Analisa Faktor-Faktor Yang Mempengaruhi Ketersediaan Beras Di Kota Medan Tahun 2010-2011.

ANALISA FAKTOR-FAKTOR YANG MEMPENGARUHI KETERSEDIAAN BERAS DI KOTA MEDAN 2010-2011

M. RICHKY DARMAWAN 102407077

PROGRAM STUDI DIPLOMA III STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2013

ANALISA FAKTOR-FAKTOR YANG MEMPENGARUHI KETERSEDIAAN BERAS DI KOTA MEDAN

TAHUN 2010-2011

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat memcapai gelar ahli madya M. RICHKY DARMAWAN

102407077

PROGRAM STUDI DIPLOMA III STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2013

PERSETUJUAN

Judul : ANALISA FAKTOR-FAKTOR YANG MEMPENGARUHI

KETERSEDIAAN BERAS DI KOTA MEDAN TAHUN 2010-2011. Kategori : TUGAS AKHIR

Nama : M. RICHKY DARMAWAN

NIM : 102407077

Program Studi : D-III STATISTIKA Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Juni 2013

Diketahui

Departemen Matematika FMIPA USU Pembimbing

Prof. Dr. Tulus, M.Si Prof. Dr. Saib Suwilo, M.Sc NIP. 19620901 198803 1 002 NIP. 19640109 198803 1 004

PERNYATAAN

ANALISA FAKTOR-FAKTOR YANG MEMPENGARUHI KETERSEDIAAN BERAS DI KOTA MEDAN TAHUN 2010-2011.

TUGAS AKHIR

Saya mengakui bahwa tugas akhir ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juni 2013

M. RICHKY DARMAWAN 102407077

PENGHARGAAN

Assalamu’alaikum warahmatullahi wabarakatuh.

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan Maha Penyayang dengan limpah karunia-Nya Penulis dapat menyelesaikan penyusunan Tugas Akhir ini dengan judul Analisis Faktor – Faktor yang Mempengaruhi Ketersediaan Beras di Kota Medan 2010-2011.

Terima kasih penulis sampaikan kepada Bapak Prof. Dr. Saib Suwilo, M.Sc. selaku pembimbing 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, Bapak Prof. Dr. Tulus, M.Si, PhD dan Ibu Dra. Mardiningsih, M.Si selaku Ketua dan 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 Ayahanda Hariyadi. MBA dan Elisa Damayanti serta keluarga yang selama ini memberikan bantuan dan dorongan yang diperlukan. Semoga Tuhan Yang Maha Esa akan membalasnya.

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Daftar Isi v

Daftar Tabel vii

Bab 1 Pendahuluan 1

1.1 Latar Belakang 1

1.2 Identifikasi Masalah 2

1.3 Lokasi Penelitian 3

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 3

1.6 Metodologi Penelitian 3

1.7 Tinjauan Pustaka 5

Bab 2 Landasan Teori 8

2.1 Konsep Dasar Analisis Regresi 8

2.2Persamaan Regresi 8

2.2.1 Persamaan Regresi Sederhana 9

2.2.2 Persamaan Regresi Berganda 10

2.3Mean Square Error 12

2.4Standard Error Estimasi 12

2.5Uji F pada Regresi Linier Ganda 13

2.6Koefisien Determinasi 14

2.7Koefisien Korelasi 15

2.8Uji Signifikansi Parameter Regresi Individual 17

Bab 3 Analisi Data 18

3.1 Pengolahan Data 18

3.2 Uji Asumsi Klasik 19

3.2.1 Uji Autokorelasi 19

3.3 Regresi Berganda 21

3.4 Uji F pada Regresi Linier Berganda 23

3.5 Koefisien Determinasi 24

3.6 Koefisien Korelasi 25

3.6.2 Perhitungan Korelasi Antar Variabel Bebas 27

3.7 Uji Signifikansi Parameter Regresi Individual 27

Bab 4 Kesimpulan dan Saran 29

5.1 Kesimpulan 29

5.2 Saran 30

DAFTAR TABEL

Tabel 2.1 Bentuk Umum Data Observasi 11

Tabel 3.1 Data Ketersediaan, Produksi, dan Kebutuhan 18

Tabel 3.2 Tampilan Spss Untuk Hasil Autokorelasi 20

Tabel 3.3 Tampilan Spss Untuk Autokorelasi Setelah Trasnsformasi Data 20

Tabel 3.4 Data Ketersediaan, Produksi, dan Kebutuhan 21

Tabel 3.5 Tampilan SPSSUntuk Persamaan Garis Regresi Linier Ganda 22 Tabel 3.6 Tampilan SPSS untuk persamaan garis regresi linier ganda: ANOVA 23 Tabel 3.7 Tampilan hasil SPSS Untuk Persamaan Garis Regresi Linier Ganda:

Model Summary 24

Tabel 3.8 Tampilan SPSS Untuk Persamaan Garis Regresi Linier Ganda:Correlations 25 Tabel 3.9 Tampilan SPSS untuk Korelasi Antar Variabel Bebas 27

BAB I

PENDAHULUAN

1.1. Latar belakang Masalah

Seperti diketahui bersama, perwujudan ketahanan pangan merupakan tanggung jawab pemerintah bersama masyarakat. Dalam hal ini pemerintah menyelenggarakan pengaturan, pembinaan, pengendalian dan pengawasan terhadap ketersediaan pangan yang cukup,baik jumlah dan mutunya, aman, bergizi, beragam, merata, dan terjangkau oleh daya beli masyarakat. Sedangkan masyarakat, berperan dalam menyelenggarakan produksi dan penyediaan, perdagangan dan distribusi, serta sebagai konsumen yang berhak memperoleh pangan yang aman dan bergizi. Dengan demikian sistem ketahanan pangan yang terdiri dari sub system ketersediaan, distribusi dan kewaspadaan pangan yang akan mencakup seluruh komponen bangsa.

Ketersediaan pangan merupakan salah satu sub sistem utama dalam sistem ketahanan pangan, yang menjelaskan tentang jumlah bahan pangan yang tersedia di suatu wilayah. Ketersediaan pangan dapat diwujudkan melalui produksi dalam negeri atau daerah. Pemasukan dari luar negeri atau luar daerah dan cadangan yang dimiliki daerah yang bersangkutan.

Ketahanan pangan masyarakat ketersediaan pangan yang cukup dan berkelanjutan sepanjang waktu, oleh sebab itu situasi ketersediaan pangan perlu diketahui secara periodik. Untuk itu perlu dilakukan pemantauan ketersediaan, kebutuhan dan cadangan bahan pangan.

Tujuan dari pemantauan ketersediaan, kebutuhan dan cadangan bahan pangan adalah memantau tingkat ketersediaan dibandingkan dengan tingkat kebutuhan akan pangan masyarakat. Sehingga informasi ini dapat menjadi acuan bagi institusi yang bersangkutan dalam usaha perumusan kebijakan dan memecahkan masalah ketersediaan pangan.

Oleh karena hal di atas, maka penulis merasa tertarik dan terdorong untuk mengadakan penelitian tentang ketersediaan beras dengan judul “ Analisa Faktor-Faktor Yang Mempengaruhi Ketersediaan Beras Di Kota Medan Tahun 2010-2011 “.

1.2. Identifikasi Masalah

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

1. Apa sajakah faktor yang mempengaruhi ketersediaan beras di Kota Medan Tahun 2010-2012.

2. Berapa besar nilai faktor-faktor yang mempengaruhi ketersediaan beras di Kota Medan ahun 2010-2012.

3. Bagaimana hubungan korelasi antara faktor-faktor yang mempengaruhi (produksi, dan konsumsi) dengan ketersediaan beras di Kota Medan ahun 2010-2012.

Sebagai pembatasan masalah ini adalah penganalisaan data kuantitatif statistik yakni menggunakan analisa korelasi dan linier berganda. Data kuantitatif yang dilakukan adalah tentang jumlah ketersediaan beras dan faktor-faktor yang mempengaruhinya yaitu jumlah

produksi beras dan kebutuhan beras, sehingga proses penganalisaannya dilakukan dengan uji keberartian koefisien korelasi dan uji keberartian regresi.

1.3. Lokasi penelitian

Penelitian dan riset data dilakukan di Kantor Badan Ketahanan Pangan Sumatera Utara yang berlokasi di Jl. A.H Nasution. Dan di kantor Badan Pertanian Sumatera utara yang berlokasi di Jl. A.H Nasution.

1.4. Tujuan Penelitian

Tujuan dilakukan penelitian ini adalah mengetahui apakah secara signifikan (meyakinkan) terhadap korelasi positif, negatif atau tidak berkorelasi antara jumlah ketersediaan beras dengan jumlah produksi beras dan jumlah kebutuhan beras di Kota Medan Tahun 2010-2011.

1.5. Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat antara lain:

1. Bagi penulis, bermanfaat untuk menambah pengetahuan mengenai analisa korelasi dan regresi linier berganda.

2. Bagi pihak Badan Ketahanan Pangan, dapat bermanfaat sebagai masukan dalam mengambil keputusan.

3. Melengkapi tugas dan memenuhi syarat mencapai gelar Ahli Madya.

1.6. Metodologi Penelitian

Metode penelitian yang digunakan penulis adalah dengan cara sebagai berikut: 1. Penelitian Kepustakaan

Penelitian kepustakaan yaitu metode pengumpulan data untuk memperoleh data dan informasi dari perpustakaan, dengan membaca buku-buku, dan referensi yang bersifat teoritis yang mendukung penulisan tugas akhir.

2. Metode Pengumpulan Data

Pengumpulan data untuk keperluan riset ini, telah dilakukan oleh penulis dengan menggunakan data sekunder yang diperoleh dari Kantor Badan Ketahanan Pangan Sumatera Utara yang berlokasi di Jl. A.H Nasution. Dan di kantor Badan Pertanian Sumatera utara yang berlokasi di Jl. A.H Nasution. Data yang dikumpulkan tersebut kemudian disusun dan disajikan dalam bentuk angka-angka dengan tujuan untuk mendapatkan gambaran yang jelas tentang sekumpulan data tersebut.

3. Teknik dan Analisa Data

Data penelitian dianalisis dengan menggunakan analisis multiple regresi linier (Analisis Regresi Berganda) dan korelasi. Analisis multiple regresi linier yang lebih dikenal dengan regresi linier ganda merupakan perluasan dari regresi linier sederhana, pada regresi linier ganda variabel independen lebih dari satu variabel yang dihubungkan dengan satu variabel dependen.

Regresi linier ganda juga adalah persamaan garis lurus (regresi linier) untuk memprediksi variabel dependent (numerik) dari beberapa variabel independen (numerik atau kategorik). Jenis data pada regresi linier ganda untuk variabel dependen harus numerik, sedangkan untuk variabel independen boleh semuanya numerik atau campuran numerik dengan kategorik. Di mana data numerik terdiri dari data interval dan data ratio, sedangkan data kategorik terdiri dari data ordinal dan nominal.

Pada analisis linier ganda dihubungkan beberapa variabel independen dengan satu variabel dependen pada waktu yang bersamaan.

Model persamaan regresi linier ganda adalah :

Ŷ=α+β1 x1+ β2 x2+ … + βn xn + ei

Keterangan:

Ŷ : variabel dependen

α : intercept = nilai Y jika X = 0

β : slope = koefisien regresi = besarnya perubahan nilai Y setiap satu unit perubahan

x : variabel independen

ei : residual/error term sampel = beda arah nilai Y observasi dengan nilai Y prediksi

Di mana koefisien regresi linier berganda dari variabel-variabel tersebut akan dicari nilai dan pengaruhnya masing-masing terhadap variabel terikat dengan menggunakan aplikasi SPSS 17.

1.7. Tinjauan Pustaka

Pangan merupakan kebutuhan dasar utama bagi manusia yang harus dipenuhi setiap saat. Hak untuk memperoleh pangan merupakan salah satu hak asasi manusia, sebagaimana tersebut dalam pasal 27 UUD 1945. Hak pemenuhan kebutuhan pangan bagi setiap manusia juga tercantum

dalam deklarasi Roma tahun 1986, yaitu “Rome Declaration on World Food Security and World

Food Summit Plan of Action”. Pertimbangan tersebut juga mendasari terbitnya UU pangan No.7

pada tahun 1996. Sebagai kebutuhan dasar dan hak asasi manusia, pangan mempunyai arti dan peran yang sangat penting bagi kehidupan suatu bangsa. Ketersediaan pangan yang lebih kecil dibandingkan kebutuhannya dapat menciptakan ketidak-stabilan ekonomi disuatu negara. Berbagai gejolak sosial dan politik dapat juga terjadi jika ketahanan pangan terganggu. Bagi indonesia, pangan diidentikkan dengan beras karena jenis pangan ini merupakan makanan pokok utama (Mohammad Ismet, 2007).

Beras merupakan komoditas pangan yang dijadikan makanan pokok bagi bangsa Asia, khususnya Indonesia, Thailand, Malaysia, Vietnam, Jepang, dan Myanmar. (Rethna Hessie, 2009).

Produksi padi Indonesia dengan fluktuasi di beberapa tahun mempunyai kecenderungan meningkat. Pada awal tahun 1960 sampai dengan tahun 1970, kenaikan produksi lebih banyak dipengaruhi oleh perluasan lahan dan perbaikan produktivitas meskipun masih berjalan relatif lamban. Pertumbuhan produksi cukup tajam sekitar rata-rata 4,3 persen per tahun pada kurun waktu 1970-1990. Periode berikutnya 1997-200 meningkat rata-rata 1,67 persen per tahun, terutama karena bertambahnya areal panen. Kenaikan rata-rata terus terjadi sehingga pada tahun

dibanding tahun 2007. Dengan produksi tersebut, maka Indonesia kembali menjadi negara swasembada beras. Fluktuasi teus terjadi dalam kurun waktu terakhir hingga swasembada sulit dipertahankan. Kebutuhan konsumsi nasional sebagian dipenuhi dari impor (Tajuddin Bantacut, 2012).

Dengan menggunakan data produksi padi ataupun beras jika dibandingkan dengan angka konsumsi agregate atau konsumsi langsung, sebenarnya kita memang sudah mencukupi konsumsi rumah tangga. Bahkan dengan angka dasar ketersediaan beras 139 kg/kapita/tahun sekalipun, produksi beras kita masih mencukupi kebutuhan dalam negeri. Jika penduduk kita mencapai 237 juta jiwa, maka kita hanya membutuhkan produksi beras kurang dari 33 juta ton. Hal ini berarti tingkat kecukupan ketersediaan beras dengan mengendalikan produksi dalam negeri cukup menjaga produksi beras pada tinggkat terendah 50 juta ton gabah kering giling, meskipun kini telah mampu menghasilkan lebih dari 66 juta ton GKG (Noer Sutrisno, 2012).

Permasalahan produksi pangan dalam negeri, terutama beras, menjadi semakin kompleks apabila dikaitkan dengan karateristik produksi pangan yang mempunyai ketimpangan antar tempat dan waktu serta diproduksi oleh jutaan petani produsen yang sebagian besar petani kecil, petani tanpa tanah atau buruh padi. Masalah konsumsi juga tidak sederhana. Beras harus tersedia dalam jumlah yang cukup dengan harga yang terjangkau, yaitu masyarakat miskin (Mohammad Ismed, 2007).

Dengan pertimbangan karteristik produksi, konsumsi beras, dan pasar beras yang terintegrasi, serta pentingnya beras sebagai komoditi ekonomi dan politik, maka diperlukan kebijakan ketahanan pangan yang bersifat nasional dan komprehensif, tidak terpisah-pisah atau parsial. Dalam rangka mewujudkan ketersediaan pangan yang bersifat nasional tersebut,

diperlukan kebijakan Pemerintah yang mengelola jaringan kegiatan pemasaran antar tempat dan antar waktu (pengadaan, penyaluran dan penyimpanan) yang terkendali secara nasional yang bobotnya secara proporsional disesuaikan dengan besar-kecilnya pasar beras di masing-masing wilayah/daerah.

Kebijakan pangan nasional yang dilaksanakan oleh pemerintah harus dapat mengakomodasikan dan menyeimbangkan penawaran/produksi dan permintaan beras. Disatu pihak, kebijaksanaan pemerintah harus berupaya meningkatkan produksi pangan dalam rangka ketersediaan pangan dengan harga terjangkau masyarakat konsumen, namun dipihak lain kebijaksanaan pangan pemerintah tersebut harus meningkatkan kesejahteraan petani yang selalu menginginkan harga tinggi bagi komoditi yang dihasilkannya. Dengan demikian harus tercipta

price brand yang reasonable untuk musim panen maupun untuk musim panceklik (Mohammad

BAB II

LANDASAN TEORI

2.1Konsep Dasar Analisis Regresi

Analisis regresi (regressison analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai analisis prediksi. Karena merupakan prediksi, maka nilai prediksi tidak selalu tepat dengan nilai riilnya, semakin kecil tingkat penyimpangan antara nilai prediksi dengan nilai riilnya, maka semakin tepat persamaan regresi yang dibentuk.

Sehingga dapat didefinisikan bahwa analisis regresi adalah metode statistika digunakan untuk menentukan kemungkinan bentuk hubungan antara variabel-variabel, untuk meramalkan atau memperkirakan nilai dari suatu variabel lain yang belum diketahui.

2.2Persamaan Regresi

Analisis regresi digunakan apabila ada korelasi antara satu atau beberapa variabel bebas dengan variabel terikat (dependent). Variabel bebas dapat berupa data kontinu maupun kategori. Persamaan regresi adalah suatu persamaan matematis yang mendefinisikan hubungan antara dua variabel. Persamaan regresi yang digunakan untuk membuat taksiran mengenai variabel

dependent disebut persamaan regresi estimasi, yaitu suatu formula matematis yang menunjukkan hubungan keterkaitan antara satu atau beberapa variabel yang nilainya sudah diketahui dengan satu variabel lain yang nilainya belum diketahui.

Sifat hubungan antar variabel dalam persamaan regresi merupakan hubungan sebab akibat (causal relationship). Oleh karena itu, sebelum menggunakan persamaan regresi dalam menjelaskan hubungan antara dua atau lebih variabel, maka perlu dikayini terlebih dahulu bahwa secara teoritis atau perkiraan sebelumnya, dua atau lebih variabel tersebut memiliki hubungan sebab akibat.

2.2.1 Persamaan Regresi Linier Sederhana

Regresi linier sederhana yaitu suatu prosedur untuk mendapatkan hubungan matematis dalam bentuk persamaan antara variabel bebas tunggal dengan variabel tak bebas tunggal. Regresi linier sederhana hanya memiliki satu peubah bebas X yang dihubungkan dengan satu peubah tak bebas Y.

Bentuk umum dari persamaan regresi linier sederhana untuk populasi adalah sebagai berikut:

µyx = 0 1X _(2.1)

Dengan ₀ dan ₁ merupakan parameter-parameter yang ada dalam regresi itu.

Jika _0,₁ dan pendugaannya b0 dan b1 , maka bentuk regresi linier sederhana untuk

sampel adalah sebagai berikut:

Yˆ = b0 + b1 X1

Yˆ = Variabel tak bebas (dependent variable)

X = Variabel bebas (independent variable)

b0 = Intersep (titik potong kurva terhadap sumbu Y)

b1 = Kemiringan (slope) kurva linier

2.2.2 Persamaan Regresi Linier Berganda

Regresi linier berganda mengandung makna bahwa dalam suatu persamaan regresi terdapat satu variabel dependent dan lebih dari satu variabel independent. Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan antara variabel dependent dengan faktor-faktor yang mempengaruhi lebih dari satu variabel independent.

Persamaan regresi berganda yang mempunyai variabel dependent Y dengan dua variabel independent atau lebih. Secara umum persamaan regresi gandanya dapat ditulis sebagai berikut:

Y= β0+ β1X1+ β2X2+…+ βkXk+e _(2.3)

Dengan:

β0 = koefisien intercept regresi

β1 β2··· βk = koefisien slope regresi

e = error persamaan regresi

Untuk regresi linier yang menggunakan lebih dari dua variabel independent maka persamaan yang digunakan adalah:

Yˆ = b0 + b1X1 + b2X2 +…+ bnXn _(2.4)

Tabel 2.1 Bentuk Umum Data Observasi

Responden

Variabel Tak Bebas

Variabel Bebas

(Y) X1 X2 Xk

1 Y1 X11 X21 … Xk1

2 Y2 X11 X22 … Xk2

. . . . . . . . . . . . … . . .

N Yn X1n X2n … Xkn



_

i

Y



X1i



X2i



Xkn

Dari tabel 2.1 dapat dilihat bahwa Y1 berpasangan dengan X11, X21, …, Xk1 dan Y2

berpasangan dengan X12, X22, …, Xk2 dan umumnya data Yn berpasangan dengan X1n, X2n, …, Xkn.

Dalam penelitian ini, penulis menggunakan regresi linier berganda dengan 4 variabel, yaitu satu variabel tak bebas (dependent variable) dan tiga variabel bebas (independent variable).

Persamaan regresi berganda dengan dua variabel bebas ditaksir oleh:

Yˆ = b0 + b1X1 + b2X2 _(2.5)

Dengan :

b0 =nilai Y pada perpotongan antara garis linier dengan sumbu vertikal Y X1, X2, X3 = nilai variabel independent

b1, b2 = slope yang berhubungan dengan nilai X1,dan X2

Dan diperoleh persamaan normal yaitu:

∑Yi = b0n + b1∑X1i +b1∑X2i ∑YiX1i = b0∑X1i + b1∑X1i2 _{+ b2∑X1iX2i}

_(2.6)

∑YiX2i = b0∑X2i + b1∑X1iX2i + b2∑X1i X3i

Harga-harga b0, b1, b2, yang telah didapat kemudian disubstitusikan ke dalam persamaan 2.6 sehingga diperoleh model regresi linier berganda Y atas X1, dan X2.

2.3Mean Square Error

Dalam regresi linier berganda dapat diukur dispersi data Y disekitar garis regresi Y. ukuran tersebut ditentukan oleh mean square error (kekeliruan baku taksiran 2_,12). Ini bertujuan untuk

mengetahui seberapa nyata model regresi itu terhadap kenyataan seseungguhnya yang dirumuskan dengan:

MSE = 2_,12 = Σ( −Ŷ)2

�− −1 (2.7)

2.4Standar Error Estimasi

Dalam persamaan model regresi linier yang diperoleh, maka antara nilai Y dengan Yˆakan menimbulkan perbedaan hasil yang sering disebut sebagai standard error of estimation (s). atau

kesalahan estimasi standar yang dirumuskan dengan:

s= � (2.8)

Atau

s²y.12…k = ∑ ( −Ŷ )2

�− −1 (2.9)

Dengan :

Yi = nilai data hasil pengamatan Ŷ = nilai hasil regresi

n = ukuran sampel

k = banyak variabel bebas

2.5Uji F pada Regresi Linier Ganda

Pengujian hipotesis bagi koefisien-koefisien regresi linier berganda dapat dilakukan secara serentak atau keseluruhan. Pengujian regresi linier perlu dilakukan untuk mengetahui apakah variabel-variabel bebas secara bersamaan memiliki pengaruh terhadap variabel tak bebas.

Langkah-langkah pengujiannya adalah sebagai berikut: 1. Menentukan formulasi hipotesis

H0 : b1 = b2 = b3= … = bk = 0, (X1,X2, ..., Xk tidak mempengaruhi Y)

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

mempengaruhi Y.

2. Menentukan taraf nyata dan Ftabel dengan derajat kebebasan v1 = k dan v2 = n- k-1

Ho ditolak bila Fhitung > Ftabel

4. Menentukan nilai statistik F dengan rumus:

Fhit =

�� �

(�− −1) (2.10)

Dengan:

JKreg = jumlah kuadrat regresi

JKres = jumlah kuadrat residu (sisa)

(n–k –1) = derajat kebebesan

JKreg = b1



y_ix_1i + b2



y_ix_2i+ …+ bk



y_ix_{ki (2.11)}

Dengan:

x1i = X1i – X x2i = X2i–X₂ xki = Xki–X_k

JKres =



(Yi - Yˆi)2 _(2.12)

5. Membuat kesimpulan apakah H0 diterima atau ditolak.

2.6Koefisien Determinasi

Koefisien determinasi yang dinyatakan dengan R² untuk menguji regresi linier berganda yang mencakup lebih dari dua variabel. Koefisien determinasi adalah untuk mengetahui proporsi keberagaman total dalam variabel tak bebas Y yang dapat dijelaskan atau diterangkan oleh

bersama-sama. Maka R² akan ditentukan dengan rumus:

R² = ��

∑ 2

(2.13)

∑ 2_{= ∑} 2₋ ∑

� (2.14)

Dengan:

JKreg = jumlah kuadrat regresi

2.7Koefisien Korelasi

Analisis Korelasi adalah alat yang dapat digunakan untuk mengetahui adanya derajat hubungan linier antara satu variabel dengan variabel lain. Hubungan antara variabel ini dapat berupa hubungan yang kebetulan belaka, tetapi dapat juga merupakan hubungan sebab akibat.

Untuk mencari korelasi antara variabel Y dan X dapat dirumuskan sebagai berikut:

r = �∑ − ∑ ∑

�∑ 2_{−(∑ )}2 _�∑ 2_{−(∑ )}2

(2.15)

Untuk menghitung korelasi antara variabel tak bebas dengan tiga buah variabel bebas masing-masing adalah:

1. Koefisien korelasi antara Y dengan X1 ry1 = �∑ 1 − ∑ 1 ∑

�∑ 12−(∑ 1)2 �∑ 2−(∑ )2

(2.16)

2. Koefisien korelasi antara Y dan X2 ry2 = �∑ 2 − ∑ 2 ∑

�∑ 22−(∑ 2)2 �∑ 2−(∑ )2

(2.17)

r12 = �∑ 1 2− ∑ 1 ∑ 2

�∑ 12−(∑ 1)2 �∑ 22−(∑ 2)2 (2.18)

Dua variabel dikatakan berkorelasi apabila perubahan pada suatu variabel akan diikuti oleh perubahan variabel lain, baik dengan arah yang sama maupun dengan arah yang berlawanan. Hubungan antara variabel dapat dikelompokkan menjadi tiga jenis hubungan sebagai berikut:

1. Korelasi Positif

Terjadinya korelasi positif apabila perubahan pada variabel yang satu diikuti dengan perubahan variabel yang lain dengan arah yang sama atau berbanding lurus. Artinya, apabila variabel yang satu meningkat, maka akan diikuti dengan peningkatan variabel yang lain.

2. Korelasi negatif

Korelasi negatif terjadi apabila perubahan pada variabel yang satu diikuti dengan perubahan variabel yang lain dengan arah yang berlawanan atau berbanding terbalik. Artinya, apabila variabel yang satu meningkat, maka akan diikuti dengan penurunan pada variabel yang lain dan sebaliknya.

3. Korelasi nihil

Korelasi nihil terjadi apabila perubahan pada variabel yang satu diikuti pada perubahan variabel yang lain dengan arah yang tidak teratur (acak).

Koefisien korelasi nihil adalah -1 ≤ r≤ 1. Jika dua variabel berkorelasi negatif maka nilai koefisien korelasi akan mendekati -1. Jika dua variabel tidak berkorelasi akan mendekati 0. Sedangkan jika dua variabel berkorelasi positif maka koefisien korelasi akan mendekati +1.

tersebut, dapat dilihat pada perumusan berikut ini: -1,00 ≤ r ≤ -0,80 berarti berkorelasi kuat secara negatif -0,79 ≤ r ≤ -0,50 berarti berkorelasi sedang secara negatif -0,49 ≤ r ≤ 0,49 berarti berkorelasi lemah

0,50 ≤ r ≤ 0,79 berarti berkorelasi sedang secara positif 0,80 ≤ r ≤ 1,00 berarti berkorelasi kuat secara positif. 2.8Uji Signifikansi Parameter Regresi Individual

Meskipun telah diberikan cara uji keberartian regresi dengan uji F, namun belum diketahui bagaimana keberartian adanya setiap variabel bebas dalam regresi itu. Oleh karena itu untuk mengetahui bagaimana keberartian adanya setiap variabel bebas dalam regresi perlu diadakan pengujian mengenai b1, b2. Pengujian dapat dirumuskan dengan hipotesa sebagai berikut:

H0: variabel X tidak mempengaruhi Y

H1: variabel X mempengaruhi Y

Untuk menguji hipotesis ini digunakan kekeliruan baku taksiran (s_y.122 _…k), jumlah

kuadrat-kuadrat � 2 dengan = − X _j dan koefisien korelasi ganda antar variabel bebas Xi.

Dengan harga- harga ini dibentuk kekeliruan baku koefisien b1, dengan persamaan:

� = .12…

2

� 2 ₍₁₋ i2)

(2.19)

Selanjutnya hitung statistik:

= �

� (2.20)

BAB 3

ANALISIS DATA

3.1 Pengolahan Data

Data yang diambil dari Badan Ketahanan Pangan Sumatera Utara adalah data mengenai jumlah Ketersediaan Beras, Produksi, dan Kebutuhan Beras di Kota Medan.

Tabel 3.1 Data Ketersediaan, Produksi, dan Kebutuhan.

Bulan Ketersediaan (Y) Produksi (X1) Kebutuhan (X2)

Januari 2010 9889 738 23826

Februari 2010 10949 1920 23826

Maret 2010 9889 3350 23826

April 2010 10219 426 23826

Mei 2010 9889 531 23826

Juni 2010 10219 522 23826

Juli 2010 9889 405 23826

Agustus 2010 9889 420 23826

September 2010 10219 1644 23826

Oktober 2010 9889 1440 23826

Desember 2010 9889 1035 23826

Januari 2011 389 403 23563

Februari 2011 3153 3261 23563

Maret 2011 1575 1629 23563

April 2011 58 60 23563

Mei 2011 41 42 23563

Juni 2011 840 869 23563

Juli 2011 447 463 27333

Agustus 2011 1531 1584 31103

September 2011 657 679 23663

Oktober 2011 311 322 23663

November 2011 218 225 23799

Desember 2011 234 240 26391

Dari data tersebut maka: Y = Ketersediaan X1 = Produksi

X2 = Kebutuhan

3.2Uji Asumsi Klasik

Model regresi linier berganda (Multiple Regression) dapat disebut model yang baik jika model tersebut memenuhi criteria BLUE (Best Linear Unbiased Estimator). BLUE dapat dicapai bila telah memenuhi asumsi klasik. Ada lima jenis asumsi klasik yang perlu diketahui, yaitu:

2. Uji Autokorelasi. 3. Uji Multikolinearitas. 4. Uji Heterokestisitas. 5. Uji Linearitas.

Dalam tugas akhir ini hanya menggunakan Uji Autokorelasi.

3.1.1 Uji Autokorelasi

Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson (uji DW) dengan ketentuan sebagai berikut:

1. Jika (4 – DWl ) < DW < 4 maka H0 ditolak (terdapat autokorelasi negatif).

2. Jika (4 – DWu ) < DW < (4 – DWl ) maka tidak ada kesimpulan.

3. Jika 2 < DW < (4 – DWu ) maka H0 diterima.

4. Jika DWu < DW < 2 maka H0 diterima.

5. Jika DWl < DW < DWu maka tidak ada kesimpulan.

Tabel 3.2 Tampilan SPSS untuk hasil autokorelasi Model Summaryb

Model R R Square

Adjusted R Square

Std. Error of the Estimate

Durbin-Watson

1 .357a .128 .045 4687.540 .465

a. Predictors: (Constant), Kebutuhan, Produksi b. Dependent Variable: Ketersediaan

Dari hasil estimasi diatas diperoleh nilai Durbin-Watson (DW) = 0.465. dengan banyak data 24 serta variabel bebas (k)= 2, diperoleh nilai DWl = 1.19 dan DWu = 1.55 terlihat bahwa 0

< DW < DWl atau dengan kata lain 0 < 0.465 < 1.19. ini berarti terdapat masalah autokorelasi

positif pada model regresi.

Untuk mengatasi masalah autokorelasi pada model regresi dapat dilakukan dengan cara mentransformasikan data atau menambahkan lag pada data.

Tabel 3.3 Tampilan SPSS Untuk Autokorelasi setelah trasnsformasi data Model Summaryb

Model R R Square

Adjusted R Square

Std. Error of the Estimate

Durbin-Watson

1 .901a .811 .781 2248.871 2.512

a. Predictors: (Constant), lag_ketersediaan, Produksi, Kebutuhan b. Dependent Variable: Ketersediaan

Dari hasil estimasi diatas diperoleh nilai Durbin-Watson (DW) = 0.465. dengan banyak data 24 serta variabel bebas (k)= 2, diperoleh nilai DWl = 1.19 dan DWu = 1.55 terlihat bahwa

(4-DWu ) < DW < (4-DWl )atau dengan kata lain 2.45 < 2.51 < 2.81 dengan hasil ini maka tidak ada

kesimpulan. Dapat dikatakan bahwa model regresi ini telah terbebas dari masalah autokorelasi.

3.3Regresi Linier Berganda

Setelah melakukan uji autokorelasi maka selanjutnya melakukan uji regresi linier berganda.

Tabel 3.4 Data Ketersediaan, Produksi, dan Kebutuhan. Ketersediaan

(Y)

Produksi (X1)

Kebutuhan (X2)

Lag_Ketersediaan (X3

)

9889 738 23826

10949 1920 23826 9889

9889 3350 23826 10949

10219 426 23826 9889

9889 531 23826 10219

10219 522 23826 9889

9889 405 23826 10219

9889 420 23826 9889

10219 1644 23826 9889

9889 1440 23826 10219

9889 1035 23826 10219

389 403 23563 9889

3153 3261 23563 389

1575 1629 23563 3153

58 60 23563 1575

41 42 23563 58

840 869 23563 41

447 463 27333 840

1531 1584 31103 447

657 679 23663 1531

311 322 23663 657

218 225 23799 311

234 240 26391 218

Dari data tersebut maka: Y = Ketersediaan X1 = Produksi

X2 = Kebutuhan

X3 = Lag_Ketersediaan

Dalam menganalisa data tersebut menggunakan SPSS, diperoleh output dan penjelasannya sebagai berikut :

Tabel 3.5 Tampilan SPSS Untuk Persamaan Garis Regresi Linier Ganda. Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig. B Std. Error Beta

1 (Constant) -3174.678 7371.072 -.431 .672

Produksi .059 .079 .075 .738 .469

Kebutuhan .130 .293 .047 .445 .661

lag_ketersediaan .903 .109 .896 8.262 .000

a. Dependent Variable: Ketersediaan

Dari tabel 03.5, kolom unstandardized coefficients, diperoleh nilai: b0 = -3174,678

b1 = 0,059

b2 = -0,130

b3 = 0,93

Dengan demikian persamaan regresi linier ganda yang didapat atas X1, X2, dan X3

adalah:

Ŷ = -3174,678 + 0,059X1 - 0,130X2 + 0,903 X3

Dari persamaan diatas dapat kita lihat bahwa X1 akan mempengaruhi nilai Ŷ sebesar

0,059, X2 akan mempengaruhi nilai Ŷ sebesar -0,130, sedangkan X3 akan mempengaruhi nilai Ŷ

3.4 Uji F pada Regresi Linier Ganda

Menguji keberartian regresi linier berganda dimaksudkan untuk meyakinkan apakah regresi berbentuk linier yang didapat berdasar penelitian yang ada artinya bila dipakai untuk membuat kesimpulan mengenai peubah.

Dari harga-harga di atas dapat diketahui nilai jumlah kuadrat regresi (JKreg), nilai jumlah

kuadrat residu (JKres) dan selanjutnya dapat dihitung Fhitung. Hipotesa mengenai keberartian

model regresi adalah:

H0: persamaan regresi tidak bersifat nyata dan variabel X tidak mempengaruhi Y

H1: Persamaan regresi bersifat nyata dan variabel X mempengaruhi Y

Dengan kriteria pengujian: Tolak H0: jika Fhitung >Ftabel

Terima H0: jika Fhitung <Ftabel

Tabel 3.6 Tampilan SPSS untuk persamaan garis regresi linier ganda: ANOVA.

ANOVAb

Model

Sum of

Squares df Mean Square F Sig.

1 Regression 4.122E8 3 1.374E8 27.169 .000a

Total 5.083E8 22

a. Predictors: (Constant), lag_ketersediaan, Produksi, Kebutuhan b. Dependent Variable: Ketersediaan

Dengan tabel distribusi F dengan dk pembilang= 2 dan dk penyebut= 21 dan α= 0.05 Maka diperoleh:

Ftabel = F(α) (k, n-k-1)

= F(0.05) (2, 24-3-1)

= F(0.05) (2, 21) = 3,47

Dengan demikian deperoleh _{ℎ ��} = > Ftabel = 3,47

Karena Fhitung > Ftabel maka H0 ditolak dan H1 diterima. Hal ini berarti bahwa persamaan

regresi linier ganda Y atas X1, X2, dan X3 bersifat nyata atau produksi dan kebutuhan secara

bersama-sama mempengaruhi tingkat ketersediaan Beras di Kota Medan.

3.5 Koefisien Determinasi

Koefisien determinasi ganda:

Tabel 3.7 Tampilan hasil SPSS untuk persamaan garis regresi linier ganda: Model Summary.

Model Summaryb

Model R R Square

Adjusted R Square

Std. Error of the Estimate

a. Predictors: (Constant), lag_ketersediaan, Produksi, Kebutuhan

b. Dependent Variable: Ketersediaan

Diperoleh nilai koefisien determinasi sebesar 0,901, hal ini berarti sekitar 90,1% ketersediaan beras di Kota Medan dapat dijelaskan oleh variabel produksi dan kebutuhan beras dengan

persamaan regresi Ŷ = -3174,678 + 0,059X1 - 0,130X2 + 0,903 X3 ; sedangkan sisanya (9,9%)

dijelaskan oleh faktor lain.

Dan untuk koefisien korelasi ganda adalah:

R = 2

R = 0,901 R = 0,949

Dari perhitungan diatas diperoleh korelasi antara variabel produksi dan kebutuhan tehadap ketersediaan beras di kota Medan sebesar 0,949, angka korelasi tersebut membuktikan bahwa hubungan antara variabel independent dan kedua variabel dependent sangat kuat dengan arah positif.

3.6Koefisien Korelasi

3.6.1 Perhitungan Korelasi Antar Variabel Y dengan Xi (ry.12)

Tabel 3.8 Tampilan SPSS untuk persamaan garis regresi linier ganda: Correlations.

Correlations

Ketersediaan Produksi Kebutuhan

lag_ketersedia an Ketersediaan Pearson Correlation 1 .250 -.269 .896**

Sig. (2-tailed) .239 .204 .000

N 24 24 24 23

Produksi Pearson Correlation .250 1 -.055 .215

Sig. (2-tailed) .239 .799 .324

N 24 24 24 23

Kebutuhan Pearson Correlation -.269 -.055 1 -.341

Sig. (2-tailed) .204 .799 .112

N 24 24 24 23

lag_ketersediaan Pearson Correlation .896** .215 -.341 1

Sig. (2-tailed) .000 .324 .112

N 23 23 23 23

**. Correlation is significant at the 0.01 level (2-tailed).

Dari Tabel 3.8 dapat dilihat bahwa nilai korelasi antara ketersediaan beras dengan produksi beras sebesar 0,25 menunjukkan bahwa terdapat korelasi yang sangat rendah dengan nilai yang searah (positif), atau dengan kata lain variabel Produksi hanya mempengaruhi Ketersediaan Beras sebesar 25%.

Nilai korelasi antara Ketersediaan beras dengan Kebutuhan beras sebesar -0,269 menunjukkan bahwa juga terdapat korelasi yang sangat rendah (tidak ada korelasi) dengan nilai yang berlawanan (negatif). Dengan kata lain variabel Kebutuhan Beras tidak mempengaruhi ketersediaan beras (-26,9%).

Nilai korelasi antara Ketersediaan beras dengan Lag_Ketersediaan Beras sebesar 0,896 menunjukkan bahwa terdapat korelasi yang kuat kearah positif. Dengan kata lain variabel Lag_Ketersediaan beras mempengaruhi ketersediaan beras (89,6%).

Berdasarkan perhitungn diatas dapat diperoleh kesimpulan:

1. Variabel X1 berkorelasi sangat rendah dengan arah positif terhadap variabel Y.

2. Variabel X2 berkorelasi sangat rendah dengan arah negative terhadap variabel Y.

3. Variabel X3 berkorelasi sangat kuat dengan arah positif terhadap variabel Y.

3.6.2 Perhitungan Korelasi Antar Variabel Bebas

Tabel 3.9 Tampilan SPSS untuk Korelasi Antar Variabel Bebas

Correlations

Produksi Kebutuhan

lag_ketersedia an

Produksi Pearson Correlation 1 -.055 .215

Sig. (2-tailed) .799 .324

N 24 24 23

Kebutuhan Pearson Correlation -.055 1 -.341

Sig. (2-tailed) .799 .112

N 24 24 23

lag_ketersediaan Pearson Correlation .215 -.341 1 Sig. (2-tailed) .324 .112

Dari Tabel 3.9 dapat dilihat bahwa nilai korelasi antara produksi beras dengan kebutuhan beras sebesar -0,055 menunjukkan bahwa tidak terdapat korelasi. Sedangkan nilai korelasi antara produksi dengan lag_ketersediaan sebesar 0,215 menunjukkan bahwa terdapat korelasi rendah kearah positif.

3.7Uji Signifikansi Parameter Regresi Individual

Untuk mengetahui bagaimana keberartian adanya setiap variabel bebas dalam regresi perlu diadakan pengujian mengenai b1, b2, b3. Pengujian dapat dirumuskan dengan hipotesa sebagai

berikut:

H0: variabel X tidak mempengaruhi Y

H1: variabel X mempengaruhi Y

Untuk menguji hipotesis ini digunakan uji t, dimana t student dengan derajat kebebasan dk= (n-k-1). Kriterianya adalah tolak H0 jika ti lebih besar dari t tabel (thit> ttab )

Tabel 3.10 Tampilan SPSS untuk Uji t

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig. B Std. Error Beta

1 (Constant) -3174.678 7371.072 -.431 .672

Kebutuhan .130 .293 .047 .445 .661

lag_ketersediaan .903 .109 .896 8.262 .000

a. Dependent Variable: Ketersediaan

Dari tabel distribusi t dengan dk= 20 dan α= 0,05 didapat ttabel sebesar 1,725 dan dari

perhitungan diatas diperoleh: t1 = 0,738 < ttabel = 1,725

t2 = 0,445 < ttabel = 1,725

t3 =8,262 > ttabel = 1,725

Dari ketiga koefisien regresi tersebut variabel X1(produksi beras) tidak memiliki

pengaruh terhadap persamaan regresi ( tidak signifikan), begitu juga dengan variabel X2 tidak

berpengaruh (tidak signifikan) terhadap Y (ketersediaan beras), sedangkan variabel X3

BAB IV

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Bedasarkan hasil analisis yang telah dilakukan, maka dapat diambil beberapa kesimpulan diantaranya:

1. Dari uji asumsi klasik yang dilakukan terdapat masalah autokorelasi. Untuk mengatasinya dilakukan dengan cara mentransformasikan data.

2. Dari perhitungan diperoleh bahwa persamaan penduga dari Jumlah Ketersediaan Beras Dengan Jumlah Produksi Dan Kebutuhan Beras adalah:

Ŷ = -3174,678 + 0,059X1 - 0,130X2 + 0,903 X3

Dari persamaan diatas dapat kita lihat bahwa X1 akan mempengaruhi nilai Ŷ sebesar

0,059, X2 akan mempengaruhi nilai Ŷ sebesar -0,130, sedangkan X3 akan mempengaruhi

nilai Ŷ sebesar 0,903.

3. Karena Fhitung >Ftabel maka H0 ditolak dan H1 diterima. Hal ini berarti bahwa persamaan

regresi linier ganda Y atas X1, X2, dan X3 bersifat nyata atau produksi dan kebutuhan

secara bersama-sama mempengaruhi tingkat ketersediaan Beras di Kota Medan.

4. Diperoleh nilai koefisien determinasi sebesar 0,901, hal ini berarti sekitar 90,1% ketersediaan beras di Kota Medan dapat dijelaskan oleh variabel produksi dan kebutuhan

beras dengan persamaan regresi Ŷ = -3174,678 + 0,059X1 - 0,130X2 + 0,903 X3 ;

sedangkan sisanya (9,9%) dijelaskan oleh faktor lain.

5. Dari perhitungan diatas diperoleh korelasi antara variabel produksi dan kebutuhan tehadap ketersediaan beras di kota Medan sebesar 0,949, angka korelasi tersebut membuktikan bahwa hubungan antara variabel independent dan kedua variabel dependent sangat kuat dengan arah positif.

6. Dari hasil uji keberartian regresi dan korelasi dapat diketahui bahwa :

a. Variabel X1 berkorelasi sangat rendah dengan arah positif terhadap variabel Y.

b. Variabel X2 berkorelasi sangat rendah dengan arah negative terhadap variabel Y.

c. Variabel X3 berkorelasi sangat kuat dengan arah positif terhadap variabel Y.

4.2Saran

1. Kepada Badan Ketahanan Pangan untuk lebih memperhatikan jumlah ketersediaan beras di Kota Medan agar kebutuhan beras di Kota Medan bisa terpenuhi, tidak terjadi kelangkaan di kemudian hari.

2. Kepada Pemeritah Kota Medan untuk meningkatkan produktivitas padi Kota Medan dengan cara membuka lahan baru untuk persawahan agar tidak tergantung dari daerah lain dalam pemenuhan beras si Kota medan.

DAFTAR PUSTAKA

Sudjana. 1996. Metode Statistika. Bandung: Tarsito

Singarimbun,Masri.1969.Metode Penelitian Survei.Djakarta. Bhratara.

Hessie,Rethna. 2009. Analisis Produksi Dan Konsumsi Beras Dalam Negeri Serta Implikasinya

Terhadap Swasembada Beras Di Indonesia. Skripsi. Sarjana Fakultas Pertanian

Institut Pertanian Bogor.

Sutrisno, Noer. 2012. Menuju Pembangunan Pangan Effisien Dan Efektif: Ketahanan Pangan Berpandu Gizi. Di dalam Jurnal Pangan. Volume 21 Nomor 2. Jakarta.

Bantacut, Tajuddin.2012. Produksi Padi Optimum Rasional: Peluang Dan Tantangan. Di dalam Jurnal Pangan. Volume 21 Nomor 21. Jakarta

Muhidin, Sambas Ali dan Maman Abdurrahman. 2009. Analisis Korelasi Regresi Dan Jalur

Nilai korelasi antara Ketersediaan beras dengan Lag_Ketersediaan Beras sebesar 0,896 menunjukkan bahwa terdapat korelasi yang kuat kearah positif. Dengan kata lain variabel Lag_Ketersediaan beras mempengaruhi ketersediaan beras (89,6%).

Berdasarkan perhitungn diatas dapat diperoleh kesimpulan:

1. Variabel X1 berkorelasi sangat rendah dengan arah positif terhadap variabel Y. 2. Variabel X2 berkorelasi sangat rendah dengan arah negative terhadap variabel Y. 3. Variabel X3 berkorelasi sangat kuat dengan arah positif terhadap variabel Y.

3.6.2 Perhitungan Korelasi Antar Variabel Bebas

Tabel 3.9 Tampilan SPSS untuk Korelasi Antar Variabel Bebas

Correlations

Produksi Kebutuhan

lag_ketersedia an

Produksi Pearson Correlation 1 -.055 .215

Sig. (2-tailed) .799 .324

N 24 24 23

Kebutuhan Pearson Correlation -.055 1 -.341

Sig. (2-tailed) .799 .112

N 24 24 23

lag_ketersediaan Pearson Correlation .215 -.341 1 Sig. (2-tailed) .324 .112

Dari Tabel 3.9 dapat dilihat bahwa nilai korelasi antara produksi beras dengan kebutuhan beras sebesar -0,055 menunjukkan bahwa tidak terdapat korelasi. Sedangkan nilai korelasi antara produksi dengan lag_ketersediaan sebesar 0,215 menunjukkan bahwa terdapat korelasi rendah kearah positif.

3.7Uji Signifikansi Parameter Regresi Individual

Untuk mengetahui bagaimana keberartian adanya setiap variabel bebas dalam regresi perlu diadakan pengujian mengenai b1, b2, b3. Pengujian dapat dirumuskan dengan hipotesa sebagai berikut:

H0: variabel X tidak mempengaruhi Y H1: variabel X mempengaruhi Y

Untuk menguji hipotesis ini digunakan uji t, dimana t student dengan derajat kebebasan dk= (n-k-1). Kriterianya adalah tolak H0 jika ti lebih besar dari t tabel (thit> ttab )

Tabel 3.10 Tampilan SPSS untuk Uji t

Coefficientsa

Unstandardized Coefficients

Standardized Coefficients

Kebutuhan .130 .293 .047 .445 .661

lag_ketersediaan .903 .109 .896 8.262 .000

a. Dependent Variable: Ketersediaan

Dari tabel distribusi t dengan dk= 20 dan α= 0,05 didapat ttabel sebesar 1,725 dan dari perhitungan diatas diperoleh:

t1 = 0,738 < ttabel = 1,725 t2 = 0,445 < ttabel = 1,725 t3 =8,262 > ttabel = 1,725

Dari ketiga koefisien regresi tersebut variabel X1(produksi beras) tidak memiliki pengaruh terhadap persamaan regresi ( tidak signifikan), begitu juga dengan variabel X2 tidak berpengaruh (tidak signifikan) terhadap Y (ketersediaan beras), sedangkan variabel X3 berpengaruh (signifikan) terhadap Y (ketersediaan beras).

BAB IV

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Bedasarkan hasil analisis yang telah dilakukan, maka dapat diambil beberapa kesimpulan diantaranya:

1. Dari uji asumsi klasik yang dilakukan terdapat masalah autokorelasi. Untuk mengatasinya dilakukan dengan cara mentransformasikan data.

2. Dari perhitungan diperoleh bahwa persamaan penduga dari Jumlah Ketersediaan Beras Dengan Jumlah Produksi Dan Kebutuhan Beras adalah:

Ŷ = -3174,678 + 0,059X1 - 0,130X2 + 0,903 X3

Dari persamaan diatas dapat kita lihat bahwa X1 akan mempengaruhi nilai Ŷ sebesar 0,059, X2 akan mempengaruhi nilai Ŷ sebesar -0,130, sedangkan X3 akan mempengaruhi nilai Ŷ sebesar 0,903.

3. Karena Fhitung > Ftabel maka H0 ditolak dan H1 diterima. Hal ini berarti bahwa persamaan regresi linier ganda Y atas X1, X2, dan X3 bersifat nyata atau produksi dan kebutuhan secara bersama-sama mempengaruhi tingkat ketersediaan Beras di Kota Medan.

beras dengan persamaan regresi Ŷ = -3174,678 + 0,059X1 - 0,130X2 + 0,903 X3 ; sedangkan sisanya (9,9%) dijelaskan oleh faktor lain.

5. Dari perhitungan diatas diperoleh korelasi antara variabel produksi dan kebutuhan tehadap ketersediaan beras di kota Medan sebesar 0,949, angka korelasi tersebut membuktikan bahwa hubungan antara variabel independent dan kedua variabel dependent sangat kuat dengan arah positif.

6. Dari hasil uji keberartian regresi dan korelasi dapat diketahui bahwa :

a. Variabel X1 berkorelasi sangat rendah dengan arah positif terhadap variabel Y. b. Variabel X2 berkorelasi sangat rendah dengan arah negative terhadap variabel Y. c. Variabel X3 berkorelasi sangat kuat dengan arah positif terhadap variabel Y.

4.2Saran

1. Kepada Badan Ketahanan Pangan untuk lebih memperhatikan jumlah ketersediaan beras di Kota Medan agar kebutuhan beras di Kota Medan bisa terpenuhi, tidak terjadi kelangkaan di kemudian hari.

2. Kepada Pemeritah Kota Medan untuk meningkatkan produktivitas padi Kota Medan dengan cara membuka lahan baru untuk persawahan agar tidak tergantung dari daerah lain dalam pemenuhan beras si Kota medan.

DAFTAR PUSTAKA

Sudjana. 1996. Metode Statistika. Bandung: Tarsito

Singarimbun,Masri.1969.Metode Penelitian Survei.Djakarta. Bhratara.

Hessie,Rethna. 2009. Analisis Produksi Dan Konsumsi Beras Dalam Negeri Serta Implikasinya Terhadap Swasembada Beras Di Indonesia. Skripsi. Sarjana Fakultas Pertanian

Institut Pertanian Bogor.

Sutrisno, Noer. 2012. Menuju Pembangunan Pangan Effisien Dan Efektif: Ketahanan Pangan Berpandu Gizi. Di dalam Jurnal Pangan. Volume 21 Nomor 2. Jakarta.

Bantacut, Tajuddin.2012. Produksi Padi Optimum Rasional: Peluang Dan Tantangan. Di dalam Jurnal Pangan. Volume 21 Nomor 21. Jakarta

Muhidin, Sambas Ali dan Maman Abdurrahman. 2009. Analisis Korelasi Regresi Dan Jalur Dalam Penelitian. Bandung: Pustaka Setia