Analisis Faktor Yang Mempengaruhi Hasil Produksi Padi di Kabupaten Serdang Bedagai

ANALISIS FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI PADI DI KABUPATEN

SERDANG BEDAGAI

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya

SYAHRIAL AFFANDI 102407059

PROGRAM STUDI D-3 STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2013

ANALISIS FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI PADI DI KABUPATEN

SERDANG BEDAGAI

TUGAS AKHIR

SYAHRIAL AFFANDI 102407059

PROGRAM STUDI D-3 STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2013

PERSETUJUAN

Judul : Analisis Faktor Yang Mempengaruhi Hasil Produksi Padi di Kabupaten Serdang Bedagai

Kategori : Tugas Akhir Nama : Syahrial Affandi

NIM : 102407059

Program Studi : D-3 Statistika Departemen : Matematika

Fakultas : Matematika Dan Ilmu Pengetahuan Alam Universitas Sumatera Utara

Disetujui di Medan, Juli 2013

Disetujui oleh

Departemen Matematika FMIPA USU Pembimbing, Ketua,

Prof. Dr. Tulus, M.Si Prof. Dr. Tulus, M.Si

PERNYATAAN

ANALISIS FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI PADI DI KABUPATEN

SERDANG BEDAGAI

TUGAS AKHIR

Saya mengakui bahwa Tugas Akhir ini adalah hasil karya sendiri. Kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juli 2013

SYAHRIAL AFFANDI 102407059

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan Maha Penyayang, dengan limpahan karunia-Nya Penulis dapat menyelesaikan penyusunan Tugas Akhir ini dengan judul Analisis Faktor yang Mempengaruhi Hasil Produksi Padi di Kabupaten Serdang Bedagai.

Terimakasih penulis sampaikan kepada Bapak Prof. Dr. Tulus, M.Si selaku pembimbing dan Ketua Departemen yang telah meluangkan waktunya selama penyusunan tugas akhir ini. Terimakasih kepada Bapak Drs. Faigiziduhu

Bu’ulolo, M.Si dan Bapak Drs. Suwarno Ariswoyo, M.Si selaku Ketua dan

Sekretaris Program Studi D3 Statistika FMIPA USU, Ibu Dra. Mardiningsih, M.Si selaku Sekretaris Departemen Matematika FMIPA USU Medan, Bapak Dr. Sutarman M.Sc selaku Dekan FMIPA USU Medan, seluruh Staff dan Dosen Program Studi D3 Statistika FMIPA USU, pegawai FMIPA USU dan rekan-rekan kuliah. Akhirnya tidak terlupakan kepada kedua orang tua Bapak Suprapdi, Ibu tercinta Kamiyem, Kakak, Adik – adik serta keluarga yang selama ini memberikan bantuan dan dorongan yang diperlukan. Semoga Allah SWT akan membalasnya.

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Daftar Isi v

Daftar Tabel vii

Daftar Gambar viii

BAB 1 Pendahuluan 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 4

1.3 Batasan Masalah 4

1.4 Lokasi Penelitian 5

1.5 Tujuan Penelitian 5

1.6 Tinjauan Pustaka 5

1.7 Metodologi Penelitian 6

1.7.1 Metode Penelitian Kepustakaan 6

1.7.2 Metode Pengumpulan Data 6

1.7.3 Metode Pengolahan Data 6

1.8 Sistematika Penulisan 7

BAB 2 Landasan Teori 9

2.1Pengertian Regresi 9

2.2 Analisis Regresi Linier 10

2.2.1 Analisis Regresi Linier Sederhana 12 2.2.2 Analisis Regresi Linier Berganda 13

2.3Kesalahan Standar Estimasi 14

2.4Koefisien Determinasi 15

2.5Uji Korelasi 16

2.6Uji Regresi Linier Berganda 18

2.7Uji Koefisien Regresi Berganda 19

BAB 3 Gambaran Umum Badan Pusat Statistik Provinsi Sumatera Utara 21 3.1Sejarah Singkat BPS Provinsi Sumatera Utara 21 3.2Visi dan Misi Badan Pusat Statistik 22

3.2.1 Visi 22

3.2.2 Misi 22

3.3Struktur Organisasi Badan Pusat Statistik 23

3.4Rencana Program dan Kegiatan 24

3.4.1 Rencana Program 24

3.4.2 Kegiatan 24

BAB 4 Pengolahan Data 28

4.1Pengolahan Data 28

4.2Persamaan Regresi Linier Berganda 30

4.3Kesalahan Standar Estimasi 33

4.4Koefisien Determinasi 35

4.5Menghitung Koefisien Kolerasi antara Variabel Y dengan Xi 37 4.6Menghitung Koefisien Kolerasi antara Variabel Xi dengan Xi 40

4.7Uji Regresi Linier Berganda 42

4.8Uji Koefisien Regresi Linier Berganda 44

BAB 5 Implementasi Sistem 49

5.1Sejarah Singkat SPSS 49

5.2Cara Kerja SPSS 49

5.3Pengoperasian SPSS 50

5.4Input Data (Variabel View) 50

5.5Input Data (Data View) 51

BAB 6 Kesimpulan dan Saran 56

6.1Kesimpulan 56

6.2Saran 56

Daftar Pustaka 58

DAFTAR TABEL

Halaman Tabel 2.1 Interperetasi Koefisien Korelasi Nilai r 18 Tabel 4.1 Data faktor Produksi Padi di Kabupaten Serdang Bedagai

Menurut Iklim 29

Tabel 4.2 Data yang sudah disederhanakan 29 Tabel 4.3 Nilai – nilai yang dibutuhkan untuk Menghitung Koefisien

Regresi Berganda 31

Tabel 4.4 Nilai – nilai yang dibutuhkan untuk Menghitung Kesalahan

DAFTAR GAMBAR

Halaman Gambar 3.1 Struktur Organisasi Badan Pusat Statistik 23

Gambar 3.2 Logo Badan Pusat Statistik 27

Gambar 5.1 Tampilan Jendela Start SPSS 49

Gambar 5.2 Tampilan Jendela Kerja SPSS 50

Gambar 5.3 Tampilan Jendela Input Data Variable View 51

Gambar 5.4 Tampilan Jendela Data View 52

Gambar 5.5 Tampilan Analisis Regresi 52

Gambar 5.6 Tampilan Jendela Linier Regression 53 Gambar 5.7 Tampilan Pada Pengisian Linier Regression Statistics 54 Gambar 5.8 Tampilan Pada Pengisian Linear Regression Plots 54 Gambar 5.9 Tampilan Pada Pengisian Linear Regression Options 55

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Kabupaten Serdang Bedagai memiliki area seluas 1.900,22 km2 yang terdiri dari 17 Kecamatan dan 237 Desa, dan 6 Kelurahan definitif. Wilayah Serdang Bedagai di sebelah Utara berbatasan dengan Selat Malaka, sebelah Selatan dengan Kabupaten Simalungun, sebelah Timur berbatasan dengan Kabupaten Batu Bara dan Kabupaten Simalungun, serta sebelah Barat berbatasan dengan Kabupaten Deli Serdang.

Kabupaten Serdang Bedagai memiliki iklim tropis dimana kondisi iklimnya hampir sama dengan Kabupaten Deli Serdang sebagai kabupaten induk. Pengamatan Stasiun Sampali menunjukkan rata-rata kelembaban udara per bulan sekitar 84 persen, curah hujan berkisar antara 18-144 mm per bulan, hari hujan per bulan berkisar 2-16 hari dengan periode hari hujan yang besar pada bulan Agustus 2011. Rata-rata kecepatan angin berkisar 1,8 m/dt dengan tingkat penguapan sekitar 3,1 mm/hari. Temperatur udara per bulan minimum 23,4℃ dan maksimum 32,7℃.

Berdasarkan penggunaannya, sebagian besar luas baku lahan sawah digunakan untuk irigasi semi teknis sebesar 56 persen, 27 persen digunakan untuk

irigasi teknis, 14 persen untuk irigasi sederhana dan sisanya 3 persen untuk tadah hujan. Hal ini menunjukkan bahwa sebagian besar lahan sawah di Kabupaten Serdang Bedagai sudah beririgasi dan luasnya mencapai 26.853 hektar. (Serdang Bedagai dalam Angka 2012)

Padi merupakan bahan makanan pokok sebagian besar rakyat Indonesia karena 95% penduduk Indonesia mengkonsumsi beras. Tingginya kebutuhan konsumsi beras disebabkan oleh sebagian besar penduduk Indonesia beranggapan bahwa beras merupakan bahan makanan pokok yang belum dapat digantikan keberadaannya. Apabila kegiatan usahatani dikelola dengan baik dan benar seharusnya petani akan memiliki pendapatan yang cukup tinggi.

Padi adalah salah satu bahan makanan yang mengandung gizi yang cukup bagi tubuh manusia, sebab didalamnya terkandung bahan yang mudah diubah menjadi energi. Oleh karena itu padi disebut juga makanan energi. Menurut Collin Clark Papanek, nilai gizi yang diperlukan oleh setiap orang dewasa adalah 1821 kalori yang apabila disetarakan dengan beras maka setiap hari diperlukan beras sebanyak 0,88 kg. Beras mengandung berbagai zat makanan antara lain: karbohidrat, protein, lemak, serat kasar, abu dan vitamin. Disamping itu beras mengandung beberapa unsur mineral antara lain: kalsium, magnesium, sodium, fosphor dan lain sebagainya. Dalam kehidupan sehari-hari karbohidrat merupakan salah satu zat yang sangat penting bagi tubuh dan sangat mutlak diperlukan setiap hari. Karbohidrat merupakan senyawa organik karbon, hydrogen, dan oksigen, yang terdiri atas satu molekul gula sederhana atau lebih yang merupakan bahan makanan penting sebagai sumber energi atau tenaga.

Karbohidrat kita peroleh dari makanan pokok sehari-hari seperti padi, jagung, ketela pohon, kentang, sagu, gandum, ubi jalar dan lain-lain. Dari sekian banyak sumber karbohidrat, padi ternyata merupakan ideal bagi kita. Itulah sebabnya padi menjadi sangat penting bagi bangsa Indonesia. Bagi bangsa kita padi identik dengan hidup, sebab selain padi sebagai sumber penghidupan, ia juga yang telah menghidupi bangsa kita. Sejak ratusan tahun yang lalu padi sudah dikenal di Indonesia. Nenek moyang kita sudah sejak lama membudidayakan tanaman pangan yang utama. Mengingat keadaan iklim, struktur tanah dan air setiap daerah berbeda maka jenis tanaman padi di setiap daerah umumnya berbeda. Perbedaan jenis padi pada umumnya terletak pada : Usia tanaman, jumlah hasil, mutu beras, dan ketahanannya terhadap hama dan penyakit.

Kabupaten Serdang Bedagai termasuk dalam 5 besar produsen padi di Sumatera Utara; peringkat 3 pada tahun 2008 sampai dengan tahun 2010, dan peringkat 4 pada tahun 2011. Namun produksinya secara signifikan mengalami penurunan setiap tahunnya. Pada tahun 2008 jumlah produksi padi sebesar 348.806 ton, tahun 2009 sebesar 356.564 ton, tahun 2010 sebesar 377.307 ton, dan tahun 2011 sebesar 340.916 ton. Untuk itu perlu diperhatikan secara intensif produksi padi di Kabupaten Serdang Bedagai. Dalam hal ini akan diteliti faktor-faktor apa saja yang mempengaruhi hasil produksi padi di Kabupaten Serdang Bedagai. Melihat masalah yang ada, penulis mencoba menganalisis 3 faktor pengaruh hasil produksi padi di Kabupaten Serdang Bedagai yakni Luas Panen, Curah Hujan, dan Jumlah Hari Hujan.

Hal tersebut di atas yang kemudian menjadi landasan bagi penulis dalam

menentukan judul tugas akhir yaitu “Analisis Faktor yang Mempengaruhi Hasil Produksi Padi di Kabupaten Serdang Bedagai”.

1.2. Rumusan Masalah

Berdasarkan latar belakang yang dijelaskan di atas, penulis merumuskan masalah penelitian ini sebagai berikut :

1. Apa sajakah faktor – faktor yang mempengaruhi produksi padi di Kabupaten Serdang Bedagai.

2. Bagaimana besar nilai hubungan antara faktor pengaruh terhadap produksi. 3. Bagaimana besar korelasi antar masing-masing faktor yang mempengaruhi

produksi padi di Kabupaten Serdang Bedagai.

1.3. Batasan Masalah

Dalam melakukan penelitian ini agar masalah yang diteliti tidak menyimpang dari sasaran yang ditinjau, maka perlu dibuat batasan ruang lingkup permasalahan yaitu pada data yang diambil.

1.4. Lokasi Penelitian

Penelitian dan riset data dilakukan di Badan Pusat Statistik (BPS) Provinsi Sumatera Utara, Jalan Asrama No.179 Medan - 20123.

1.5. Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah sebagai berikut:

1. Mengetahui faktor-faktor yang mempengaruhi hasil produksi padi di Kabupaten Serdang Bedagai.

2. Menghitung besar korelasi faktor-faktor yang mempengaruhi hasil produksi padi di Kabupaten Serdang Bedagai.

3. Mengetahui faktor mana yang paling berpengaruh terhadap hasil produksi padi di Kabupaten Serdang Bedagai.

1.6. Tinjauan Pustaka

Ada beberapa defenisi regresi yang dapat dijabarkan yaitu :

1. Analisis regresi adalah hubungan yang di dapat dan dinyatakan dalam bentuk persamaan matematika yang menyatakan hubungan fungsional antara variabel-variabel.

(Sujdana, 2002)

2. Persamaan regresi adalah suatu formula matematis yang menunjukkan hubungan keterkaitan antara satu atau beberapa variabel yang nilainya sudah diketahui dengan variabel yang nilainya belum diketahui.

(Algifari, 2000)

3. Persamaan regresi adalah persamaan matematik yang memungkinkan untuk meramalkan nilai-nilai suatu peubah tak bebas dari nilai-nilai satu atau lebih peubah bebas.

1.7. Metode Penelitian

Metode yang digunakan penulis dalam melaksanakan penelitian adalah sebagai berikut :

1. Metode Penelitian Kepustakaan

Metode penelitian kepustakaan (Study Literature) yaitu metode pengumpulan data untuk memperoleh data dan informasi dari perpustakaan, dengan membaca buku-buku, referensi, bahan-bahan yang bersifat teoritis, serta sumber informasi lainnya yang berhubungan dengan objek yang diteliti.

2. Metode pengumpulan Data

Pengumpulan data untuk keperluan penelitian ini, penulis melalukan dengan menggunakan data sekunder. Data sekunder adalah data primer yang diperoleh oleh pihak lain yang umumnya disajikan dalam bentuk tabel-tabel atau diagram. Data sekunder diperoleh dari Badan Pusat Statistik (BPS) Provinsi Sumatera Utara.

3. Metode Pengolahan Data

Data dianalisa menggunakan metode regresi linier berganda untuk melihat persamaan regresi liniernya dan untuk mengetahui hubungan setiap variabel digunakan analisis korelasi. Langkah-langkah yang dilakukan dalam pengolahan data adalah:

1. Mengelompokkan data menjadi variabel bebas (X) dan variabel terikat (Y). 2. Menentukan hubungan antara variabel bebas (X) dengan variabel terikat

(Y) sehingga didapat regresi Y atas X1, X2, X3, . . . , Xk

3. Uji regresi linier berganda untuk mengetahui besarnya pengaruh variabel bebas X secara bersama-sma terhadap variabel terikat Y

4. Uji korelasi untuk mengetahui seberapa besar penggaruh hubungan variabel-variabel bebas tersebut terhadap variabel terikat.

5. Uji koefisien regresi untuk menguji taraf nyata koefisien-koefisien regresi yang di dapat.

1.8. Sistematika Penulisan

BAB 1 PENDAHULUAN

Dalam bab ini penulis menguraikan latar belakang, indentifikasi masalah, batasan masalah, maksud dan tujuan penulisan, metodologi penelitian, dan sistematika penulisan.

BAB 2 LANDASAN TEORI

Dalam bab ini penulis menguraikan teoritis dan analisa tentang segala sesuatu yang berhubungan dengan masalah tugas akhir ini.

BAB 3 GAMBARAN UMUM BADAN PUSAT STATISTIK PROVINSI SUMATERA UTARA

Dalam bab ini penulis menguraikan sejarah singkat Badan Pusat Statistik beserta visi dan misi BPS.

BAB 4 PENGOLAHAN DATA

Dalam bab ini penulis menguraikan tentang pengolahan data produksi dengan metode regresi linear berganda dan analisa korelasi untuk melihat hubungan antar variabel. Dimana objek

penelitiannya adalah produksi padi di Kabupaten Serdang Bedagai pada periode 2002 sampai dengan 2011.

BAB 5 IMPLEMENTASI SISTEM

Dalam bab ini penulis membahas tentang software yang digunakan dalam analisis data serta cara penggunaan dari software yang dipakai.

BAB 6 KESIMPULAN DAN SARAN

Dalam bab ini penulis menguraikan kesimpulan dan saran dari hasil penelitian yang dilakukan.

BAB 2

LANDASAN TEORI

2.1 Pengertian Regresi

Regresi pertama kali digunakan sebagi konsep statistika pada tahun 1877 oleh sir Francis Galton. Beliau memperkenalkan model peramalan, penaksiran, atau pendugaan, yang selanjutnya dinamakan regresi, sehubungan dengan penelitiannya terhadap tinggi badan manusia. Galton melakukan suatu penelitian dimana penelitian tersebut membandingkan antara tinggi anak laki-laki dan tinggi badan ayahnya. Galton menunjukan bahwa tinggi badan anak laki-laki dari ayah yang tinggi setelah beberapa generasi cenderung mundur (Regressed) pendek cenderung lebih tinggi dari ayahnya, jadi seolah-olah semua anak laki-laki yang tinggi dan anak laki-laki yang pendek bergerak menuju kerata-rata tinggi dari seluruh anak laki-laki yang menurut istilah Galton disebut dengan “Regression to mediocrity”. Dari uraian tersebut dapat disimpulkan bahwa pada umumnya tinggi anak mengikuti tinggi orang tuanya.

Istilah “regresi” pada mulanya bertujuan untuk membuat perkiraan nilai

suatu variabel (tinggi badan anak) terhadap variabel yang lain (tinggi badan orang tua). Pada perkembangan selanjutnya analisis regresi dapat digunakan sebagai alat untuk membuat perkiraan nilai suatu variabel dengan menggunakan beberapa

variabel lain yang berhubungan dengan variabel tersebut. Jadi prinsip dasar yang harus dipenuhi dalam membangun suatu persamaan regresi adalah bahwa antara suatu variabel tidak bebas (Dependent variable) dengan variabel-variabel bebas (Independent variable) lainnya memiliki sifat hubungan sebab akibat hubungan kasualitas, baik didasarka pada penjelasan logis tertentu.

2.2 Analisis Regresi Linier

Analisis regresi linier merupakan teknik yang digunakan dalam persamaan matematik yang menyatakan hubungan fungsional antara variabel-variabel. Analisis regresi linier atau regresi garis lurus digunakan untuk:

1. Menentukan hubungan fungsional antar variabel dependen dengan independen. Hubungan fungsional ini dapat disebut sebagai persamaan garis regresi yang berbentuk linier.

2. Meramalkan atau menduga nilai dari satu variabel dalam hubungannya dengan variabel lain yang diketahui melalui persamaan garis regresinya.

Analisis regresi terdiri dari dua bentuk, yaitu: 1. Analisis Regresi Linier Sederhana 2. Analisis Regresi Linier Berganda

Analisis regresi linier sederhana adalah bentuk regresi dengan model yang bertujuan untuk mempelajari hubungan antara dua variabel, yakni variabel dependen (terikat) dan variabel independent (bebas). Sedangkan analisis regresi

berganda adalah bentuk regresi dengan model yang memiliki hubungan antara satu variabel dependen dengan dua atau lebih variabel independen.

Analisis regresi dipergunakan untuk menelaah hubungan antara dua variabel atau lebih, terutama untuk menelusuri pola hubungan yang modelnya belum diketahui dengan baik, atau untuk mengetahui bagaimana variasi dari beberapa variabel independen mempengaruhi variabel dependen dalam suatu fenomena yang kompleks. Jika, X1, X2,…, Xk adalah variabel-variabel independen

dan Y adalah variabel dependen, maka terdapat hubungan fungsional antara X dan Y, dimana variasi dari X akan diiringi pula oleh variasi dari Y. jika dibuat secara matematis hubungan itu dapat dijabarkan sebagai berikut:

Dengan: Y= f (X1, X2,…, X , e)

Y adalah variabel dependen (tak bebas) X adalah variabel Independen (bebas) e adalah variabel residu (disturbace term)

Berkaitan dengan analisis regresi ini, setidaknya ada empat kegiatan yang lazim dilaksanakan yakni:

1. Mengadakan estimasi terhadap parameter berdasarkan data empiris.

2. Menguji seberapa besar variasi variabel dependen dapat diterangkan oleh variasi independen.

3. Menguji apakah estimasi parameter tersebut signifikan atau tidak.

4. Melihat apakah tanda magnitude dari estimasi parameter cocok dengan teori.

2.2.1 Analisis Regresi Linier Sederhana

Regresi linier sederhana digunakan untuk memperkirakan hubungan antara dua variabel dimana hanya terdapat satu variabel/peubah bebas X dan satu peubah tak bebas Y.

Dalam bentuk persamaan, model regresi sederhana adalah :

Y = a + bX (2.1) Dengan:

Y adalah variabel dependen (tak bebas) X adalah variabel Independen (bebas) a adalah penduga bagi intercept (α)

b adalah penduga bagi koefisien regresi (β)

Penggunaan regresi linier sederhana didasarkan pada asumsi diantaranya sebagai berikut:

1. Model regresi harus linier dalam parameter.

2. Variabel bebas tidak berkorelasi dengan disturba nce term (error). 3. Nilai disturbace term sebesar 0 atau dengan symbol sebagai berikut: (E (U/X)) = 0.

4. Varian untuk masing-masing error term (kesalahan) konstan. 5. Tidak terjadi auto korelasi.

6. Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi Dalam model yang digunakan dalam analisis empiris.

7. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata.

2.2.2 Analisis Regresi Linier Berganda

Untuk memperkirakan nilai variabel tak bebas Y, akan lebih baik apabila ikut memperhitungkan variabel-variabel bebas lain yang ikut mempengaruhi nilai Y. dengan demikian dimiliki hubungan antara satu variabel tidak bebas Y dengan beberapa variabel lain yang bebas X₁, X₂, dan X₃,…, X_k. Untuk itulah digunakan regresi linear berganda. Dalam pembahasan mengenai regresi sederhana, simbol yang digunakan untuk variabel bebasnya adalah X. dalam regresi berganda, persamaan regresinya memiliki lebih dari satu variabel bebas maka perlu menambah tanda bilangan pada setiap variabel tersebut, dalam hal ini X1, X2,…, Xk.

Secara umum persamaan regresi berganda dapat ditulis sebagai berikut:

_�= � + � _�+ � _�+ …+ �_{� �}+ �_� (2.2)

Dengan :

= Variabel tidak bebas = Variabel bebas

0 1,…, = koefisien regresi

Dalam penelitian ini, digunakan tiga variabel yang terdiri dari satu variabel bebas Y dan tiga variabel X yaitu X1, X2, dan X3. Maka persamaan regresi

bergandanya adalah:

Persamaan 2.3 diatas dapat diselesaikan dengan empat bentuk yaitu:

∑ � = � �+ � ∑ �+ � ∑ �+ � ∑ � (2.4)

∑ � �= � ∑ �+ � ∑ �+ � ∑ � �+� ∑ � � (2.5)

∑ � �= � ∑ �+ � ∑ � �+ � ∑ �+� ∑ � � (2.6)

∑ � �= � ∑ �+ � ∑ � �+� ∑ � �+ � ∑ � (2.7)

2.3 Kesalahan Standar Estimasi

Dalam persamaan model regresi linear yang diperoleh, maka antara nilai Y dan akan menimbulkan perbedaan hasil yang sering disebut sebagai kekeliruan. Ukuran tersebut dapat dihitung oleh kekeliruan baku taksiran. Untuk mengetahui ketepatan persamaan estimasi dapat digunakan kesalahan standar estimasi (standard error of estimate). Besarnya kesalahan standar estimasi menunjukkan ketepatan persamaan estimasi untuk menjelaskan nilai variabel dependen yang sesungguhnya.

Semakin kecil nilai kesalahan standar estimasi, makin tinggi ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan nilai variable dependen sesungguhnya. Dan sebaliknya semakin, semakin besar nilai kesalahan standar estimasi, makin rendah ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan nilai variabel dependen yang sesungguhnya.

Kesalahan standar estimasi dapat ditentukan dengan rumus: 1 ) ˆ ( 2 ,..., 2 , 1 ,    



k n Y Y S_{y k} i

Dengan:

Yi = nilai data sebenarnya, Yˆi adalah nilai taksiran. n = banyaknya data

k = banyak variabel independen

2.4 Koefisien Determinasi

Koefisien determinasi yang dinyatakan dengan R2 untuk pengujian regresi linear berganda yang mencakup lebih dari dua variabel adalah untuk mengetahui proporsi keragaman total dalam variabel tak bebas(Y) yang dapat dijelaskan untuk diterangkan oleh variabel-variabel bebas (X) yang ada dalam model persamaan regresi linear berganda secara bersama-sama.

Maka R2 akan ditentukan dengan rumus, yaitu :



 2 2 i reg y JK

R (2.9)

Dengan:

JKreg = Jumlah Kuadrat Regresi

2.5 Uji Korelasi

Uji korelasi bertujuan untuk menguji hubungan antara dua variabel yang tidak menunjukkan hubungan fungsional (berhubungan bukan berarti disebabkan). Uji korelasi tidak membedakan jenis variabel (tidak ada variabel dependen maupun independen). Keeratan hubungan ini dinyatakan dalam bentuk koefisien korelasi. Uji korelasi terdiri dari Pearson, Spearman, dan Kendall. Jika sampel data lebih dai 30 (sampel besar) dan kondisi data normal, sebaiknya menggunakan korelasi Pearson (karena memenuhi asumsi parametrik). Jika jumlah sampel kurang dari 30 (sampel kecil) dan kondisi data tidak normal maka sebaiknya menggunakan korelasi Spearman atau Kendall (karena memenuhi asumsi non-parametrik).

Nilai koefisien korelasi merupakan nilai yang digunakan untuk mengukur kekuatan (keeratan) suatu hubungan antar variabel. Koefisien korelasi biasanya disimbolkan dengan r.

Koefisien korelasi dapat dirumuskan sebagai berikut:

�= �∑ � �− ( ∑ �) (∑ �)

{�∑ _�− (∑ _�) }{ �∑ _�− (∑ _�) }

(2.10)

1. Untuk menghitung koefisien korelasi antara variabel tak bebas Y dengan tiga variabel bebas X1, X2, X3, yaitu:

2. Koefisien korelasi antara Y dengan X1 �� = �∑ � �− ( ∑ �) (∑ �)

{�∑ _�− (∑ _�) }{ �∑ _�− (∑ _�) }

(2.11)

3. Koefisien korelasi antara Y dengan X2 �� = �∑ � �− ( ∑ �) (∑ �)

{�∑ _�− (∑ _�) }{ �∑ _�− (∑ _�) }

(2.12)

4. Koefisien korelasi antara Y dengan X3 �yX 3 =

n ∑X3iYi− ( ∑X3i) (∑Yi)

{n ∑ X_3i2− (∑ X3i)2}{ n ∑ Yi2− (∑ Yi)2}

(2.13)

Koefisien korelasi memiliki nilai antara -1 hingga +1. Sifat nilai koefisien korelasi adalah plus (+) atau minus (-) yang menunjukan arah korelasi. Makna sifat korelasi:

1. Tanda positif (+) pada koefisien korelasi menunjukkan hubungan yang searah (korelasi positif). Artinya jika suatu nilai variabel mengalami kenaikan maka nilai variabel yang lain juga mengalami kenaikan dan demikian juga sebaliknya.

2. Tanda negatif (-) pada koefisien korelasi menunjukkan hubungan yang berlawanan arah (korelasi negatif). Artinya jika suatu nilai variabel mengalami kenaikan maka nilai variabel yang lain juga mengalami penurunan dan demikian juga sebaliknya.

Tabel 2.1. Interpretasi Koefisien Korelasi Nilai r

R Interpretasi 0

0,01 – 0,20 0,21 – 0,40 0,41 – 0,60 0,61 – 0,80 0,81 – 0,99

1

Tidak berkorelasi Sangat rendah

Rendah Agak rendah

Cukup Tinggi Sangat tinggi

Analisis ini bertujuan untuk mengukur kekuatan dan derajat hubungan antar dua variabel. Derajat hubungan antara dua variabel disebut korelasi sederhana sedangkan derajat yang berkaitan dengan tiga atau lebih variabel disebut sebagai korelasi berganda. Korelasi dapat bersifat linier atau non linier.

2.6 Uji Regresi Linier Berganda

Pengujian ini dilakukan untuk mengetahui apakah semua variabel independen (X) dan secara bersama-sama (simultan) dapat berpengaruh terhadap variabel dependen (Y).

Langkah Pertama Perumusan hipotesa :

Ho : b1 = b2 = b3= … = bk = 0 (X1, X2,…, Xk ) tidak mempengaruhi Y

H1 : minimal ada satu parameter yang tidak sama dengan nol atau mempengaruhi Y

Dengan : H0 diterima jika Fhit≤ Ftab.

H0 ditolak Jika Fhit > Ftab.

Langkah kedua Penentuan nilai kritis. Nilai kritis dalam distribusi F dengan tingkat signifikan (�) dan derajat kebebasan v1= k dan v2= n-k-1 Di mana :

1 , ) , ,

(v1v2 ₂ Fknk

F 

(2.14)

Langkah ketiga menentukan nilai F hitung dengan formulasi sebagai berikut :

) 1 (    k n JK k JK F reg reg

hitung (2.15)

Langkah keempat membuat keputusan terhadap hipotesis dengan membandingkan nilai F hitung dengan Ftabel.

Langkah kelima membuat keputusan berdasarkan keputusan yang diambil.

2.7 Uji Koefisien Regresi Ganda

Pengujian ini bersifat individu, melihat hubungan antara variabel independent terhadap variabel dependent.

Langkah Pertama Perumusan hipotesa :

Ho : Tidak terdapat hubungan fungsional yang signifikan antara faktor-faktor

yang mempengaruhi terhadap faktor yang dipengaruhi.

0

4 3 2

1 















(X1, X2, X3, X4 tidak mempengaruhi Y)

H1 : Minimal ada satu parameter koefisien regresi yang tidak sama dengan nol

atau berpengaruh signifikan terhadap Y.

Dengan :

H0 diterima jika thit≤ ttab.

Langkah kedua Penentuan nilai kritis. Nilai kritis dalam distribusi t dengan tingkat signifikan (�) dan derajat kebebasan v1= k dan v2= n-k-1 Di mana :

t( V1,V2, �

2 )

(2.17)

Langkah ketiga menentukan nilai t hitung dengan formulasi sebagai berikut:

thitung = (2.18)

Langkah keempat menentukan kekeliruan baku taksiran dari koefisien bi

= ..

2 ∑ 2₋

(1− 2)

(2.19)

Dengan : 2 _… = ∑( − )2

�− −1 (2.20)

Langkah kelima membuat keputusan terhadap hipotesis dengan membandingkan nilai t hitung dengan ttabel.

BAB 3

GAMBARAN UMUM BADAN PUSAT STATISTIK PROVINSI SUMATERA UTARA

3.1 Sejarah BPS Provinsi Sumatera Utara

Tahun1968, ditetapkan Peraturan Pemerintah No.16 tahun 1968, yang mengatur Organisasi dan Tata Kerja BPS (di Pusat dan Daerah). Tahun 1980, ditetapkan Peraturan Pemerintah No.6 tahun 1980, tentang Organisasi BPS sebagai pengganti PP No.16 tahun 1968. Berdasarkan PP No. 6/1980 di setiap Provinsi terdapat kantor statistik dengan nama Kantor Statistik Provinsi dan begitu juga di setiap Kabupaten/ Kotamadya terdapat kantor statistik dengan nama Kantor Statistik Kabupaten/Kotamadya. Mulai saat itu Kantor Statistik Provinsi secara resmi ada diseluruh Indonesia, tidak terkecuali di Provinsi Sumatera Utara dengan nama Kantor Statistik Provinsi Sumatera Utara. Demikian juga untuk Kabupaten/Kotamadya seluruh Provinsi Sumatera Utara berdiri Perwakilan BPS Kantor Statistik Kabupaten/Kotamadya pada saat itu. Tahun 1992, ditetapkan Peraturan Pemerintah No.2 tahun 1992, tentang Organisasi BPS sebagai pengganti PP No. 6/1980. Kedudukan , tugas, fungsi, susunan organisasi , dan tata kerja Biro Pusat Statistik selanjutnya diatur dengan Keputusan Presiden.

Tahun 1997, ditetapkan Undang-undang No. 16 Tahun 1997 tentang Statistik sebagai pengganti Undang-Undang No.6 Tahun 1960 tentang Sensus dan Undang-undang No.7 Tahun 1960 tentang Statistik. Tahun 1998, ditetapkan

Keputusan Presiden no. 86 Tahun 1998 tentang Badan Pusat Statistik sebagai pengganti Keputusan Presiden No.6 Tahun 1992 tentang Kedudukan, tugas, fungsi, susunan organisasi dan tata kerja Biro Pusat Statistik. Berdasarkan Keputusan Presiden ini "Kantor Statistik Provinsi Sumatera Utara" berubah menjadi Badan Pusat Statistik (BPS) Provinsi Sumatera Utara.

3.2 Visi dan Misi Badan Pusat Statistik

3.2.1 Visi

“BPS Pelopor Data Statistik Terpecaya Untuk Semua”

3.2.2 Misi

1. Memperkuat landasan konstitusional dan operasional lembaga statistik untuk penyelenggaraan statistik yang efektif dan efisien.

2. Menciptakan insan statistik yang kompeten dan profesional, didukung pemanfaatan teknologi informasi mutakhir untuk kemajuan perstatistikan Indonesia.

3. Meningkatkan penerapan standar klasifikasi, konsep dan definisi, pengukuran, dan kode etik statistik yang bersifat universal dalam setiap penyelenggaraan statistic.

5. Meningkatkan koordinasi, integrasi, dan sinkronisasi kegiatan statistik yang diselenggarakan pemerintah dan swasta, dalam kerangka Sistem Statistik Nasional (SSN) yang efektif dan efisien.

3.3 Struktur Organisasi Badan Pusat Statistik

3.4 Rencana Program dan Kegiatan

3.4.1 Rencana Program

Merujuk pada Undang-undang Nomor 16 tahun 1997 tentang Statistik, BPS merupa-kan satu-satunya lembaga pemerintah vertikal yang mempunyai tugas menyelenggara-kan kegiatan statistik dasar dan mengumumkan hasilnya secara teratur dan terbuka kepada masyarakat. Berkaitan dengan itu, untuk menyediakan informasi statistik yang cepat, lengkap, dan akurat, BPS melakukan penyesuaian-penyesuaian baik di dalam penyelenggaraan kegiatan statistik, bidang iptek, sarana peralatan penunjang kegiatan statistik, maupun kapasitas sumber daya manusia.

Kewenangan BPS seperti yang tercantum dalam Undang-Undang Statistik Nomor 16 tahun 1997 diimplementasikan dalam berbagai kebijakan dan rencana kegiatan dikelompokkan ke dalam tiga program utama yaitu;

1. Program Penyempurnaan dan Pengembangan Statistik 2. Program Peningkatan Sarana dan Prasarana

3. Program Penyelenggaraan Pimpinan Negara dan Kepemerintahan

3.4.2 Kegiatan

Beberapa Kegiatan yang akan dilaksanakan BPS yaitu : A. Survei Bidang Industri

2. Survei Industri Besar dan sedang Bulanan 3. Survei Industri Besar Sedang Triwulanan B. Survei Bidang Pertanian

1. Survei Pertanian Tanaman Pangan/Ubinan & Luas Lahan

2. Survei Perusahaan Hortikultura, Perkebunan Besar, Kehutanan & Karet Remah

3. Survei Statistik Peternakan, Perikanan, TPI dan RPH 4. Studi Metode Rumpun Counting

C. Survei Bidang Perdagangan

1. Kompilasi Data Statistik Ekspor dan Impor 2. Statistik Harga Perdagangan Besar (HPB)

3. Statistik Harga Produsen dan Komsumen Pedesaan

4. Survei Statistik Harga Konsumen dan Survei Volume Penjualan Eceran Beras

5. Pengumpulan Data Statistik Keuangan Daerah

6. Statistik Keuangan dan Monitoring Kurs Valuta Asing D. Survei Bidang Transportasi

1. Pengumpulan Data Statistik Angkutan Laut (Simoppel) 2. Pengumpulan Data Statistik Angkutan Udara

3. Pengumpulan Data Statistik Angkutan Darat E. Survei Bidang Jasa dan Parawisata

1. Survei Hotel Tahunan (VHT-L) 2. Survei Hotel Bulanan (VHT-S)

F. Survei Bidang Kependudukan 1. Survei Upah Buruh Triwulanan 2. Survei Struktur Upah Buruh Tahunan

3. Survei Angkatan Kerja Nasional (Sakernas) Triwulanan 4. Survei Angkatan Kerja Nasional (Sakernas) Tahunan G. Survei Bidang Pertambangan

1. Survei Perusahaan Air Bersih Tahunan

2. Survei Perusahaan Penggalian Bahan Industri dan Konstruksi Bersih Tahunan

3. Survei Perusahaan Pertambangan Tahunan 4. Survei Perusahaan Konstruksi Tahunan 5. Survei Perusahaan Konstruksi Triwulan H. Survei Bidang Sosial Ekonomi

1. Survei Sosial Ekonomi Nasional (Susenas) 2. Penyusunan Neraca Regional

3. Penyusunan Neraca Pemerintah & Badan Usaha 4. PDB Triwulanan Menurut Sektor dan Penggunaan 5. Penyusunan SNNI

6. Penyusunan Neraca Rumahtangga & Lembaga Non Profit 7. Survei Khusus input Output (SKIO)

8. PDB Triwulanan

9. Penyusunan PDB Sektoral Tahun Dasar Berjalan

3.5 Logo Badan Pusat Statistik

Logo BPS adalah sebagai berikut:

BAB 4

PENGOLAHAN DATA

4.1 Pengolahan Data

Setiap data yang telah didapat merupakan alat pengambil keputusan dalam pemecahan persoalan yang ada. Dalam hal ini persoalan yang diteliti tentang produksi padi seperti yang telah dijelaskan di bab pendahuluan. Pengumpulan data dilakukan dengan melakukan riset di Badan Pusat Statistika. Dalam hal ini penulis mengambil empat buah data yaitu, data produksi padi, luas panen padi, curah hujan, dan banyaknya hari hujan sebanyak 10 tahun terakhir.

Pengambilan data diatas dimaksudkan untuk melihat apakah variabel bebas ( luas panen, curah hujan, hari hujan) mempengaruhi produksi padi yang ada. Adapun data yang diambil adalah sebgai berikut:

Tabel 4.1 Data Faktor Produksi Padi di Kabupaten serdang Bedagai Menurut Iklim

Tahun

Produksi (ton)

Luas Panen (Ha)

Rata-rata Curah Hujan (mm)

Rata-rata Hari Hujan (hari) 2002 59.902,00 269.602,00 113,00 14,00 2003 66.876,00 341.717,00 146,00 15,00 2004 68.957,00 307.630,00 127,00 14,58 2005 67.566,00 310.824,00 173,58 16,67 2006 75.769,00 364.889,00 223,00 16,00 2007 74.890,00 352.679,00 228,00 16,00 2008 73.169,00 345.430,00 176,00 17,00 2009 72.264,00 348.088,00 182,00 16,00 2010 73.688,00 365.310,00 134,00 14,00 2011 63.766,00 328.872,00 259,00 12,00

Sumber: BPS Sumut

Dari tabel diatas dapat dilihat bahwa ada sebuah variabel dependen dan independen yang mempunyai nilai cukup besar. Penulis menyederhanakan nilai – nilai tersebut kedalam bentuk satuan yang lebih sederhana seperti pada tabel dibawah ini:

Tabel 4.2 Data yang telah disederhanakan

Tahun Produksi Luas Panen

Rata – rata Curah Hujan

Rata – rata Hari Hujan

2002 5.990 269 113 14

2003 6.687 341 146 15

2004 6.895 307 127 14

2005 6.756 310 173 16

2006 7.576 364 223 16

2007 7.489 352 228 16

2008 7.316 345 176 17

2009 7.226 342 182 16

2010 7.368 365 134 14

2011 6.376 328 259 12

Dengan:

Produksi sebagai Y Luas Panen sebagai X1

Rata – Rata Curah Hujan sebagai X2 Rata – Rata Hari Hujan sebagai X3

4.2 Persamaan Regresi Linier Berganda

Dalam mencari persamaan regresi linier berganda, maka terlebih dahulu kita menghitung koefisien-koefisien regresinya dengan mencari hubungan fungsional antar variabel yang ada.

Dengan koefisien yang didapat dari perhitungan, maka dapat ditentukan persamaan regresinya. Adapun perhitungan koefisiennya adalah sebagai berikut:

Tabel 4.3 Nilai – Nilai yang dibutuhkan Untuk Menghitung Koefisien Regresi Linier Berganda

No Y X1 X2 X3 YX1 YX2 YX3

1 5.990 269 113 14 1.611.310 676.870 83.860 2 6.687 341 146 15 2.280.267 976.302 100.305 3 6.895 307 127 14 2.116.765 875.665 96.530 4 6.756 310 173 16 2.094.360 1.168.788 108.096 5 7.576 364 223 16 2.757.664 1.689.448 121.216 6 7.489 352 228 16 2.636.128 1.707.492 119.824 7 7.316 345 176 17 2.524.020 1.287.616 124.372 8 7.226 342 182 16 2.471.292 1.315.132 115.616 9 7.368 365 134 14 2.689.320 987.312 103.152 10 6.376 328 259 12 2.091.328 1.651.384 76.512 Jumlah 69.679 3.323 1.761 150 23.272.454 12.336.009 1.049.483

Sambungan Tabel 4.3 Nilai – Nilai yang dibutuhkan Untuk Menghitung Koefisien Regresi Linier Berganda

No X1X2 X1X3 X2X3 Y2 X12 X22 X32 1 30.397 3.766 1.582 35.880.100 72.361 12.769 196 2 49.786 5.115 2.190 44.715.969 116.281 21.316 225 3 38.989 4.298 1.778 47.541.025 94.249 16.129 196

4 53.630 4.960 2.768 45.643.536 96.100 29.929 256 5 81.172 5.824 3.568 57.395.776 132.496 49.729 256 6 80.256 5.632 3.648 56.085.121 123.904 51.984 256 7 60.720 5.865 2.992 53.523.856 119.025 30.976 289 8 62.244 5.472 2.912 52.215.076 116.964 33.124 256 9 48.910 5.110 1.876 54.287.424 133.225 17.956 196 10 84.952 3.936 3.108 40.653.376 107.584 67.081 144 Jumlah 591.056 49.978 26.422 487.941.259 1.112.189 330.993 2.270

Dari tabel 4.2 dan 4.3 maka diperoleh hasil sebagai berikut:

n = 10 ∑ ₁ = 23,272.454 ∑ _{1 2} = 591.056

∑ = 69.679 ∑ ₂ = 12.336.009 ∑ _{1 3} = 49.978

∑ 1 = 3.323 ∑ 3 = 1.049.483 ∑ 2 3 = 26.422 ∑ 2 = 1.761 ∑ 2 = 487.941.259 ∑ 22 = 330.993 ∑ 3 = 150 ∑ 12 = 1.112.189 ∑ 32 = 2.270

Dari persamaan :

Y



=

b

₀

n



b

₁



X

₁



b

₂



X

₂



b

₃



X

₃ 1

YX



=

b

₀



X

₁



b

₁



X

₁2



b

₂



X

₁

X

₂



b

₃



X

₁

X

₃ 2

YX

 = b₀



X₂



b₁



X₂X₁



b₂



X₂2



b₃



X₂X₃ 3

YX

Didapat nilainya sebagai berikut:

69.679 = 10 b0 + 3.323 b1 + 1.761 b2 + 150 b3 (1) 23.272.454 = 3.323 b0 + 1.112.189 b1 + 591.056 b2 + 49.978 b3 (2) 12.336.009 = 1.761 b0 + 591.056 b1 + 330.993 b2 + 26.422 b3 (3) 1.049.483 = 150 b0 + 49.978 b1 + 26.422 b2 + 2.270 b3 (4)

Dengan menyelesaikan persamaan (1), (2), (3), (4) diatas, maka diperoleh koefisien – koefisien regresi linier berganda sebagai berikut:

b0 = 787,198 b1 = 13,163 b2 = -0,608 b3 = 127,577

Dengan demikian, diperoleh persamaan regresi linier berganda atas X1, X2, dan X3 atas Y adalah:

= b0+ b1 1+ 2 2 + 3 3

Y = 787,198 + 13,163 X1 - 0,608X2 + 127,577X3

4.3 Kesalahan Standar Estimasi

Setelah didapat persamaan regresinya, maka untuk mengetahui seberapa besar penyimpangan jumlah hasil produksi padi terhadap jumlah produksi padi yang

diperkirakan , maka dapat dihitung dengan mencari koefiseien dengan mencari koefisien-koefisien dari analisis residunya sebagai berikut:

Tabel 4.4 Nilai – Nilai yang Dibutuhkan Untuk Menghitung Kesalahan Standar Estimasi

No Y1 X1 X2 X3 Ŷ Y- Ŷ (Y- Ŷ)2

1 5.990 269 113 14 6.045,419 -55,419 3.071,266 2 6.687 341 146 15 7.100,668 -413,668 171.121,214 3 6.895 307 127 14 6.537,101 357,899 128.091,694 4 6.756 310 173 16 6.803,776 -47,776 2.282,546 5 7.576 364 223 16 7.484,178 91,822 8.431,280 6 7.489 352 228 16 7.323,182 165,818 27.495,609 7 7.316 345 176 17 7.390,234 -74,234 5.510,687 8 7.226 342 182 16 7.219,520 6,480 41,990 9 7.368 365 134 14 7.296,299 71,701 5.141,033 10 6.376 328 259 12 6.478,114 -102,114 10.427,269 Jumlah 69.679 3.323 1.761 150 69.678,491 1 361.614,589

Maka kesalahan bakunya dapat dihitung dengan menggunakan rumus sebagai berikut:

.1,2,… =

∑( − )2 �− −1

.1234 =

361.614,589 10−3−1

= 361.614,589

= 60.269,09817

.1234 = 245,498

Dengan penyimpangan nilai yang telah didapatkan diatas, ini berarti bahwa rata – rata produksi padi di Kabupaten Serdang Bedagai yang sebenarnya akan menyimpang dari rata – rata produksi padi yang diperkirakan adalah sebesar 245,498.

4.4 Koefisien Determinasi

Untuk menganalisis dan mengetahui seberapa besar pengaruh faktor – faktor yang mempengaruhi produksi padi di Kabupaten Serdang Bedagai , maka dapat dilakukan perhitungan sebagai berikut:

∑yx1 =∑ 1 – ∑ (∑ 1)

�

= 23.272.454 – 69.679 3.323

10

= 23.272.454 –23.154.331,7 = 118.122,30

∑x2 y = ∑ 2 – ∑ 2 ∑

�

= 12.336.009 – 69.679 1.761

10

= 12.336.009 –12.270.471,9 = 65.537,7

∑x3 y = ∑ 3 – ∑ 3 ∑

�

= 1.049.483 – 69.679 150

10

= 1.049.483 –1.045.185 = 4.298

∑ 2 = ∑ 2 –(∑ ) 2 �

= 487.941.259 –(69.679)2

10

= 487.941.259 – 485.516.304,1 = 2.424.954,9

�� = 1∑ 1 + 2∑ 2 + 3∑ 3

= ((13,163 x 118.122,30) + (-0,608 x 65.537,7) + (127,577 x 4.298)) = 1.554.843,84 – 39.846,92 + 548.325,95

= 2.063.323,224

Dengan demikian dapat diperoleh nilai 2

2 ₌ ��

∑ 2

2 ₌ 2.063.323,224 2.424.954,9 2 _{= 0,850870762}

R = 0,850870762 R = 0,922426562 R = 0,922

Dari perhitungan diatas, diperoleh koefisien korelasinya (R) adalah sebesar 0,922. Sedangkan koefisien determinasinya (R2) adalah sebesar 0,851. Nilai tersebut digunakan untuk mengetahui persentase pengaruh variabel independen terhadap

perubahan variabel dependen. Artinya 92,2% produksi padi di Kabupaten Serdang Bedagai dipengaruhi oleh faktor - faktor yang dianalisis, sedangkan 7,8% sisanya dipengaruhi oleh faktor lain.

4.5 Menghitung Koefisien Korelasi Antar Variabel Dependen (Y) dengan Variabel Independen (Xi)

Untuk mengukur seberapa besar hubungan variabel dependen (Y) terhadap variabel independen (Xi), dapat dilihat dari besarnya nilai koefisien korelasinya, yaitu:

1. Koefisien korelasi antara Y (Produksi Padi) dengan X1 (Luas Panen)

( , 1)=

� ∑ 1 −(∑ 1)(∑ ) � ∑ 12−(∑ 1)2 � ∑ 2−(∑ )2

( , 1)=

10×23.272.454 −(3.323×69.679)

10×1.112.189−(3.323)2 _{10×487.941.259−(69.679)}2

( , ₁)=

232 .724.540−231.543.317

11.121.890−11.042.329 (4.879.412.590−4.855.163.041)

( , 1)=

1.181.223 1.929.318.367.989

( , 1) =

1.181.223 1.388.999,05

( , 1) = 0,850

Nilai yang positif menandakan hubungan yang searah antara Y (Produksi Padi) dengan X1 (luas panen), artinya peningkatan X1 (luas panen) akan meningkatkan Y (produksi padi), dan sebaliknya penurunan X1 (luas panen) akan menurunkan Y

(produksi panen). Hubungan antara Y (produksi padi) dengan X1 (luas panen) tergolong sangat kuat, ini ditandai dengan nilai r sebesar 0,850 (0,80 ≤ r ≤ 1,000 berarti korelasi sangat kuat).

2. Koefisien korelasi antara Y (produksi padi) dengan X2 (rata – rata curah hujan)

( , 2)=

� ∑ 2 −(∑ 2)(∑ ) � ∑ 22−(∑ 2)2 � ∑ 2−(∑ )2

( , ₂)=

10×12.336.009 −(1.761×69.679)

10×330.993−(1.761)2 _{10×487.941.259−(69.679)}2

( , 2)=

123 .360.090−122.704.719

3.309.930−3.101.121 (4.879.412.590−4.855.163.041)

( , 2)=

655.371

208.809 (24.249.549)

( , 2)=

655 .371 5.063.524.077.141

( , 2)=

655.371 2.250.227,56

( , 2)= 0,291

Nilai yang positif menandakan hubungan yang searah antara Y (Produksi padi) dengan X2 (rata – rata curah hujan), artinya peningkatan X2 (rata – rata curah hujan) akan meningkatkan Y (Produksi padi), dan sebaliknya penurunan X2 (rata

– rata curah hujan) akan menurunkan Y (produksi padi). Hubungan antara Y (produksi padi) dengan X2 (rata – rata curah hujan) tergolong rendah, ini ditandai dengan nilai r sebesar 0,291 (0,21 ≤ r ≤ 0,399 berarti korelasi rendah).

3. Koefisien korelasi antara Y (Produksi Padi) dengan X3 (rata – rata hari hujan)

( , 3)=

� ∑ 3 −(∑ 3)(∑ ) � ∑ 32−(∑ 3)2 � ∑ 2−(∑ )2

( , 3)=

10×1.049.483 −(150×69.679)

10×2.270−(150)2 _{10×487.941.259−(69.679)}2

( , 3)=

10.494.830−10.451.850

22.700−22.500 (4.879.412.590−4.855.163.041)

( , 3)=

42.980

200 (24.249.549)

( , 3)=

42.980 4.849.909.800 ( , 3)=

42.9807 69.641,29 , 3 = 0,617

Nilai yang positif menandakan hubungan yang searah antara Y (produksi padi) dengan X3 (rata – rata hari hujan), artinya peningkatan X3 (rata – rata hari hujan) akan meningkatkan Y (Produksi padi), dan sebaliknya penurunan X3 (rata – rata hari hujan) akan menurunkan Y (produksi padi). Hubungan antara Y (produksi padi) dengan X3 (rata – rata hari hujan) tergolong kuat, ini ditandai dengan nilai r sebesar 0,62 (0,60 ≤ r ≤ 0,799 berarti korelasi kuat).

4.6 Menghitung Koefisien Korelasi Antar Variabel Independen (Xi) dengan

Variabel Independen (Xi)

Untuk mengukur seberapa besar hubungan variabel independen (Xi) terhadap variabel independen lainnya (Xi), dapat dilihat dari besarnya nilai koefisien korelasinya yaitu :

1. Koefisien korelasi antara luas panen (X1) dengan rata – rata curah hujan (X2)

(1,2)= � ∑ 1 2−

(∑ 1)(∑ 2) � ∑ 12−(∑ 1)2 � ∑ 22−(∑ 2)2

(1,2)=

10×591.056 −(3.323×1.761)

10×1.112.189 −(3.323)2 _{10×330.993 −(1.761)}2

(1,2)=

5.910.560−5.851.803

11.121.890−11.042.329 (3.309.930−3.101.121)

(1,2)= 58.757 79.561 (208.809) 1,2 = 58.757 16.613.052.849 1,2 = 58.757 128.891,63 1,2 = 0,456

2. Koefisien korelasi antara luas panen (X1) dengan rata – rata hari hujan (X3)

(1,3)= � ∑ 1 3−

(∑ 1)(∑ 3) � ∑ 12−(∑ 1)2 � ∑ 32−(∑ 3)2

(1,3)=

10×49.978 −(3.323×150)

10×1.112.189 −(3.323)2 _{10×2.270 −(150)}2

(1,3)=

499.780−498.450

11.121.890−11.042.329 (22.700−22.500)

(1,3)= 1.330 79.561 (200) 1,3 = 1.330 1.591.220 1,3 = 1.330 3.989,01 1,3 = 0,333

3. Koefisien korelasi antara rata – rata curah hujan (X2) dengan rata – rata hari hujan (X3)

(2,3)=

� ∑ 2 3−(∑ ₂)(∑ ₃)

� ∑ 22−(∑ 2)2 � ∑ 32−(∑ 3)2

(2,3)=

10×26.422 −(1.761×150)

10×330.993 −(1.761)2 _{10×2.270 −(150)}2

(2,3)=

264.220−264.150

3.309.930−3.101.121 (22.700−22.500)

(2,3)= 70 208.809(200) 2,3 = 70 41.761.800 2,3 = 70 6.462,34 2,3 = 0,011

4.7 Uji Regresi Linier Berganda

Pengujian hipotesis bagi koefisien – koefisien regresi linier berganda dapat dilakukan secara serentak atau keseluruhan. Pengujian regresi linier berganda dapat dilakukan untuk mengetahui apakah luas panen, rata – rata curah hujan dan rata – rata hari hujan memiliki pengaruh terhadap produksi padi. Langkah – angkah pengujiannya sebagai berikut:

1. Menentukan formulasi hipotesis

H0 = 1 = 2 = 0 (variabel bebas (Xi) tidak berpengaruh terhadap variabel dependen (Y)

H1 = 1 = 2 ≠ 0 (variabel bebas (Xi) berpengaruh terhadap variabel dependen (Y)

2. Menentukan taraf nyata � dan nilai Ftabel yaitu dengan dk pembilang = 3, dk penyebut = 6, dan � = 0,05

Ftabel = �� (k, n – k – 1) Ftabel = � 0,05 (3,10−2 −1)

Ftabel = �0,05 (3,6)

Ftabel = 4,76

3. Menentukan kriteria pengujian H0 diterima bila Fhitung ≤F tebel H0 ditolak bila Fhitung > F tebel

4. Menentukan nilai statistik F dengan rumus : F = ��/

�

(�− −1)

Dengan:

JKreg = jumlah kuadrat regresi JKres = jumlah kuadrat residu (n – k – 1) = derajat kebebasan Maka

F = ��/

�

(�− −1)

F =

2.063.323,224 3 361.614,589

6

F = 687.774,408

60.269,098

Dapat dilihat nilai Fhitung adalah 11,412 > nilai Ftabel yaitu 4,76. Dengan demikian dapat disimpulkan bahwa H0 ditolak dan H1 diterima, dapat diartikan bahwa persmaan regresi linier berganda Y atas X1, X2, X3 memiliki pengaruh yang signifikan. Yang berarti bahwa luas panen, rata – rata curah hujan dan rata – rata hari hujan mempengaruhi hasil produksi padi di Kabupaten Serdang Bedagai.

4.8 Uji Koefisien Regresi Linier Berganda

Keberartian adanya variabel – variabel bebas dalam regresi linier ganda perlu diuji untuk menunjukkan seberpa besar pengaruh yang diberikan pada variabel tak bebas. Dan cara yang tepat untuk mengujinya adalah dengan menggunakan uji t

= 787,198 + 13,163 X1 - 0,608 X2 + 127,577 X3

1. Hipotesa yang diuji

H0 : bi = 0 dimana i = 1,2,…,k (variabel bebas (X1 dan X2) tidak mempengaruhi variabel dependen (Y)

Hi : bi≠ 0 dimana i = 1,2,…,k (minimal ada satu parameter koefisien regresi yang tidak sama dengan nol atau mempengaruhi variabel dependen (Y))

2. Kriteria Pengujian H0 diterima jika thitung ≤ ttabel H0 ditolak jika thitung > ttabel

∑x12 = ∑ 12 − (∑ 1)2

�

= 1.112.189 –(3.323)2

10

= 1.112.189 −1.104.232,9

= 7.956,1

∑x22 = ∑ 22 − (∑ 2)2

�

= 330.993 –(1.761)2

10

= 330.993 −310.112,1

= 20.880,9

∑x32 = ∑ 32 − (∑ 3)2

�

= 2.270 –(150) 2

10

= 2.270 – 2.250

= 20

2

,1,2 =

∑( − )2

�− −1

= 361.614,589

= 361.614,589

6

= 60.269,098

1 = 2

,1,2 ∑ 12 1− 22

= 60.269,098

7.956,1(1−0,4562₎

= 60.269,098

(7.956,1) (1− 0,207936 )

= 60.269,098

(7.956,1) (0,792064 )

= 60.269,098

6.301,74

= 9,563882

= 3,092

t1 =

13,163

3,092 = 4,256

2 = 2

,1,2 ∑ 22 1− 22

= 60.269,098

= 60.269,098

(20.880,9) (1− 0,207936 )

= 60.269,098

(20.880,9) (0,792064 )

= 60.269,098

16.539,01

= 3,644

= 2

2 = − 0,608

2 = -0,31

3 = 2

,1,2 ∑ 32 1− 32

= 60.269,098

20 (1−0,33392)

= 60.269,098

(20) (1− 0,11)

= 60.269,098

(20) (0,89)

= 60.269,098

17,78

= 3.389,90

= 58,22

3 = 127,577

Dari tabel distribusi t dengan dk = 6 dan � = 0,05

= ₁₋1

2� (�− −1)

=

1−1

2 0,05 (10−3−1)

= 0,975 (6)

= 2,45

Maka dari perhitungan diatas dapat diperoleh:

1. t1 = 4,256 > ttabel = 2,45 maka H0 ditolak 2. t2 = -0,31 < ttabel = 2,45 maka H0 diterima 3. t3 = 2,57 > ttabel = 2,45 maka H0 ditolak

Sehingga dapat disimpulkan bahwa ketiga koefisien regresi yaitu luas panen (X1) dan rata – rata hari hujan (X3) mempunyai pengaruh yang signifikan terhadap hasil produksi padi.

BAB 5

IMPLEMENTASI SISTEM

5.1 Sejarah singkat SPSS

SPSS (Statistic Package for Service Solution) merupakan sebuah program statistika yang dibuat pada tahun 1968 oleh mahasiswa dari universitas Standford. Pada awalnya SPSS ditujukkan untuk menganalisis data ilmu – ilmu sosial atau dulu disebut Statistic Package for Social Sience. Namun seiring berjalannya waktu program ini dikembangkan sehingga barubah nama sesuai kebutuhannya.

5.2 Cara Kerja SPSS

Pada komputer yang sudah terdapat software SPSS, klik tombol Start kemudian pilih dan klik SPSS statistic 17.0 seperti berikut ini:

5.3 Pengoprasian SPSS

Pada jendela SPSS 17.0, pilih dan klik pada Type in Data untuk membuat data baru lalu pilih ok. Selanjutnya pada menu file pilih dan klik New untuk memunculkan sebuah jendela editor, klik Variabel View seperti tampilan dibawah ini:

Gambar 5.2 Jendela Kerja SPSS

5.4 Input Data (Variabel View)

Setelah jendela Variabel View terbuka, maka lakukan pengisian variabel – variabel yang akan dianalisis seperti dibawah ini:

Gambar 5.3 Jendela Input data Variabel View

5.5 Input Data (Data View)

Setelah selesai megisi Variable View, klik pilihan Data View sehingga data pun dapat dimasukkan berdasarkan jenis variabel yang telah didefinisikan terlebih dahulu pada Variabel View.

Gambar 5.4 Jendela Data View

Setelah dilakukan pengisisan data seperti diatas selanjutnya dilakukan proses analisa data.

a. Pilih menu analyze, kemudian pilih menu Regression, pilih Linear seprti tampilan berikut:

b. Pada kolom dependent pindahkan variabel produksi, sedangkan pada kolom independent pindahkan variabel luas, intensitas hujan, dan hari hujan.

c. Pada kolom method pilih Enter.

Gambar 5.6 Tampilan jendela linear regression

d. Kemudian klik kotak stastistik, pada pilihan regression coefficient beri tanda centang pada estimate , model fit dan descriptive. Kemudian pada pilihan residuals kosongkan saja. Lalu klik continue.

5.7Tampilan pada pengisian liniear regression statistic

e. Klik plots untuk membuat grafik, dan berikan tanda centang pada pilihan produce all partial plot lalu klik continue.

Gambar 5.8 Tampilan pengisian linear regression plots

f. Klik plots, pada pilihan stepping method criteria masukkan angka 0.05 pada kolom entri. Kemudian ceklis include constant in equation. Pada pilihan missing values beri tanda centang pada exclude case listwise. Lalu klik continue

Gambar 5.9 Tampilan pengisian linear regression options

BAB 6

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil analisis yang dilakukan tentang faktor – faktor yang mempengaruhi produksi padi di Kabupaten Serdang Bedagai selama periode 2002

– 2011 diperoleh kesimpulan bahwa variabel luas panen dan rata – rata hari hujan memiliki pengaruh yang signifikan terhadap produksi padi di Kabupaten Serdang Bedagai. Kedua variabel luas panen dan rata – rata hari hujan memiliki pengaruh positif terhadap produksi padi di Kabupaten Serdang Bedagai.

6.2 Saran

Berdasarkan hasil penelitian tentang analisis faktor – faktor yang mempengaruhi produksi padi di Kabupaten Serdang Bedagai, maka disarankan beberapa hal sebagai berikut:

1. Agar meningkatkan luas panen karena hal tersebut memiliki pengaruh yang signifikan terhadap produksi padi di Kabupaten Serdang Bedagai.

2. Agar meningkatkan produksi padi melalui upaya intensifikasi dan ekstensifikasi. Kegiatan nyata yang dapat dilakukan melalui penyediaan benih unggul, penyaluran bantuan pupuk bersubsidi, optimalisasi

penggunaan lahan pertanian dan pelaksanaan pengelolaan tanaman padi secara terpadu.

DAFTAR PUSTAKA

Algifari.2000. Analisa Regresi Teori, Kasus dan Solusi, Edisi 2. Yogyakarta : BPFE

Iswardono, 1981. Analisa Regresi dan Korelasi. Yogyakarta : BPFE Sudjana. 2001. Metode Statistika. Bandung: Tarsito

Usman, Husaini, R. Purnomo Setiady Akbar, 1995. Pengantar Statistik. Jakarta : Bumi Aksara

BPS Serdang Bedagai. 2003-2012. Serdang Bedagai dalam Angka 2003-2012. Badan Pusat Statistik

Sutarman, Marpongahtun, dkk. 2013. Panduan Tatacara Penulisan Tugas Akhir Edisi Kedua. Medan: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

Walpole, E. Ronald. 1995. Pengantar Statistika Edisi ke-3. Jakarta : Gramedia Pustaka Utama.

Hartono. 2008. Analisis Data Statistika dan Penelitian dengan SPSS 16. Pekanbaru : Zanafa

Lampiran 1 Output SPSS

Correlations

Produksi Luas Panen Curah Hujan

Jumlah Hari Hujan Pearson Correlation Produksi 1.000 .850 .291 .617

Luas Panen .850 1.000 .456 .333 Curah Hujan .291 .456 1.000 .011 Jumlah Hari Hujan .617 .333 .011 1.000 Sig. (1-tailed) Produksi . .001 .207 .029 Luas Panen .001 . .093 .173 Curah Hujan .207 .093 . .488 Jumlah Hari Hujan .029 .173 .488 .

N Produksi 10 10 10 10

Luas Panen 10 10 10 10 Curah Hujan 10 10 10 10 Jumlah Hari Hujan 10 10 10 10

Model Summaryb

Model R _{R Square Adjusted R} Square

Std. Error of the Estimate

Change Statistics

Durbin-Watson R Square

Change F Change df1 df2

Sig. F Change

1 .922a .851 .776 245.49764 .851 11.412 3 6 .007 2.798 a. Predictors: (Constant), Jumlah Hari Hujan, Curah Hujan, Luas Panen

b. Dependent Variable: Produksi

ANOVAb

Model Sum of Squares df Mean Square F Sig. 1 Regression 2063340.338 3 687780.113 11.412 .007a

Residual 361614.562 6 60269.094 Total 2424954.900 9

a. Predictors: (Constant), Jumlah Hari Hujan, Curah Hujan, Luas Panen b. Dependent Variable: Produksi

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients _{t Sig.} Collinearity Statistics B Std. Error Beta Tolerance VIF 1 (Constant) 787.198 1070.786 .735 .490

Luas Panen 13.163 3.327 .754 3.956 .007 .684 1.461 Curah Hujan -.608 1.936 -.056 -.314 .764 .770 1.299 Jumlah Hari Hujan 127.577 59.068 .366 2.160 .074 .864 1.158 a. Dependent Variable: Produksi

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N Predicted Value 6045.4658 7484.2285 6967.9000 478.81107 10 Std. Predicted Value -1.927 1.078 .000 1.000 10 Standard Error of Predicted

Value

95.678 232.731 149.201 45.298 10

Adjusted Predicted Value 6135.9053 7448.4556 7042.0489 448.51165 10 Residual -413.72589 357.84592 .00000 200.44799 10 Std. Residual -1.685 1.458 .000 .816 10 Stud. Residual -1.881 1.704 -.064 1.030 10 Deleted Residual -1008.33771 489.19000 -74.14890 426.13795 10 Stud. Deleted Residual -2.680 2.166 -.110 1.292 10 Mahal. Distance .467 7.188 2.700 2.254 10 Cook's Distance .000 3.790 .461 1.174 10 Centered Leverage Value .052 .799 .300 .250 10 a. Dependent Variable: Produksi

penggunaan lahan pertanian dan pelaksanaan pengelolaan tanaman padi

DAFTAR PUSTAKA

Algifari.2000. Analisa Regresi Teori, Kasus dan Solusi, Edisi 2. Yogyakarta :

BPFE

Iswardono, 1981. Analisa Regresi dan Korelasi. Yogyakarta : BPFE

Sudjana. 2001. Metode Statistika. Bandung: Tarsito

Usman, Husaini, R. Purnomo Setiady Akbar, 1995. Pengantar Statistik. Jakarta :

Bumi Aksara

BPS Serdang Bedagai. 2003-2012.

Serdang Bedagai dalam Angka 2003-2012.

Badan Pusat Statistik

Sutarman, Marpongahtun, dkk. 2013. Panduan Tatacara Penulisan Tugas Akhir

Edisi Kedua. Medan: Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Sumatera Utara.

Walpole, E. Ronald. 1995. Pengantar Statistika Edisi ke-3. Jakarta : Gramedia

Pustaka Utama.

Hartono. 2008. Analisis Data Statistika dan Penelitian dengan SPSS 16.

Lampiran 1

Output SPSS

Correlations

Produksi Luas Panen Curah Hujan

Jumlah Hari Hujan Pearson Correlation Produksi 1.000 .850 .291 .617

Luas Panen .850 1.000 .456 .333 Curah Hujan .291 .456 1.000 .011 Jumlah Hari Hujan .617 .333 .011 1.000 Sig. (1-tailed) Produksi . .001 .207 .029

Luas Panen .001 . .093 .173

Curah Hujan .207 .093 . .488

Jumlah Hari Hujan .029 .173 .488 .

N Produksi 10 10 10 10

Luas Panen 10 10 10 10

Curah Hujan 10 10 10 10

Jumlah Hari Hujan 10 10 10 10

Model Summaryb

Model R _{R Square Adjusted R} Square

Std. Error of the Estimate

Change Statistics

Durbin-Watson R Square

Change F Change df1 df2

Sig. F Change

1 .922a .851 .776 245.49764 .851 11.412 3 6 .007 2.798 a. Predictors: (Constant), Jumlah Hari Hujan, Curah Hujan, Luas Panen

b. Dependent Variable: Produksi

ANOVAb

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients _{t Sig.} Collinearity Statistics B Std. Error Beta Tolerance VIF 1 (Constant) 787.198 1070.786 .735 .490

Luas Panen 13.163 3.327 .754 3.956 .007 .684 1.461 Curah Hujan -.608 1.936 -.056 -.314 .764 .770 1.299 Jumlah Hari Hujan 127.577 59.068 .366 2.160 .074 .864 1.158 a. Dependent Variable: Produksi

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N Predicted Value 6045.4658 7484.2285 6967.9000 478.81107 10 Std. Predicted Value -1.927 1.078 .000 1.000 10 Standard Error of Predicted

Value

95.678 232.731 149.201 45.298 10

Adjusted Predicted Value 6135.9053 7448.4556 7042.0489 448.51165 10 Residual -413.72589 357.84592 .00000 200.44799 10 Std. Residual -1.685 1.458 .000 .816 10 Stud. Residual -1.881 1.704 -.064 1.030 10 Deleted Residual -1008.33771 489.19000 -74.14890 426.13795 10 Stud. Deleted Residual -2.680 2.166 -.110 1.292 10 Mahal. Distance .467 7.188 2.700 2.254 10 Cook's Distance .000 3.790 .461 1.174 10 Centered Leverage Value .052 .799 .300 .250 10 a. Dependent Variable: Produksi