147 petani cenderung mengurangi penggunaan sarana produksi tersebut; rendahnya
mutu bibit yang ditanam, sehingga produktivitas tanaman pun rendah; serta tingginya serangan hama dan penyakit akibat ketidaktahuan dan kurangnya
pengendalian, yang berakibat banyaknya tanaman yang mati dan pada akhirnya mengurangi produksi.
6.3. Analisis Korelasi dan Regresi Linear Berganda
6.3.1. Model Regresi Linear Berganda
Regresi berganda perlu dilakukan karena pada kenyataannya harga jual X
1
, peluang usaha lain X
2
, ataupun teknologi budidaya lada petani X
3
tidak berpengaruh sendiri-sendiri terhadap produksi lada. Petani lada menghadapi
situasi harga jual lada yang rendah, munculnya peluang usaha lain, dan rendahnya penerapan teknologi budidaya lada secara bersamaan, sehingga memaksa mereka
untuk membuat pilihan-pilihan berdasarkan konsep opportunity cost biaya imbangan. Melalui analisis regresi linear berganda yang dilakukan didapat model
regresi Y = -345,022 + 0,005 X
1
− 10,959 X
2
+ 1.105,508 X
3
.
6.3.2. Uji Asumsi Linear Klasik Model Regresi Linear Berganda
Uji asumsi model linear klasik pada model regresi linear berganda meliputi uji multikolinearitas, normalitas, heteroskedastisitas, dan autokorelasi.
1. Uji multikolinearitas Berdasarkan output SPSS 11,5 pada coefficients correlations model
dikatakan tidak terdapat masalah, karena nilai korelasi antar variabel bebasnya berada diantara selang -0,70 hingga 0,7, dimana:
o Untuk X
1
dan X
2
, nilai koefisien korelasinya sebesar -0,566. o
Untuk X
1
dan X
3
, nilai koefisien korelasinya sebesar -0,668. o
Untuk X
2
dan X
3
, nilai koefisien korelasinya sebesar 0,563. Selain itu, disimpulkan bahwa model terbebas dari masalah
multikolinearitas karena: o
Untuk X
1
, VIF 10 1,999 10. o
Untuk X
2
, VIF 10 1,618 10. o
Untuk X
3
, VIF 10 1,987 10.
148 Hasil uji multikolinearitas pada model regresi berganda selengkapnya
dapat dilihat pada Lampiran 7. 2. Uji normalitas
Hasil perhitungan Uji Jarque-Bera menghasilkan nilai statistik Jarque- Bera sebesar 0,655635 dengan nilai probabilitas 0,720494. Saat dibandingkan,
nilai probabilitas tersebut lebih besar dibandingkan taraf nyata α yang digunakan, dimana 0,720494 0,1. Hal tersebut menghasilkan kesimpulan
residual pada model berdistribusi dengan normal atau asumsi normalitas pada model regresi linear terpenuhi. Hasil Uji Jarque-Bera selengkapnya dapat
dilihat pada Lampiran 8. 3. Uji heteroskedastisitas
Hasil perhitungan Uji White menghasilkan nilai ObsR-squared sebesar 8,959030 dengan nilai probabilitas 0,441065. Nilai probabilitas
tersebut lebih besar dibandingkan taraf nyata α yang digunakan, dimana 0,441065 0,1, sehingga disimpulkan tidak terdapat heteroskedastisitas di
dalam model. Hasil Uji White selengkapnya dapat dilihat pada Lampiran 9. 4. Uji autokorelasi
Hasil perhitungan Uji Breusch-Godfrey menghasilkan nilai ObsR- squared sebesar 2,584652 dengan nilai probabilitas 0,274631. Nilai
probabilitas tersebut lebih besar dibandingkan taraf nyata α yang digunakan, dimana 0,274631 0,1. Hal tersebut menghasilkan kesimpulan tidak terdapat
autokorelasi di dalam model. Hasil Uji Breusch-Godfrey selengkapnya dapat dilihat pada Lampiran 10.
6.3.3. Uji Hipotesis
Hasil analisis regresi linear berganda yang dijadikan acuan untuk melakukan uji hipotesis dapat dilihat pada Tabel 45.
149
Tabel 45.
Hasil Analisis Korelasi dan Regresi Linear Berganda