.900.000 1550 650 9 154 175

37 O S 1.900.000 1650 600 7 137 155

38 T K 2.700.000 2100 900 5 120 250

39 Gnt 2.300.000 1900 874 4 127 200

40 Why 1.200.000 1250 250 2 159 100

41 Skr 2.500.000 2000 850 6 118 230

42 Sdm 2.500.000 2000 900 4 123 200

43 Slm 2.300.000 1900 850 6 139 200

44 Tmp 1.250.000 1250 300 2 157 100

45 Srw 2.100.000 1750 750 4 137 160

46 Hrt 1.100.000 1225 550 1 159 90

47 Lsm 2.100.000 1650 700 6 135 130

48 Tgm 1.100.000 1200 250 2 157 120

49 Tls 1.700.000 1400 500 3 155 150

50 Ksn 1.800.000 1550 550 5 155 150

51 Ytn 1.100.000 1000 200 1 158 80

52 Abd. M 1.000.000 900 150 2 132 50

53 Sgt 1.300.000 1250 250 4 153 100

54 Sko 1.800.000 1500 550 3 148 200

55 Nlm 2.300.000 1800 950 6 156 180

56 A Y 2.600.000 2000 1003 8 153 210

57 Sdr 1.800.000 1450 600 3 155 135

58 H S 2.300.000 1900 900 5 137 200

59 Kt 2.250.000 1900 854 4 135 180

60 Slmm 1.000.000 1000 250 1 155 90

61 Sds 2.600.000 2000 950 7 123 200

62 Sro 2.100.000 1650 600 6 155 150

63 Hsh 1.200.000 1200 350 2 161 120

64 Ktm 1.600.000 1400 450 4 153 150

65 Efn 1.850.000 1550 700 3 125 150

66 S U 1.000.000 1100 200 1 127 100

67 L PD 1.800.000 1500 650 2 148 160

68 Snj 2.200.000 1700 750 5 135 150

69 P. S 1.300.000 1200 250 3 155 110

70 Pnr 2.250.000 1800 750 8 137 180

71 Ntn 2.700.000 2150 1000 7 118 230

72 Nlam 1.100.000 1000 300 3 135 70

66

73 Smr 1.600.000 1450 500 5 140 150

74 A. J 2.300.000 1800 650 3 132 150

75 Sdj 1.000.000 1000 150 2 126 70

76 Tmun 1.300.000 1200 250 2 130 100

77 Nyo 2.100.000 1850 700 6 123 210

78 Pry 1.550.000 1450 550 5 137 160

79 Snrt 2.400.000 1875 950 7 148 190

80 W M. 1.000.000 975 150 1 125 50

81 Kso 1.850.000 1500 700 4 145 160

82 Kdn 2.750.000 2150 900 8 120 250

83 Asr 2.400.000 1975 854 5 126 130

84 Msm 1.900.000 1550 550 3 136 125

85 Sbr 1.600.000 1400 450 3 132 170

86 Bj 2.400.000 1950 850 5 137 200

87 Yd 3.000.000 2300 1050 9 142 230

88 Yhy 2.700.000 2150 904 5 138 250

89 Msw 1.700.000 1400 500 4 147 120

90 Smdn 1.900.000 1550 650 6 140 150

91 M W 2.200.000 1900 850 7 134 180

92 Smdn 1.800.000 1500 750 5 155 150

93 Sjt 1.900.000 1650 850 4 153 150

94 Suy 1.300.000 1250 350 2 125 120

95 Sjy 2.000.000 1600 700 4 137 150

96 Wgm 1.200.000 1100 300 1 123 90

97 Tgm 2.200.000 1700 850 7 139 150

98 Suhd 1.500.000 1350 350 3 127 110

99 A M 1.850.000 1500 600 4 148 175

100 Abd. K 2.200.000 1750 800 5 155 190

101 Msri 1.700.000 1400 600 3 153 140

102 Rb 2.400.000 1900 850 6 138 200

67

Lampiran III

Regression Analysis: y versus x1, x2, x3, x4 The regression equation is

y = 1134 + 0.631 x1 + 24.7 x2 - 3.27 x3 + 2.71 x4

Predictor Coef SE Coef T P VIF

Constant 1134.2 126.9 8.94 0.000

x1 0.63056 0.06488 9.72 0.000 3.2

x2 24.734 5.728 4.32 0.000 2.3

x3 -3.2677 0.7662 -4.27 0.000 1.3

x4 2.7075 0.3718 7.28 0.000 3.9

S = 89.0903 R-Sq = 93.6% R-Sq(adj) = 93.3%

Analysis of Variance

Source DF SS MS F P

Regression 4 11269840 2817460 354.97 0.000

Residual Error 97 769897 7937

Total 101 12039737

Source DF Seq SS

x1 1 9849856

x2 1 641007

x3 1 358082

x4 1 420895

Unusual Observations

Obs x1 y Fit SE Fit Residual St Resid

5 750 2300.00 2213.42 42.05 86.58 1.10 X

12 750 1850.00 1603.36 20.08 246.64 2.84R

16 600 1600.00 1395.34 15.84 204.66 2.33R

30 750 1300.00 1475.00 23.55 -175.00 -2.04R

36 650 1550.00 1737.26 27.05 -187.26 -2.21R

74 650 1800.00 1593.06 15.42 206.94 2.36R

83 854 1975.00 1736.62 27.20 238.38 2.81R

R denotes an observation with a large standardized residual.

X denotes an observation whose X value gives it large influence.

Durbin-Watson statistic = 1.79046

68

Lampiran IV

Residual Plots for y

Residual

Pe

rce

nt

3001500-150-300

99.9

99

90

50

10

1

0.1

Fitted Value

Re

sid

ua

l

200015001000

200

100

0

-100

-200

Residual

Fre

qu

en

cy

2001000-100-200

30

20

10

0

Observation Order

Re

sid

ua

l

1009080706050403020101

200

100

0

-100

-200

Normal Probability Plot of the Residuals Residuals Versus the Fitted Values

Histogram of the Residuals Residuals Versus the Order of the Data

Residual Plots for y

69

Lampiran V

y 1000800600400200 129630

2500

2000

1500

1000

160150140130120

2500

2000

1500

1000

25020015010050

x1 x2

x3 x4

Scatterplot of y vs x1, x2, x3, x4

RESI1

Pe

rce

nt

3002001000-100-200-300

99.9

99

95

90

80

7060504030

20

10

5

1

0.1

Mean

0.153

-1.69416E-12

StDev 87.31

N 102

AD 0.550

P-Value

Probability Plot of RESI1Normal - 95% CI

70

Lampiran VI

Regression Analysis: y versus x1 The regression equation is

y = 785 + 1.29 x1

Predictor Coef SE Coef T P

Constant 785.01 40.36 19.45 0.000

x1 1.28588 0.06063 21.21 0.000

S = 147.982 R-Sq = 81.8% R-Sq(adj) = 81.6%

Stepwise Regression: y versus x1, x2, x3, x4 (x1) Alpha-to-Enter: 0.05 Alpha-to-Remove: 0.05

Response is y on 4 predictors, with N = 102

Step 1 2 3 4

Constant 785.0 584.3 608.2 1134.2

x1 1.286 0.679 0.610 0.631

T-Value 21.21 9.24 8.70 9.72

P-Value 0.000 0.000 0.000 0.000

x4 3.83 3.18 2.71

T-Value 10.15 8.25 7.28

P-Value 0.000 0.000 0.000

x2 25.6 24.7

T-Value 4.13 4.32

P-Value 0.000 0.000

x3 -3.27

T-Value -4.27

P-Value 0.000

S 148 104 96.6 89.1

R-Sq 81.81 91.08 92.41 93.61

R-Sq(adj) 81.63 90.90 92.17 93.34

Mallows C-p 177.9 39.3 21.2 5.0

PRESS 2266202 1160467 1005606 863571

R-Sq(pred) 81.18 90.36 91.65 92.83

71


y = 1050 + 116 x2


Constant 1050.20 45.91 22.88 0.000

x2 116.036 8.906 13.03 0.000

S = 211.265 R-Sq = 62.9% R-Sq(adj) = 62.6%



Step 1 2 3 4

Constant 1050.2 765.8 608.2 1134.2

x2 116.0 46.8 25.6 24.7

T-Value 13.03 6.40 4.13 4.32

P-Value 0.000 0.000 0.000 0.000

x1 0.970 0.610 0.631

T-Value 13.65 8.70 9.72

P-Value 0.000 0.000 0.000

x4 3.18 2.71

T-Value 8.25 7.28

P-Value 0.000 0.000

x3 -3.27

T-Value -4.27

P-Value 0.000

S 211 125 96.6 89.1

R-Sq 62.93 87.14 92.41 93.61

R-Sq(adj) 62.56 86.88 92.17 93.34

Mallows C-p 464.3 99.1 21.2 5.0

PRESS 4669381 1678269 1005606 863571

R-Sq(pred) 61.22 86.06 91.65 92.83

72


y = 3477 - 13.3 x3


Constant 3477.0 324.6 10.71 0.000

x3 -13.348 2.278 -5.86 0.000

S = 299.369 R-Sq = 25.6% R-Sq(adj) = 24.8%



Step 1 2 3 4

Constant 3477 1687 1131 1134

x3 -13.35 -5.88 -3.39 -3.27

T-Value -5.86 -5.61 -4.08 -4.27

P-Value 0.000 0.000 0.000 0.000

x1 1.178 0.697 0.631

T-Value 20.85 10.19 9.72

P-Value 0.000 0.000 0.000

x4 3.32 2.71

T-Value 8.91 7.28

P-Value 0.000 0.000

x2 24.7

T-Value 4.32

P-Value 0.000

S 299 130 96.8 89.1

R-Sq 25.56 86.19 92.38 93.61

R-Sq(adj) 24.82 85.92 92.14 93.34

Mallows C-p 1031.2 113.4 21.6 5.0

PRESS 9352393 1785804 1012222 863571

R-Sq(pred) 22.32 85.17 91.59 92.83

73


y = 577 + 6.68 x4


Constant 577.40 46.99 12.29 0.000

x4 6.6773 0.2979 22.41 0.000

S = 141.385 R-Sq = 83.4% R-Sq(adj) = 83.2%



Step 1 2 3 4

Constant 577.4 584.3 608.2 1134.2

x4 6.68 3.83 3.18 2.71

T-Value 22.41 10.15 8.25 7.28

P-Value 0.000 0.000 0.000 0.000

x1 0.679 0.610 0.631

T-Value 9.24 8.70 9.72

P-Value 0.000 0.000 0.000

x2 25.6 24.7

T-Value 4.13 4.32

P-Value 0.000 0.000

x3 -3.27

T-Value -4.27

P-Value 0.000

S 141 104 96.6 89.1

R-Sq 83.40 91.08 92.41 93.61

R-Sq(adj) 83.23 90.90 92.17 93.34

Mallows C-p 153.9 39.3 21.2 5.0

PRESS 2065166 1160467 1005606 863571

R-Sq(pred) 82.85 90.36 91.65 92.83

74

Regression Analysis: y versus x1, x2 The regression equation is

y = 766 + 0.970 x1 + 46.8 x2


Constant 765.84 34.25 22.36 0.000

x1 0.97041 0.07110 13.65 0.000

x2 46.826 7.316 6.40 0.000

S = 125.081 R-Sq = 87.1% R-Sq(adj) = 86.9%

Stepwise Regression: y versus x1, x2, x3, x4 (x1x2) Alpha-to-Enter: 0.05 Alpha-to-Remove: 0.05


Step 1 2 3

Constant 765.8 608.2 1134.2

x1 0.970 0.610 0.631

T-Value 13.65 8.70 9.72

P-Value 0.000 0.000 0.000

x2 46.8 25.6 24.7

T-Value 6.40 4.13 4.32

P-Value 0.000 0.000 0.000

x4 3.18 2.71

T-Value 8.25 7.28

P-Value 0.000 0.000

x3 -3.27

T-Value -4.27

P-Value 0.000

S 125 96.6 89.1

R-Sq 87.14 92.41 93.61

R-Sq(adj) 86.88 92.17 93.34

Mallows C-p 99.1 21.2 5.0

PRESS 1678269 1005606 863571

R-Sq(pred) 86.06 91.65 92.83

75


y = 1687 + 1.18 x1 - 5.88 x3


Constant 1686.7 164.7 10.24 0.000

x1 1.17777 0.05648 20.85 0.000

x3 -5.880 1.049 -5.61 0.000

S = 129.574 R-Sq = 86.2% R-Sq(adj) = 85.9%



Step 1 2 3

Constant 1687 1131 1134

x1 1.178 0.697 0.631

T-Value 20.85 10.19 9.72

P-Value 0.000 0.000 0.000

x3 -5.88 -3.39 -3.27

T-Value -5.61 -4.08 -4.27

P-Value 0.000 0.000 0.000

x4 3.32 2.71

T-Value 8.91 7.28

P-Value 0.000 0.000

x2 24.7

T-Value 4.32

P-Value 0.000

S 130 96.8 89.1

R-Sq 86.19 92.38 93.61

R-Sq(adj) 85.92 92.14 93.34

Mallows C-p 113.4 21.6 5.0

PRESS 1785804 1012222 863571

R-Sq(pred) 85.17 91.59 92.83

76


y = 584 + 0.679 x1 + 3.83 x4


Constant 584.27 34.61 16.88 0.000

x1 0.67883 0.07349 9.24 0.000

x4 3.8347 0.3780 10.15 0.000

S = 104.137 R-Sq = 91.1% R-Sq(adj) = 90.9%



Step 1 2 3

Constant 584.3 608.2 1134.2

x1 0.679 0.610 0.631

T-Value 9.24 8.70 9.72

P-Value 0.000 0.000 0.000

x4 3.83 3.18 2.71

T-Value 10.15 8.25 7.28

P-Value 0.000 0.000 0.000

x2 25.6 24.7

T-Value 4.13 4.32

P-Value 0.000 0.000

x3 -3.27

T-Value -4.27

P-Value 0.000

S 104 96.6 89.1

R-Sq 91.08 92.41 93.61

R-Sq(adj) 90.90 92.17 93.34

Mallows C-p 39.3 21.2 5.0

PRESS 1160467 1005606 863571

R-Sq(pred) 90.36 91.65 92.83

77


y = 2078 + 103 x2 - 6.81 x3


Constant 2078.1 242.8 8.56 0.000

x2 102.732 8.780 11.70 0.000

x3 -6.812 1.585 -4.30 0.000

S = 194.914 R-Sq = 68.8% R-Sq(adj) = 68.1%



Step 1 2 3

Constant 2078 1522 1134

x2 102.7 40.8 24.7

T-Value 11.70 6.23 4.32

P-Value 0.000 0.000 0.000

x3 -6.81 -4.92 -3.27

T-Value -4.30 -5.43 -4.27

P-Value 0.000 0.000 0.000

x1 0.921 0.631

T-Value 14.54 9.72

P-Value 0.000 0.000

x4 2.71

T-Value 7.28

P-Value 0.000

S 195 110 89.1

R-Sq 68.76 90.11 93.61

R-Sq(adj) 68.13 89.81 93.34

Mallows C-p 377.9 56.0 5.0

PRESS 4061813 1310591 863571

R-Sq(pred) 66.26 89.11 92.83

78


y = 614 + 38.4 x2 + 5.26 x4


Constant 614.34 43.21 14.22 0.000

x2 38.404 7.987 4.81 0.000

x4 5.2614 0.3992 13.18 0.000

S = 127.941 R-Sq = 86.5% R-Sq(adj) = 86.3%



Step 1 2 3

Constant 614.3 608.2 1134.2

x2 38.4 25.6 24.7

T-Value 4.81 4.13 4.32

P-Value 0.000 0.000 0.000

x4 5.26 3.18 2.71

T-Value 13.18 8.25 7.28

P-Value 0.000 0.000 0.000

x1 0.610 0.631

T-Value 8.70 9.72

P-Value 0.000 0.000

x3 -3.27

T-Value -4.27

P-Value 0.000

S 128 96.6 89.1

R-Sq 86.54 92.41 93.61

R-Sq(adj) 86.27 92.17 93.34

Mallows C-p 108.2 21.2 5.0

PRESS 1717832 1005606 863571

R-Sq(pred) 85.73 91.65 92.83

79


y = 1034 - 2.83 x3 + 6.32 x4


Constant 1033.5 196.4 5.26 0.000

x3 -2.830 1.185 -2.39 0.019

x4 6.3158 0.3281 19.25 0.000

S = 138.171 R-Sq = 84.3% R-Sq(adj) = 84.0%



Step 1 2 3

Constant 1034 1131 1134

x3 -2.83 -3.39 -3.27

T-Value -2.39 -4.08 -4.27

P-Value 0.019 0.000 0.000

x4 6.32 3.32 2.71

T-Value 19.25 8.91 7.28

P-Value 0.000 0.000 0.000

x1 0.697 0.631

T-Value 10.19 9.72

P-Value 0.000 0.000

x2 24.7

T-Value 4.32

P-Value 0.000

S 138 96.8 89.1

R-Sq 84.30 92.38 93.61

R-Sq(adj) 83.98 92.14 93.34

Mallows C-p 142.1 21.6 5.0

PRESS 2003959 1012222 863571

R-Sq(pred) 83.36 91.59 92.83

80

Regression Analysis: y versus x1, x2, x3 The regression equation is

y = 1522 + 0.921 x1 + 40.8 x2 - 4.92 x3


Constant 1522.2 142.6 10.68 0.000

x1 0.92093 0.06332 14.54 0.000

x2 40.754 6.543 6.23 0.000

x3 -4.9163 0.9056 -5.43 0.000

S = 110.231 R-Sq = 90.1% R-Sq(adj) = 89.8%

Stepwise Regression: y versus x1, x2, x3, x4 (x1x2x3) Alpha-to-Enter: 0.05 Alpha-to-Remove: 0.05


Step 1 2

Constant 1522 1134

x1 0.921 0.631

T-Value 14.54 9.72

P-Value 0.000 0.000

x2 40.8 24.7

T-Value 6.23 4.32

P-Value 0.000 0.000

x3 -4.92 -3.27

T-Value -5.43 -4.27

P-Value 0.000 0.000

x4 2.71

T-Value 7.28

P-Value 0.000

S 110 89.1

R-Sq 90.11 93.61

R-Sq(adj) 89.81 93.34

Mallows C-p 56.0 5.0

PRESS 1310591 863571

R-Sq(pred) 89.11 92.83

81


y = 608 + 0.610 x1 + 25.6 x2 + 3.18 x4


Constant 608.25 32.63 18.64 0.000

x1 0.61033 0.07015 8.70 0.000

x2 25.645 6.206 4.13 0.000

x4 3.1761 0.3851 8.25 0.000

S = 96.5887 R-Sq = 92.4% R-Sq(adj) = 92.2%



Step 1 2

Constant 608.2 1134.2

x1 0.610 0.631

T-Value 8.70 9.72

P-Value 0.000 0.000

x2 25.6 24.7

T-Value 4.13 4.32

P-Value 0.000 0.000

x4 3.18 2.71

T-Value 8.25 7.28

P-Value 0.000 0.000

x3 -3.27

T-Value -4.27

P-Value 0.000

S 96.6 89.1

R-Sq 92.41 93.61

R-Sq(adj) 92.17 93.34


PRESS 1005606 863571

R-Sq(pred) 91.65 92.83

82


y = 1131 + 0.697 x1 - 3.39 x3 + 3.32 x4


Constant 1131.0 137.9 8.20 0.000

x1 0.69731 0.06845 10.19 0.000

x3 -3.3911 0.8317 -4.08 0.000

x4 3.3241 0.3729 8.91 0.000

S = 96.7802 R-Sq = 92.4% R-Sq(adj) = 92.1%



Step 1 2

Constant 1131 1134

x1 0.697 0.631

T-Value 10.19 9.72

P-Value 0.000 0.000

x3 -3.39 -3.27

T-Value -4.08 -4.27

P-Value 0.000 0.000

x4 3.32 2.71

T-Value 8.91 7.28

P-Value 0.000 0.000

x2 24.7

T-Value 4.32

P-Value 0.000

S 96.8 89.1

R-Sq 92.38 93.61

R-Sq(adj) 92.14 93.34


PRESS 1012222 863571

R-Sq(pred) 91.59 92.83

83


y = 1053 + 38.0 x2 - 2.72 x3 + 4.93 x4


Constant 1052.8 177.0 5.95 0.000

x2 37.998 7.776 4.89 0.000

x3 -2.723 1.068 -2.55 0.012

x4 4.9286 0.4099 12.02 0.000

S = 124.528 R-Sq = 87.4% R-Sq(adj) = 87.0%



Step 1 2

Constant 1053 1134

x2 38.0 24.7

T-Value 4.89 4.32

P-Value 0.000 0.000

x3 -2.72 -3.27

T-Value -2.55 -4.27

P-Value 0.012 0.000

x4 4.93 2.71

T-Value 12.02 7.28

P-Value 0.000 0.000

x1 0.631

T-Value 9.72

P-Value 0.000

S 125 89.1

R-Sq 87.38 93.61

R-Sq(adj) 86.99 93.34


PRESS 1652695 863571

R-Sq(pred) 86.27 92.83

84

Regression Analysis: y versus x1, x2, x3, x4 The regression equation is

y = 1134 + 0.631 x1 + 24.7 x2 - 3.27 x3 + 2.71 x4


Constant 1134.2 126.9 8.94 0.000

x1 0.63056 0.06488 9.72 0.000

x2 24.734 5.728 4.32 0.000

x3 -3.2677 0.7662 -4.27 0.000

x4 2.7075 0.3718 7.28 0.000

S = 89.0903 R-Sq = 93.6% R-Sq(adj) = 93.3%

Stepwise Regression: y versus x1, x2, x3, x4 (x1x2x3x4) Alpha-to-Enter: 0.05 Alpha-to-Remove: 0.05


Step 1

Constant 1134

x1 0.631

T-Value 9.72

P-Value 0.000

x2 24.7

T-Value 4.32

P-Value 0.000

x3 -3.27

T-Value -4.27

P-Value 0.000

x4 2.71

T-Value 7.28

P-Value 0.000

S 89.1

R-Sq 93.61

R-Sq(adj) 93.34

Mallows C-p 5.0

PRESS 863571

R-Sq(pred) 92.83

88

89

90

91

89

Documents

FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI KELAPA SAWIT …pustaka.unp.ac.id/file/abstrak_kki/abstrak_TA/2... · FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI KELAPA ... mempengaruhi produksi