Analisis Faktor yang Mempengaruhi Hasil Produksi Kentang (Studi Kasus: Petani Kentang Kecamatan Naman Teran)

KATA PENGANTAR Perihal : Permohonan Pengisian Angket Lampiran : 1 (Satu) Berkas

Judul Skripsi : ANALISIS FAKTOR – FAKTOR YANG

MEMPENGARUHI HASIL PRODUKSI KENTANG Dengan hormat,

Dalam rangka penulisan skripsi di Universitas Sumatera Utara (USU), sebagai salah satu syarat mendapatkan gelar Sarjana Sains (S.Si), maka Saya memohon dengan sangat kepada Bapak/Ibu/Saudara/i penduduk Kabupaten karo kecamatan Namanteran untuk mengisi angket yang telah disediakan.

Angket ini bukan test psikologi dari manapun, maka dari itu Bapak/Ibu/Saudara/I tidak perlu takut atau ragu memberikan jawaban yang sejujurnya. Artinya, semua jawaban yang diberikan Bapak/Ibu/Saudara/i adalah benar, dan jawaban yang diminta adalah sesuai dengan yang Bapak/Ibu/Saudara/i rasakan dan ketahui.

Setiap jawaban yang diberikan merupakan bantuan yang tidak ternilai harganya pada penelitian ini. Atas perhatian, bantuan, dan kerja sama yang baik, Saya

mengucapkan terima kasih.

Hormat Saya

Sartika br perangin- angin Petunjuk Pengisian Angket

1. Mohon dengan hormat bantuan dan kesediaan Bapak/Ibu/Saudara/i untuk menjawab seluruh pertanyaan yang ada.

2. Pada kuesioner ini terdapat 9 pernyataan. Pertimbangkan baik-baik setiap pernyataan yang dapat mempengaruhi hasil produksi panen kentang. 3. Berilah tanda (X) pada kolom Bapak/Ibu/Saudara/i pilih sesuai dengan

SS = Sangat Setuju S = Setuju

TT = Tidak Tahu/Netral TS = Tidak Setuju

STS = Sangat Tidak Setuju ANGKET/KUESIONER

“ ANALISIS FAKTOR – FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI KENTANG”

Nama :

Jenis Kelamin : [ ] Laki-laki [ ] Perempuan Umur : . . . tahun

Alamat :

NO Pernyataan SS S TT KS STS

1. Pengolahaan pupuk kandang pada awal penanaman akan mempengaruhi kesuburan tanah.

2.

Lahan yang luas akan menghasilkan panen kentang yang tinggi.

3.

Setelah umur kentang 30 hari maka penyemprotan pestisida harus dilakukan 2 hari sekali sampai panen.

4.

Kesuburan tanah bergantung terhadap banyaknya pemberian air.

5.

Jumlah tenaga kerja merupakan kebutuhan pokok untuk mencapai hasil produksi yang maksimal.

6.

Jarak tanam antara satu kentang dengan kentang yang lain bergantung terhdap besar kecilnya bibit yang kita gunakan.

7. Bibit kentang yang berkualitas adalah bibit yang di impor dari luar

8. Interval pemberiaan pupuk terhadap tanaman kentang mempengaruhi tingginya hasil panen.

9. Besarnya modal mempengaruhi pencapaiaan hasil produksi kentang yang tinggi

Lampiran 2

A. Data Asli Hasil Koisioner No

Responden X1 X2 X3 X4 X5 X6 X7 X8 X9

1 5 2 5 2 2 2 2 5 2

2 4 2 4 2 4 2 2 4 2

3 4 3 4 3 4 4 2 2 4

4 5 1 2 2 4 2 1 4 1

5 5 1 2 2 4 2 1 4 4

6 4 2 5 2 4 5 4 4 2

7 5 2 5 4 4 2 4 4 5

8 4 4 3 4 3 4 3 5 2

9 5 4 1 2 2 4 2 2 5

10 5 2 2 1 4 2 1 1 5

11 5 2 2 1 2 2 2 4 2

12 5 1 1 1 2 4 4 4 2

13 4 4 3 3 2 3 3 4 5

14 5 5 4 4 5 3 3 4 5

15 5 4 5 5 5 4 5 4 5

16 5 5 4 3 4 5 3 4 5

17 5 5 4 3 4 5 4 5 4

18 5 4 5 3 3 4 3 4 4

19 4 2 5 2 4 5 4 4 2

20 5 5 5 4 4 5 5 4 4

21 5 2 5 4 4 2 4 4 4

22 4 5 4 4 4 5 5 4 4

23 4 2 5 2 4 5 4 4 2

24 5 2 5 2 4 5 4 4 2

25 5 2 5 2 4 5 4 4 2

26 4 2 4 2 4 5 4 4 2

27 5 4 5 4 4 5 5 5 4

28 5 2 3 3 3 5 5 2 2

29 5 2 4 4 4 2 5 4 2

30 5 3 2 4 4 4 2 4 4

31 5 1 4 2 2 5 5 5 5

32 4 4 2 2 4 4 3 4 4

33 5 4 5 3 3 4 3 5 5

34 5 2 4 4 2 4 2 4 4

35 4 2 4 4 2 4 2 4 4

37 5 2 5 4 4 5 4 4 4

38 5 4 5 4 4 4 5 4 4

39 5 2 4 2 2 2 3 3 5

40 5 2 1 1 1 1 2 4 2

41 4 2 1 2 1 3 2 2 1

42 5 4 3 2 2 1 3 4 2

43 5 2 1 2 2 5 2 4 2

44 4 4 1 4 4 2 1 4 4

45 4 2 3 2 5 4 2 2 2

46 4 5 1 4 5 4 4 5 5

47 4 5 1 4 5 4 4 5 5

48 5 2 1 2 4 2 1 4 2

49 4 4 4 4 1 2 1 4 2

50 4 4 4 2 2 2 1 4 2

51 5 5 5 4 4 4 3 3 4

52 5 5 2 2 2 4 2 4 2

53 5 5 4 3 5 5 4 4 4

54 5 5 3 4 2 4 4 5 4

55 4 4 5 1 4 2 2 3 2

56 2 2 4 2 2 5 2 4 2

57 4 4 4 2 2 2 2 4 2

58 5 5 4 2 2 4 1 4 3

59 4 4 4 2 1 4 2 4 2

60 5 5 4 3 2 2 2 4 2

61 5 5 4 4 2 4 1 4 2

62 4 4 4 2 2 5 3 4 2

63 5 5 4 3 2 3 2 4 4

64 5 5 4 2 2 4 2 4 4

65 4 4 4 2 2 2 2 4 2

66 5 5 4 2 2 2 2 4 2

67 2 2 4 2 2 4 1 4 2

68 3 3 4 3 2 3 4 4 2

69 3 3 4 3 2 2 1 4 3

70 2 2 4 3 1 4 1 4 2

71 4 4 4 4 3 3 4 4 3

72 2 2 3 3 2 4 4 4 2

73 3 2 4 4 4 3

80 4 5 5 4 4 4 4 4 4

81 5 3 4 5 4 5 5 4 4

82 5 4 4 4 3 4 5 5 5

83 5 4 2 2 3 3 4 5 5

84 5 4 4 5 3 5 5 5 3

85 5 4 3 3 5 4 4 3 3

86 4 4 3 5 4 5 5 4 3

87 5 4 4 5 5 4 4 3 3

88 5 5 4 5 4 3 4 5 5

89 5 4 4 5 5 4 3 3 3

90 5 5 4 4 3 3 5 4 4

91 5 4 2 2 2 3 3 4 5

92 2 3 4 2 3 1 4 1 3

93 5 5 4 3 5 4 4 5 5

94 5 4 5 4 3 3 4 4 4

95 4 2 2 2 2 4 4 4 4

96 5 4 4 2 4 4 4 4 4

97 5 2 1 2 2 4 4 4 4

98 5 2 1 2 4 2 1 4 5

99 5 1 2 2 2 1 1 4 5

B. Data Hasil Kuisiner Pensekalaan No

respondent X1 X1 X3 X4 X5 X6 X7 X8 X9 1 3,629 2,221 4,082 2,331 2,254 2,091 1,926 4,966 2,518 2 2,283 2,221 2,870 2,331 3,600 2,091 1,926 3,417 2,518 3 2,283 2,835 2,870 3,190 3,600 3,351 1,926 1,794 3,789 4 3,629 1,000 1,746 2,331 3,600 2,091 1,000 3,417 1,000 5 3,629 1,000 1,746 2,331 3,600 2,091 1,000 3,417 3,789 6 2,283 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518 7 3,629 2,221 4,082 3,906 3,600 2,091 3,047 3,417 4,784 8 2,283 3,352 2,124 3,906 2,949 3,351 2,445 4,966 2,518 9 3,629 3,352 1,000 2,331 2,254 3,351 1,926 1,794 4,784 10 3,629 2,221 1,746 1,000 3,600 2,091 1,000 1,000 4,784 11 3,629 2,221 1,746 1,000 2,254 2,091 1,926 3,417 2,518 12 3,629 1,000 1,000 1,000 2,254 3,351 3,047 3,417 2,518 13 2,283 3,352 2,124 3,190 2,254 2,712 2,445 3,417 4,784 14 3,629 4,409 2,870 3,906 4,730 2,712 2,445 3,417 4,784 15 3,629 3,352 4,082 4,981 4,730 3,351 4,068 3,417 4,784 16 3,629 4,409 2,870 3,190 3,600 4,450 2,445 3,417 4,784 17 3,629 4,409 2,870 3,190 3,600 4,450 3,047 4,966 3,789 18 3,629 3,352 4,082 3,190 2,949 3,351 2,445 3,417 3,789 19 2,283 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518 20 3,629 4,409 4,082 3,906 3,600 4,450 4,068 3,417 3,789 21 3,629 2,221 4,082 3,906 3,600 2,091 3,047 3,417 3,789 22 2,283 4,409 2,870 3,906 3,600 4,450 4,068 3,417 3,789 23 2,283 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518 24 3,629 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518 25 3,629 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518 26 2,283 2,221 2,870 2,331 3,600 4,450 3,047 3,417 2,518 27 3,629 3,352 4,082 3,906 3,600 4,450 4,068 4,966 3,789 28 3,629 2,221 2,124 3,190 2,949 4,450 4,068 1,794 2,518 29 3,629 2,221 2,870 3,906 3,600 2,091 4,068 3,417 2,518 30 3,629 2,835 1,746 3,906 3,600 3,351 1,926 3,417 3,789 31 3,629 1,000 2,870 2,331 2,254 4,450 4,068 4,966 4,784 32 2,283 3,352 1,746 2,331 3,600 3,351 2,445 3,417 3,789

38 3,629 3,352 4,082 3,906 3,600 3,351 4,068 3,417 3,789 39 3,629 2,221 2,870 2,331 2,254 2,091 2,445 2,244 4,784 40 3,629 2,221 1,000 1,000 1,000 1,000 1,926 3,417 2,518 41 2,283 2,221 1,000 2,331 1,000 2,712 1,926 1,794 1,000 42 3,629 3,352 2,124 2,331 2,254 1,000 2,445 3,417 2,518 43 3,629 2,221 1,000 2,331 2,254 4,450 1,926 3,417 2,518 44 2,283 3,352 1,000 3,906 3,600 2,091 1,000 3,417 3,789 45 2,283 2,221 2,124 2,331 4,730 3,351 1,926 1,794 2,518 46 2,283 4,409 1,000 3,906 4,730 3,351 3,047 4,966 4,784 47 2,283 4,409 1,000 3,906 4,730 3,351 3,047 4,966 4,784 48 3,629 2,221 1,000 2,331 3,600 2,091 1,000 3,417 2,518 49 2,283 3,352 2,870 3,906 1,000 2,091 1,000 3,417 2,518 50 2,283 3,352 2,870 2,331 2,254 2,091 1,000 3,417 2,518 51 3,629 4,409 4,082 3,906 3,600 3,351 2,445 2,244 3,789 52 3,629 4,409 1,746 2,331 2,254 3,351 1,926 3,417 2,518 53 3,629 4,409 2,870 3,190 4,730 4,450 3,047 3,417 3,789 54 3,629 4,409 2,124 3,906 2,254 3,351 3,047 4,966 3,789 55 2,283 3,352 4,082 1,000 3,600 2,091 1,926 2,244 2,518 56 1,000 2,221 2,870 2,331 2,254 4,450 1,926 3,417 2,518 57 2,283 3,352 2,870 2,331 2,254 2,091 1,926 3,417 2,518 58 3,629 4,409 2,870 2,331 2,254 3,351 1,000 3,417 3,277 59 2,283 3,352 2,870 2,331 1,000 3,351 1,926 3,417 2,518 60 3,629 4,409 2,870 3,190 2,254 2,091 1,926 3,417 2,518 61 3,629 4,409 2,870 3,906 2,254 3,351 1,000 3,417 2,518 62 2,283 3,352 2,870 2,331 2,254 4,450 2,445 3,417 2,518 63 3,629 4,409 2,870 3,190 2,254 2,712 1,926 3,417 3,789 64 3,629 4,409 2,870 2,331 2,254 3,351 1,926 3,417 3,789 65 2,283 3,352 2,870 2,331 2,254 2,091 1,926 3,417 2,518 66 3,629 4,409 2,870 2,331 2,254 2,091 1,926 3,417 2,518 67 1,000 2,221 2,870 2,331 2,254 3,351 1,000 3,417 2,518 68 1,576 2,835 2,870 3,190 2,254 2,712 3,047 3,417 2,518 69 1,576 2,835 2,870 3,190 2,254 2,091 1,000 3,417 3,277 70 1,000 2,221 2,870 3,190 1,000 3,351 1,000 3,417 2,518 71 2,283 3,352 2,870 3,906 2,949 2,712 3,047 3,417 3,277 72 1,000 2,221 2,124 3,190 2,254 3,351 3,047 3,417 2,518 73 1,576 2,221 2,870 3,906 3,600 2,712 0,000 0,000 0,000 74 1,000 4,409 2,870 2,331 2,254 3,351 2,445 3,417 3,277 75 3,629 3,352 4,082 3,190 3,600 3,351 1,000 3,417 2,518 76 2,283 3,352 2,870 3,190 4,730 4,450 3,047 3,417 3,789

78 3,629 3,352 2,870 3,190 3,600 4,450 1,000 1,794 2,518 79 1,576 3,352 4,082 3,906 4,730 4,450 4,068 4,966 4,784 80 2,283 4,409 4,082 3,906 3,600 3,351 3,047 3,417 3,789 81 3,629 2,835 2,870 4,981 3,600 4,450 4,068 3,417 3,789 82 3,629 3,352 2,870 3,906 2,949 3,351 4,068 4,966 4,784 83 3,629 3,352 1,746 2,331 2,949 2,712 3,047 4,966 4,784 84 3,629 3,352 2,870 4,981 2,949 4,450 4,068 4,966 3,277 85 3,629 3,352 2,124 3,190 4,730 3,351 3,047 2,244 3,277 86 2,283 3,352 2,124 4,981 3,600 4,450 4,068 3,417 3,277 87 3,629 3,352 2,870 4,981 4,730 3,351 3,047 2,244 3,277 88 3,629 4,409 2,870 4,981 3,600 2,712 3,047 4,966 4,784 89 3,629 3,352 2,870 4,981 4,730 3,351 2,445 2,244 3,277 90 3,629 4,409 2,870 3,906 2,949 2,712 4,068 3,417 3,789 91 3,629 3,352 1,746 2,331 2,254 2,712 2,445 3,417 4,784 92 1,000 2,835 2,870 2,331 2,949 1,000 3,047 1,000 3,277 93 3,629 4,409 2,870 3,190 4,730 3,351 3,047 4,966 4,784 94 3,629 3,352 4,082 3,906 2,949 2,712 3,047 3,417 3,789 95 2,283 2,221 1,746 2,331 2,254 3,351 3,047 3,417 3,789 96 3,629 3,352 2,870 2,331 3,600 3,351 3,047 3,417 3,789 97 3,629 2,221 1,000 2,331 2,254 3,351 3,047 3,417 3,789 98 3,629 2,221 1,000 2,331 3,600 2,091 1,000 3,417 4,784 99 3,629 1,000 1,746 2,331 2,254 1,000 1,000 3,417 4,784 100 2,283 2,221 1,746 2,331 2,254 2,091 1,926 1,794 4,784

Lampiran 3

Hasil Output SPSS

Case Processing Summary

N %

Cases Valid 100 100.0

Excludeda 0 .0

Total 100 100.0

a. Listwise deletion based on all variables in the procedure.

Reliability Statistics

Cronbach's Alpha

Cronbach's Alpha Based on

Standardized Items N of Items

.714 .710 9

Item Statistics

Mean Std. Deviation N

VAR00001 2.9853 .84835 100

VAR00002 3.0627 .94112 100

VAR00003 2.7093 .93990 100

VAR00004 3.0628 .94647 100

VAR00005 3.0629 .94466 100

VAR00006 3.1542 .94623 100

VAR00007 2.4582 .98305 100

VAR00008 3.3828 .93165 100

Item-Total Statistics

Scale Mean if Item Deleted

Scale Variance if Item Deleted

Corrected Item-Total Correlation

Squared Multiple Correlation

Cronbach's Alpha if Item

Deleted

VAR00001 24.2757 19.639 .197 .102 .720

VAR00002 24.1984 18.045 .364 .192 .693

VAR00003 24.5517 18.599 .291 .168 .707

VAR00004 24.1983 16.942 .514 .319 .665

VAR00005 24.1982 17.591 .424 .285 .682

VAR00006 24.1068 17.894 .381 .296 .690

VAR00007 24.8029 16.304 .576 .408 .651

VAR00008 23.8782 18.209 .348 .229 .696

VAR00009 23.8783 17.649 .388 .299 .689

Scale Statistics

Mean Variance Std. Deviation N of Items

27.2611 21.842 4.67350 9

Communalities

Initial Extraction

VAR00001 1.000 .522

VAR00002 1.000 .286

VAR00003 1.000 .475

VAR00004 1.000 .519

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .721

Bartlett's Test of Sphericity Approx. Chi-Square 150.262

df 36

Sig. .000

Component Transformation Matrix

Compo

nent 1 2 3

1 .784 .522 .337

2 -.618 .713 .331

3 .067 .467 -.881

Component Matrixa

Component

1 2 3

VAR00001 .294 .578 .319

VAR00002 .519 .131 .012

VAR00003 .457 -.515 -.012

VAR00004 .690 -.121 .168

VAR00005 .597 -.132 .589

VAR00006 .569 -.460 -.180

VAR00007 .742 -.086 -.209

VAR00008 .497 .337 -.668

VAR00009 .540 .590 .051

Component Matrixa

Component

1 2 3

VAR00001 .294 .578 .319

VAR00002 .519 .131 .012

VAR00003 .457 -.515 -.012

VAR00004 .690 -.121 .168

VAR00005 .597 -.132 .589

VAR00006 .569 -.460 -.180

VAR00007 .742 -.086 -.209

VAR00008 .497 .337 -.668

VAR00009 .540 .590 .051

Extraction Method: Principal Component Analysis. a. 3 components extracted.

Rotated Component Matrixa

Component

1 2 3

VAR00001 -.105 .714 .009

VAR00002 .327 .370 .207

VAR00003 .676 -.134 -.006

VAR00004 .627 .352 .044

VAR00005 .589 .493 -.362

VAR00006 .718 -.116 .198

VAR00007 .621 .228 .406

VAR00008 .136 .188 .868

VAR00009 .062 .727 .333

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser

Total Variance Explained

Compon ent

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings

Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %

1 2.810 31.220 31.220 2.810 31.220 31.220 2.237 24.855 24.855

2 1.329 14.770 45.990 1.329 14.770 45.990 1.662 18.462 43.317

3 1.003 11.142 57.132 1.003 11.142 57.132 1.243 13.815 57.132

4 .944 10.489 67.621

5 .781 8.676 76.297

6 .687 7.635 83.932

7 .556 6.180 90.111

8 .496 5.509 95.620

9 .394 4.380 100.000

Inter-Item Correlation Matrix

VAR00001 VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009

VAR00001 1.000 .102 -.005 .077 .174 -.005 .135 .154 .278

VAR00002 .102 1.000 .162 .375 .184 .159 .172 .225 .253

VAR00003 -.005 .162 1.000 .288 .214 .276 .295 .094 -.007

VAR00004 .077 .375 .288 1.000 .383 .261 .381 .205 .253

VAR00005 .174 .184 .214 .383 1.000 .314 .328 .010 .268

VAR00006 -.005 .159 .276 .261 .314 1.000 .456 .198 .031

VAR00007 .135 .172 .295 .381 .328 .456 1.000 .351 .347

VAR00008 .154 .225 .094 .205 .010 .198 .351 1.000 .320

Anti-image Matrices

VAR00001 VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009

Anti-image Covariance VAR00001 .898 -.024 .021 .033 -.108 .057 -.024 -.074 -.140

VAR00002 -.024 .808 -.060 -.205 -.012 -.053 .063 -.095 -.112

VAR00003 .021 -.060 .832 -.112 -.060 -.076 -.117 -.005 .110

VAR00004 .033 -.205 -.112 .681 -.168 -.011 -.107 -.042 -.040

VAR00005 -.108 -.012 -.060 -.168 .715 -.153 -.060 .162 -.136

VAR00006 .057 -.053 -.076 -.011 -.153 .704 -.225 -.083 .136

VAR00007 -.024 .063 -.117 -.107 -.060 -.225 .592 -.140 -.161

VAR00008 -.074 -.095 -.005 -.042 .162 -.083 -.140 .771 -.159

VAR00009 -.140 -.112 .110 -.040 -.136 .136 -.161 -.159 .701

Anti-image Correlation VAR00001 .713a -.029 .024 .043 -.134 .072 -.033 -.089 -.177

VAR00002 -.029 .742a -.073 -.276 -.015 -.070 .091 -.121 -.149

VAR00003 .024 -.073 .779a -.149 -.078 -.099 -.167 -.006 .144

VAR00004 .043 -.276 -.149 .783a -.240 -.015 -.168 -.058 -.058

VAR00005 -.134 -.015 -.078 -.240 .707a -.215 -.092 .218 -.192

VAR00006 .072 -.070 -.099 -.015 -.215 .685a -.349 -.113 .194

VAR00007 -.033 .091 -.167 -.168 -.092 -.349 .736a -.207 -.250

VAR00008 -.089 -.121 -.006 -.058 .218 -.113 -.207 .690a -.216

VAR00009 -.177 -.149 .144 -.058 -.192 .194 -.250 -.216 .657a

LAMPIRAN 4

A. PERHITUNGAN ANALISIS FAKTOR MENGGUNAKAN MATRIKS

MATRIKS KORELASI SEDERHANA (

1 2 3 4 5 6 7 8 9

1 1 0,102 -0,005 0,077 0,174 -0,005 0,135 0,154 0,278

2 0,102 1 0,162 0,375 0,184 0,159 0,172 0,225 0,253

3 -0,005 0,162 1 0,288 0,214 0,276 0,295 0,094 -0,007

4 0,077 0,375 0,288 1 0,383 0,261 0,381 0,205 0,253

= 5 0,174 0,184 0,214 0,383 1 0,314 0,328 0,01 0,268

6 -0,005 0,159 0,276 0,261 0,314 1 0,456 0,198 0,031

7 0,135 0,172 0,295 0,381 0,328 0,456 1 0,351 0,347

8 0,154 0,225 0,094 0,205 0,01 0,198 0,351 1 0,32

Dengan bantuan software MATLAB (Matrix Laboratory), didapat nilai karakteristik (eigen value) dan vektor karakteristik (eigen vector) dari matrik korelasi sederhana ( .

MATRIKS EIGEN VALUE (L)

1 2 3 4 5 6 7 8 9

1 2,8095 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

2 0,0000 1,3296 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

3 0,0000 0,0000 1,0023 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

4 0,0000 0,0000 0,0000 0,9447 0,0000 0,0000 0,0000 0,0000 0,0000

= 5 0,0000 0,0000 0,0000 0,0000 0,7808 0,0000 0,0000 0,0000 0,0000

6 0,0000 0,0000 0,0000 0,0000 0,0000 0,6870 0,0000 0,0000 0,0000

7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,5563 0,0000 0,0000

8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,4960 0,0000

MATRIKS EIGEN VEKTOR (V )

1 2 3 4 5 6 7 8 9

1 -0,0340 -0,1322 -0,1696 0,3201 0,5965 0,3327 0,3197 0,5006 0,01753

2 0,2317 -0,0978 -0,3443 0,4299 0,0702 -0,7211 0,0100 0,1125 0,3096

3 -0,1222 0,1002 -0,2702 0,4296 0,6621 -0,0682 -0.0122 -0,4470 0,2729

4 0,2535 -0,1700 0,7341 0,1608 -0,0998 -0,3521 0,1668 -0,1056 0,4113

= 5 0,2711 0,5836 -0,0732 0,0106 -0,2573 0,1675 0,5883 -0,1146 0,3562

6 -0,4835 -0,0639 -0,1336 0,5607 -0,1501 0,3175 -0,1797 -0,3992 0,3390 7 0,5915 -0,5016 -0,0166 -0,1613 -0,1285 0,3330 -0,2078 -0,0741 0,4429

8 0,0762 0,5698 0,2088 0,0049 0,0815 0,0220 0,6674 0,2925 0,2962

9 -0,3226 -0,1141 -0,4022 -0,4022 -0,2810 0,0217 0,0517 0,0513 0,3226

Matriks loading factor ( ) diperoleh dengan mengalikan matriks eigen vector dengan akar dari matriks eigen value. Atau dalam persamaan matematis ditulis √ .

AKAR DARI MATRIKS EIGEN VALUE (√ )

1 2 3 4 5 6 7 8 9

1 1,6761 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

2 0,0000 1,1531 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

3 0,0000 0,0000 1,0011 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

4 0,0000 0,0000 0,0000 0,9720 0,0000 0,0000 0,0000 0,0000 0,0000

√ = 5 0,0000 0,0000 0,0000 0,0000 0,8836 0,0000 0,0000 0,0000 0,0000

6 0,0000 0,0000 0,0000 0,0000 0,0000 0,8299 0,0000 0,0000 0,0000

7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,7458 0,0000 0,0000

8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,7043 0,0000

MATRIKS LOADING FACTOR ( )

1 2 3 4 5 6 7 8 9

1 0,2939 0,5773 0,3201 0,3234 0,5271 0,2653 0,1265 -0,0931 -0,0213 2 0,5189 0,1297 0,0101 -0,7008 -0,0620 0,3563 -0,2568 -0,688 0,1454 3 0,4574 -0,5155 -0,0123 -0,0663 0,5851 -0,3561 -0,2015 0,0706 -0,0767 4 0,6894 0,1218 0,1670 -0,3442 -0,0882 -0,1333 0,5475 -0,1197 -0,1591 = 5 0,5970 -0,1322 0,5890 0,1628 -0,2274 0,0088 -0,0546 0,4110 0,1701

6 0,5683 -0,4603 -0,1799 0,3086 0,1326 0,4648 -0,0997 0,2969 -0,3034 7 0,7424 -0,0855 -0,2080 0,3237 -0,1135 -0,1337 -0,0124 -0,0450 0,7424 8 0,4965 0,3376 -0,6682 0,0214 0,0720 0,0041 0,1557 -0,3533 0,4965 9 0,5407 0,5905 0,0518 0,0210 -0,2483 -0,3334 -03109 0,4013 0,5407 Keterangan : Angka yang dicetak tebal adalah nilai factor loading yang memiliki eigen value lebih besar dari satu.

Matriks Rotated Factor Loading diperoleh dengan mengalikan matriks factor loading dengan matriks transformasi (Component Transformation Matrix). Atau dalam persamaan matematis ditulis sebagai : .

1 2 3

1 0,7840 0,5220 0,3370

=

2 -0,6180 0,7130 0,3310

3 0,670 0,4670 -0,8810

0,2939 0,5773 0,3201 -0,105 0,714 0,009

0,5189 0,1297 0,0101 0,327 0,370 0,207

0,4574 -0,5155 -0,0123 0,676 -0,134 -0,006

0,6894 0,1218 0,1670 0,627 0,352 0,044

0,5970 -0,1322 0,5890 0,7840 0,5220 0,3370 0,587 0,493 -0,362

=

0,5683 -0,4603 -0,1799 -0,6180 0,7130 0,3310 0,718 -0,116 0,198

B. PERHITUNGAN DAN

Untuk menghitung dan , maka diperlukan matriks korelasi sederhana dan matriks korelasi parsial yang semua entrinya telah dikuadratkan. Berikut ini akan disajikan matriks korelasi sederhana dan matriks korelasi parsial yang semua entrinya telah dikuadratkan

MATRIKS KORELASI PARSIAL

1 2 3 4 5 6 7 8 9

1 -0,029 -0,024 0,043 -0,134 0,072 -0,033 -0,089 -0,177 2 -0,029 -0,073 -0,276 -0,015 -0,070 0,091 -0,121 -0,149 3 -0,024 -0,073 -0.149 -0,078 -0,099 -0,167 -0,006 0,144 4 0,043 -0,276 -0.149 -0,240 -0,015 -0,168 -0,058 -0,058

[ ] 5 -0,134 -0,015 -0,078 -0,240 0,215 -0,092 -0,218 -0,192 6 0,072 -0,070 -0,099 -0,015 -0,215 -0,349 -0,113 -0,194 7 -0,033 0,091 -0,167 -0,168 -0,092 -0,349 -0,207 -0,250 8 -0,089 -0,121 -0,006 -0,058 -0,218 -0,113 -0,207 -0,216 9 -0,177 -0,149 0,144 -0,058 -0,192 -0,194 -0,250 -0,216

KUADRAT MATRIKS KORELASI PARSIAL

1 2 3 4 5 6 7 8 9 Jumlah

1 0,000841 0,000576 0,001849 0,017956 0,005184 0,001089 0,007921 0,031329 0,066745 2 0,000841 0 0,005329 0,076176 0,000225 0,0049 0,008281 0,014641 0,022201 0,131753 3 0,000576 0,005329 0 0,022201 0,006084 0,009801 0,027889 0,000036 0,020736 0,092076 4 0,001849 0,076176 0,022201 0 0,0576 0,000225 0,028224 0,003364 0,003364 0,191154

[ ] 5 0,017956 0,000225 0,006084 0,0576 0 0,046225 0,008464 0,047524 0,036864 0,202986 6 0,005184 0,0049 0,009801 0,000225 0,046225 0 0,121801 0,012769 0,037636 0,233357 7 0,001089 0,008281 0,027889 0,028224 0,008464 0,121801 0 0,042849 0,0625 0,300008 8 0,007921 0,014641 0,000036 0,003364 0,047524 0,012769 0,042849 0 0,046656 0,167839 9 0,031329 0,022201 0,020736 0,003364 0,036864 0,037636 0,0625 0,046656 0,022201 0,283487

KUADRAT MATRIKS KORELASI SEDERHANA

1 2 3 4 5 6 7 8 9 Jumlah

1 0,010404 0,000025 0,005929 0,030276 0,000025 0,018225 0,023716 0,077284 0,165884 2 0,010404 0,026244 0,140625 0,033856 0,025281 0,029584 0,050625 0,064009 0,380628 3 0,000025 0,026244 0,082944 0,045796 0,076176 0,087025 0,008836 0,000049 0,327095 4 0,005929 0,140625 0,082944 0,146689 0,068121 0,145161 0,042025 0,064009 0,695503

[ ] 5 0,030276 0,033856 0,045796 0,146689 0,098596 0,107584 0,0001 0,071824 0,534721 6 0,000025 0,025281 0,076176 0,068121 0,098596 0,207936 0,039204 0,000961 0,5163 7 0,018225 0,029584 0,087025 0,145161 0,107584 0,207936 0,123201 0,120409 0,839125 8 0,023716 0,050625 0,008836 0,042025 0,0001 0,039204 0,123201 0,1024 0,390107 9 0,077284 0,064009 0,000049 0,064009 0,071824 0,000961 0,120409 0,1024 0,500945

Jumlah 4,350308

∑ ∑

∑ ∑ ∑ ∑

∑

∑ ∑

C. UJI BARTLETT DENGAN PENDEKATAN STATISTIK CHI

SQUARE

Untuk menguji apakah matriks korelasi sederhana bukan merupakan suatu matriks identitas, maka digunakan uji Bartlett dengan pendekatan statistik chi square. Berikut ini diuraikan langkah-langkah pengujiannya.

1. Hipotesis

: Matriks korelasi sederhana merupakan matriks identitas : Matriks korelasi sederhana bukan merupakan matriks identitas 2. Statistik uji

[ ] | |

3. .

;

4. Kriteria pengujian : tolak jika 5. Perhitungan

[ ] [ ]

6. Kesimpulan :

, maka tolak . Dengan kata lain, matriks korelasi sederhana bukan merupakan matriks identitas.

D.PERHITUNGAN KOMUNALITAS

X1 -0,105 0,714 0,009 0,011025 0,509796 0,000081 0,520902

X2 0,327 0,370 0,207 0,106929 0,13690 0,042849 0,286678

X3 0,676 -0,134 -0,006 0,456976 0,017956 0,000036 0,474968

X4 0,627 0,352 0,044 0,393129 0,123904 0,001936 0,518969

X5 0,589 0,493 -0,362 0,346921 0,243049 0,131044 0,721014

X6 0,718 -0,116 0,198 0,515524 0,013456 0,039204 0,568184

X7 0,621 0,228 0,406 0,385641 0,051984 0,164836 0,602461

X8 0,136 0,188 0,868 0,018496 0,035344 0,753424 0,807264

DAFTAR PUSTAKA

Anton Howard . 1988. Penerapan Aljabar Linear. Penerjemah Silaban. P .Penerbit Erlangga.

Badan Pusat Statistik Karo. 2011. Kabupaten Karo dalam Angka 2011, penerbit BPS Kabupaten Karo .

Ghozali, Imam. 2005. Aplikasi Analisis Multivariat dengan Program SPSS. Universitas Diponegoro, Semarang.

Idawati Nurul. 2012. Pedoman Lengkap Bertanam Kentang. Yogyakarta: Pustaka Baru Press.

Lubis, Ade Fatma et al 2007. Aplikasi SPSS (Statistical Product and Service Solutions) untuk penyusunan skripsi & tesis, USU Press, Medan.

Maman dan Sambas. 2011. Dasar-dasar Metode Statistika Untuk Penelitiaan Bandung: CV Pustaka Setia

Riduwan. 2009. Skala Pengukuran Variabel-variabel Penelitian. Alfabeta, Bandung.

Santoso, Singgih. 2010. Statistik Multivariat. PT. Gramedia, Jakarta.

Setiadi dan surya fitri nurulhuda.2007. Kentang Varieta dan Pembudidayaan. Jakarta: Penebar swadaya

Soelarso Bambang 1997. Budi Daya Kentng Bebas Penyakit: Penerbit Kanisius, Yogyakarta.

Singarimbun, Masri dan Sofian effendi. 1987. Metode Penelitian Survai. LP3ES, Jakarta.

Supranto, J. (2004). Analisis Multivariat Arti dan Interpretasi. PT. Rineka Cipta, Jakarta.

Tony Hartus. 2001. Usaha Pembibitan Kentang Bebas Varietas. Bogor: PT Penebar Swadaya

BAB 3

PEMBAHASAN DAN HASIL

3.1 Populasi, Sampel dan Teknik Pengambilan Sampel

Populasi dalam penelitian ini adalah seluruh petani di kecamatan Naman Teran. Populasi sasaranya adalah petani kentang yang menanam kentang pada saat penelitiaan. Data total jumlah petani di kecamatan Naman Teran pada tahun 2011 yang diproleh dari hasil sensus oleh Badan Pusat Statistika adalah sebagai berikut:

Tabel 3.1 Daftar Jumlah Petani Tahun 2011 di Kecamatan Naman Teran

No Desa Jumlah Petani

(jiwa)

1 Kuta Gunung 1022

2 Sigarang – garang 1200

3 Berkah 185

4 Simacem 257

5 Sukanalu 635

6 Kuta tonggal 224

7 Sukandebi 515

8 Naman 500

9 Sukatepu 388

10 Ndeskati 222

11 Kuta mbelin 553

12 Gung pinto 300

13 Kebayaken 210

14 Kuta Rayat 1413

Jumlah 7624

Jumlah sampel dalam penelitiaan ini adalah sebanyak 100 responden. Dan teknik pengambilan sampel yang digunakaan dalam penelitiaan ini adalah teknik sampling convenience Sampling (sampling kemudahan), sampling diambil berdasarkan ketersediaan elemen dan kemudahan untuk mendapatkanya. Dengan kata lain sampel yang terpilih atau yang diambil karena sampel tersebut ada pada tempat dan waktu yang tepa (Sugiarto,2001). Pengambilan sampel dalam penelitian ini menggunakan metode Proportionate Stratified Random Sampling, maka jumlah sampel yang harus diambil berdasarkan jumlah populasi diatas adalah Berdasarkan perhitungan proporsi diproleh jumlah sampel pada setiap desa di kecamatan Naman Teran.

Tabel 3.2 Jumlah Sampel Setiap Desa

No Desa Jumlah Petani

(jiwa)

Jumlah sampel

1 Kuta Gunung

13

2 Sigarang – garang

16

3 Berkah

2

4 Simacem

3

5 Sukanalu

8

6 Kuta tonggal

3

7 Sukandebi

7

8 Naman

11 Kuta mbelin

7

12 Gung pinto

4

13 Kebayaken

3

14 Kuta Rayat

19

Jumlah 100

Sumber: setelah diolah

3.2 Variabel Penelitiaan

Variable yang digunakaan dalam penelitiaan ini adalah:

= Pupuk kandang = Luas lahan = Pestisida

= Kesuburan lahan

= Tenaga kerja

= Jarak tanam antara kentang = Bibit

= Pupuk = Modal

3.3 Sumber Data

Dalam penelitiaan ini data yang digunakan adalalah data primer dan data sekunder. Data primer bersumber dari hasil wawancara terstruktur terhadap responden denggan menggunakan kuisoner. Kuesioner yang digunakan adalah kuisioner berstruktur dalam bentuk pernyataan yang telah disertai dengan pilihan jawaban dalam bentuk sekala.

Sekala yang digunakan adalah sekala telah dimodifikasi dalam bentuk pernyataan diberi range skor anatara 1 sampai dengan 5, masing - masing adalah: 1 = Sangat tidak setuju

2 = Tidak setuju 3 = Tidak tahu/Netral 4 = Setuju

5 = Sangat setuju

3.4 Pengolahan Data 3.4.1 Input Data Mentah

Penentuan matriks input data mentah yang terdiri 100 sampel responden dan 9 variabel adalah sebagai berikut:

Tabel 3.3 Data Hasil Kuisioner Nomor

responden X1 X2 X3 X4 X5 X6 X7 X8 X9

1 5 2 5 2 2 2 2 5 2

2 4 2 4 2 4 2 2 4 2

3 4 3 4 3 4 4 2 2 4

4 5 1 2 2 4 2 1 4 1

5 5 1 2 2 4 2 1 4 4

6 4 2 5 2 4 5 4 4 2

7 5 2 5 4 4 2 4 4 5

8 4 4 3 4 3 4 3 5 2

9 5 4 1 2 2 4 2 2 5

10 5 2 2 1 4 2 1 1 5

11 5 2 2 1 2 2 2 4 2

12 5 1 1 1 2 4 4 4 2

13 4 4 3 3 2 3 3 4 5

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

100 4 2 2 2 2 2 2 2 5

Data mentah secara keseluruhan dapat dilihat di dalam lampiran 1 A.

3.4.2 Penskalaan Data Ordinal Menjadi Data Interval

Dari data mentah hasil kuesioner dibuat suatu matriks data yang telah dilakukan penskalaan menjadi skala interval. Teknik penskalaan yang digunakan dalam penelitian ini adalah Methods Successive Interval dengan bantuan Microsoft Office Excel 2007. Berikut ini adalah perhitungan penskalaan Methods Successive Interval

Tabel 3.4 Penskalaan Variabel 1 No. variab el Kategori Skor Jawaban Ordinal

Frekuensi Proporsi Proporsi

Kumulatif Z

Densita s {f(z)} Nilai Hasil Penskala an 1

2,000 6,000 0,060 0,060 -1,555 0,119 1,000

3,000 4,000 0,040 0,100 -1,282 0,175 1,576

4,000 30,000 0,300 0,400 -0,253 0,386 2,283

5,000 60,000 0,600 1,000 0,000 1,000

Jumlah 100

Langkah-langkah Methods Successive Interval :

1. Menghitung frekuensi skor jawaban dalam skala ordinal.

2. Menghitung proporsi dan proporsi kumulatif untuk masing-masing skor jawaban.

3. Menentukan nilai Z untuk setiap kategori, dengan asumsi bahwa proporsi kumulatif dianggap mengikuti distribusi normal baku. Nilai Z diperoleh dari Tabel Distribusi Normal Baku.

4. Menghitung nilai densitas dari nilai Z yang diperoleh dengan cara memasukkan nilai Z tersebut ke dalam fungsi densitas normal baku sebagai berikut:

√

6. Menentukan Scale Value min sehingga | | Scale Value terkecil =

| |

| |

7. Mentransformasikan nilai skala dengan menggunakan rumus :

| |

Selanjutnya dengan melakukan cara yang sama, maka semua variabel akan ditransformasikan ke dalam data interval.

Tabel 3.5 Penskalaan Variabel 1

X1 X2 X3 X4 X5 X6 X7 X8 X9

1 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 2 1,000 2,221 1,746 2,331 2,254 2,091 1,926 1,794 2,518 3 1,576 2,835 2,124 3,190 2,949 2,712 2,445 2,244 3,277

4 2,883 3,352 2,870 3,906 3,600 3,351 3,047 3,417 3,789 5 3,629 4,409 4,028 4,981 4,730 4,450 4,068 4,966 4,784

3.4.3 Uji Validitas

Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Untuk mengetahui valid atau tidak dilihat dari nilai korelasi hitung dibandingkan dengan tabel korelasi product moment untuk N = 100 dan α = 5% adalah 0,195. Dari hasil uji validitas, terlihat bahwa seluruh variabel dinyatakan valid karena nilai r-hitung > r tabel, r-hitung > 0,195. Dari bantuan SPSS diproleh hasil seperti tablel berikut ini

Tabel 3.6 Uji Validitas Variable Penelitian

No. Variabel r hitung r tabel Kesimpulan

1 X1 = Pupuk Kandang 0,197 0,195 Valid

2 X2 = Luas Lahan 0,364 0,195 Valid

3 X3 = Pestisida 0,291 0,195 Valid

4 X4 = Kesuburan Tanah 0,514 0,195 Valid

5 X5 = Tenaga Kerja 0,424 0,195 Valid

6 X6 = Jarak Tanaman antar Kentang 0,381 0,195 Valid

7 X7 = Bibit 0,576 0,195 Valid

8 X8 = Pupuk 0,348 0,195 Valid

9 X9 = Modal 0,388 0,195 Valid

3.7 Contoh Perhitungan Korelasi Product Moment No

Responden X Y XY X

2

Y2 1 2,518 23,50131 59,1763 6.34032400 552.3117 2 2,518 20,74018 52,2317 6.34225307 430.155 3 3,789 21,84884 82,7926 14.35909101 477.3718 4 1,000 18,81489 18,8148 1.00000000 354,000 5 3,789 18,81489 71,2959 14.35909101 354,000 6 2,518 25,43103 64,0450 6.34225307 646.7371 7 4,784 25,99452 124,3553 22.88574785 675.715 8 2,518 25,37673 63,9083 6.34225307 643.9785 9 4,784 19,63726 93,9427 22.88574785 385.622 10 4,784 16,28807 77,9206 22.88574785 265.3014 11 2,518 18,28527 46,0493 6.34225307 334.351 12 2,518 18,69854 47,0901 6.34225307 349.6352 13 4,784 21,77678 104,1780 22.88574785 474.2279

. . . . . . . . . . . . . . . . . .

100 4,784 16,64635 79,63457 22.88574785 277.1011 JUMLAH 338,304 2387,866 8237,443 1241.071022 58766.2

∑ ∑ ∑ √{ ∑ ∑ }{ ∑ ∑ } ( ) √{ }{ } √ √

√

3.4.4 Uji Reliabilitas

Uji Reliabilitas menunjukkan sejauh mana hasil suatu pengukuran dapat dipercaya. Metode yang digunakan untuk menguji reliabilitas adalah metode Alpha Cronbach. Variabel dikatakan reliabel jika memberikan nilai Alpha Cronbach > 0,6 (Ghozali, 2005). Hasil uji reliabilitas terhadap variabel-variabel penelitian menunjukkan bahwa data mempunyai tingkat reliabilitas yang tinggi karena nilai Alpha Cronbach untuk ke 9 variabel > 0,6. Dengan demikian, data dapat memberikan hasil pengukuran yang konsisten (reliabel).

Tabel 3.8 Uji Reliabilitas Variabel Penelitian

No Variabel Alpha

Cronbach

Kesimpulan

1 X1 = Pupuk Kandang 0,720 Reliabel

2 X2 = Luas lahan 0,693 Reliabel

3 X3 = Pestisida 0,707 Reliabel

4 X4 = Kesuburan Tanah 0,665 Reliabel

5 X5 = Tenaga Kerja 0,682 Reliabel

6 X6 = Jarak tanaman antar kentang 0,690 Reliabel

7 X7 = Bibit 0,651 Reliabel

8 X8 = Pupuk 0,696 Reliabel

3.5 Analisis Data

Metode analisis data yang digunakan adalah teknik analisis faktor dengan pendekatan komponen utama. Langkah-langkah dalam analisis faktor adalah sebagai berikut :

3.5.1 Membentuk Matriks Korelasi

Proses analisis didasarkan pada suatu matriks korelasi antar variabel. Agar analisis faktor bisa menjadi tepat dipergunakan. Variabel-variabel yang akan dianalisis harus berkorelasi. Apabila koefisien korelasi antar variabel terlalu kecil berarti hubungannya lemah, maka metode analisis faktor kurang tepat untuk dipergunakan. Peneliti mengharapkan selain variabel awal berkorelasi dengan sesama variabel lainnya juga berkorelasi dengan faktor sebagai variabel terakhir yang didapat dari variabel-variabel awal.

Perhitungan nilai korelasi masing-masing variabel diperoleh dengan memakai rumus korelasi product moment :

∑ ∑ ∑

√{ ∑ ∑ }{ ∑ ∑ }

Contoh perhitungan korelasi antara variabel X1 dengan X9. Misalkan X1 adalah X dan X9 adalah Y.

3.9 Perhitungan Korelasi Antara Variabel X1 Dengan X9 No

Responden X Y XY X

2

Y2

1 3,629 2,518 9,139935 13,1717239520275 6,3422530729171 2 2,283 2,518 5,748382 5,2101200893299 6,3422530729171 3 2,283 3,789 8,649427 5,2101200893299 14,3590910131709

4 3,629 1,000 3,629287 13,1717239520275 1,0000000000000 5 3,629 3,789 13,7526 13,1717239520275 14,3590910131709 6 2,283 2,518 5,748382 5,2101200893299 6,3422530729171 7 3,629 4,784 17,36216 13,1717239520275 22,8857478450558 8 2,283 2,518 5,748382 5,2101200893299 6,3422530729171 9 3,629 4,784 17,36216 13,1717239520275 22,8857478450558 10 3,629 4,784 17,36216 13,1717239520275 22,8857478450558 11 3,629 2,518 9,139935 13,1717239520275 6,3422530729171 12 3,629 2,518 9,139935 13,1717239520275 6,3422530729171 13 2,283 4,784 10,91959 5,2101200893299 22,8857478450558

. . . . . . . . . . . . . . . . . .

100 2,283 4,784 10,91959 5,2101200893299 22,8857478450558 298,538 338,304 1.033,007 962,542 1.241,073

∑ ∑ ∑ √{ ∑ ∑ }{ ∑ ∑ } ( ) √{ }{ } √ √ √

Dengan perhitungan di atas, maka diperoleh nilai korelasi antara variabel X1 dengan X9 adalah 0,278. Hasil tersebut sesuai dengan output SPSS. Dengan melakukan cara yang sama dengan di atas atau dengan menggunakan SPSS maka akan diperoleh korelasi antara variabel.Hasil perhitungannya dapat disajikan dalam bentuk matriks.

Pada penelitian ini matriks korelasi yang dibentuk dari data yang diperoleh untuk mengectahui faktor-faktor yang mempengaruhi hasil produksi kentang memperlihatkan korelasi yang cukup kuat antara variabel X1 dengan X9 sehingga diharapkan nantinya bahwa variabel-variabel ini akan berkorelasi dengan faktor yang sama.

Data mengenai 9 variabel yang berasal dari jawaban 100 orang responden kemudian dianalisa pada anti image correlation. Uji ini dilakukan dengan memperhatikan angka KMO MSA. Angka MSA (Measure of Sampling

MATRIK KORELASI

X1 X2 X3 X4 X5 X6 X7 X8 X9

X1 1 0,102 -0,005 0,077 0,174 -0,005 0,135 0,154 0,278 X2 0,102 1 0,162 0,375 0,184 0,159 0,172 0,225 0,253 X3 -0,005 0,162 1 0,288 0,214 0,276 0,295 0,094 -0,007 X4 0,077 0,375 0,288 1 0,383 0,261 0,381 0,205 0,253 X5 0,174 0,184 0,214 0,383 1 0,314 0,328 0,01 0,268 X6 -0,005 0,159 0,276 0,261 0,314 1 0,456 0,198 0,031 X7 0,135 0,172 0,295 0,381 0,328 0,456 1 0,351 0,347 X8 0,154 0,225 0,094 0,205 0,01 0,198 0,351 1 0,32 X9 0,278 0,253 -0,007 0,253 0,268 0,031 0,347 0,32 1

MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel lain. MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut. MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut.

Tabel 3.10 Kaiser-Meyer-Olkin (KMO) dan Barlett’s Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. 0,721 Bartlett's Test of Sphericity Approx. Chi-Square 150,262

Df 36

Sig. 0.000

Hasil output SPSS seperti tabel di atas menunjukkan angka KMO dan

Barlett’s test adalah 0,721 lebih besar dari 0,5 dengan signifikansi 0,000 lebih kecil dari 0,05 maka variabel dan sampel sudah layak untuk dianalisis lebih lanjut.Perhitungan secara manual nilai KMO dan Barlett’s test dapat dilihat pada lampiran.

Hipotesis untuk uji diatas adalah :

 H0 = sampel belum memadai untuk dianalisis lebih lanjut

 H1 = sampel sudah memadai untuk dianalisis lebih lanjut

 Kriteria dengan melihat probabilitas (tingkat signifikansi) : Angka Sig. > 0,05, maka H0 diterima

Angka Sig. < 0,05, maka H0 ditolak

Tabel 3.11 Nilai Measure of Sampling Adequecy (MSA)

No Variabel Nilai MSA

6 X6 = Jarak tanam anatar kentang 0,685

7 X7 = Bibit 0,736

8 X8 = Pupuk 0,690

9 X9 = modal 0,657

Dengan melihat anti image correlation diketahui ke 9 variabel menunjukkan kriteria angka MSA lebih besar dari 0,5, yang berarti semua variabel masih bisa diprediksi untuk dianalisa lebih lanjut. Dari kedua hasil pengujian di atas, semua variabel mempunyai korelasi yang cukup tinggi dengan variabel lain, sehingga analisis layak untuk dilanjutkan dengan mengikutkan 9 variabel. Perhitungan secara manual dapat dilihat pada lampiran 4.

3.5.2 Ekstraksi Faktor

Dalam penelitian ini metode ekstraksi yang digunakan adalah Principal Component Analysis (Analisis Komponen Utama). Di dalam Principal Component Analysis jumlah varians data dipertimbangkan yaitu diagonal matriks korelasi, setiap elemennya sebesar satu dan full variance dipergunakan untuk dasar pembentukan faktor, yaitu variabel-variabel lama, yang jumlahnya lebih sedikit dan tidak berkorelasi lagi satu sama lain, seperti variabel-variabel asli yang memang saling berkorelasi.

Tabel 3.12 Komunalitas

No Variabel Initial Extraction

1 X1 = Pupuk Kandang 1,000 0.522

2 X2 = Luas lahan 1,000 0,286

3 X3 = Pestisida 1,000 0,475

4 X4 = Kesuburan Tanah 1,000 0,519

5 X5 = Tenaga Kerja 1,000 0,721

6 X6 = Jarak tanaman antar kentang 1,000 0,567

8 X8 = Pupuk 1,000 0.806

9 X9 = Modal 1,000 0,643

Tabel 3.13 Initial Eigenvalue

Faktor atau komponen

Initial Eigenvalues

Total % of Variance Cumulative%

1 2,810 31,220 31,220

2 1,329 14,770 45,990

3 1.003 11,142 57,132

4 0,944 10,489 67,621

5 0,781 8,676 76,297

6 0,687 7,635 83,932

7 0,556 6,180 90,111

8 0,496 5,509 95,620

9 0,394 4,380 100,00

Sumbangan Masing-Masing Faktor Terhadap Varians Seluruh Variabel Asli

Faktor atau Komponen

Extraction Sums of Squared Loadings Total % of Variance Cumulative %

1 2,810 31,220 31,220

2 1,329 14,770 45,990

a. Untuk variabel pupuk kandang, nilai komunalitasnya adalah 0.522 atau sekitar 52,2% varians dari variabel pupuk kandang bisa dijelaskan oleh faktor yang terbentuk.

b. Untuk variabel luas lahan, nilai komunalitasnya adalah 0,286 atau sekitar 28,6% varians dari variabel luas lahan bisa dijelaskan oleh faktor yang terbentuk.

c. Untuk variabel pestisida, nilai komunalitasnya adalah 0,475 atau sekitar 47,5% varians dari variabel pestisida bisa dijelaskan oleh faktor yang terbentuk. d. Untuk variabel kesuburan tanah, nilai komunalitasnya adalah 0,519 atau sekitar

51,9% varians dari kesuburan tanah bisa dijelaskan oleh faktor yang terbentuk. e. Untuk tenaga kerja, nilai komunalitasnya adalah 0,721 atau sekitar 72,1%

varians dari variabel tenaga kerja bisa dijelaskan oleh faktor yang terbentuk. f. Untuk variabel jarak tanaman antara kentang, nilai komunalitasnya adalah

0,567 atau sekitar 56,7% varians dari variabel jarak tanaman antara kentang bisa dijelaskan oleh faktor yang terbentuk.

g. Untuk variabel bibit, nilai komunalitasnya adalah 0,602 atau sekitar 60,2% varians bibit bisa dijelaskan oleh faktor yang terbentuk.

h. Untuk variabel pupuk, nilai komunalitasnya adalah 0,806 atau sekitar 80,6% varians dari variabel pupuk bisa dijelaskan oleh faktor yang terbentuk.

i. Untuk variabel modal, nilai komunalitasnya adalah 0,643 atau sekitar 64,3% varians dari variabel modal bisa dijelaskan oleh faktor yang terbentuk.

Pada tabel 3.13 menunjukkan nilai eigen value untuk setiap faktor, yang pada awalnya terdiri dari 9 faktor yaitu sebanyak variabel aslinya. Suatu eigen value menunjukkan besarnya sumbangan dari faktor terhadap varians seluruh variabel asli. Kemudian diproses berikutnya dipilih faktor-faktor yang eigen value nya minimal 1. Ternyata ada 3 faktor atau komponen yang eigen value nya lebih dari 1 yaitu faktor 1, 2, dan 3 masing-masing dengan eigen value nya adalah 2,810; 1,329 dan 1

3.5.3 Menentukan Banyaknya Faktor

Penentuan banyaknya faktor yang dilakukan dalam analisis faktor maksudnya adalah mencari variabel terakhir yang disebut faktor yang saling tidak berkorelasi, bebas satu sama lainnya, lebih sedikit jumlahnya daripada variabel awal akan tetapi dapat menyerap sebagian besar informasi yang terkandung dalam variabel awal atau yang dapat memberikan sumbangan terhadap varians seluruh variabel.

Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor, antara lain adalah sebgai berikut :

1. Dilihat dari Initial Eigen Value Total

Untuk menentukan banyaknya faktor dari initial values dilihat dengan metode pendekatan, hanya faktor dengan eigen value lebih besar dari satu yang dipertahankan, jika lebih kecil dari satu, faktornya tidak diikutsertakan dalam model. Suatu eigen value menunjukkan besarnya sumbangan dari faktor terhadap varians seluruh variabel asli. Hanya faktor dengan varians lebih besar dari satu yang dimasukkan dalam model.

Berdasarkan tabel 3.13 ternyata diperoleh banyaknya faktor yang dapat mempengaruhi hasil produksi kentang menurut persepsi penduduk atau asumsi responden adalah 3, karena ada 3 faktor atau komponen yang eigen value nya lebih dari 1, yaitu Faktor dengan eigen value 2,810 , Faktor 2 dengan eigen value 1,329 , Faktor 3 dengan eigen value dan 1,003.

Perhitungan secara manualnya untuk mencari nilai ini dapat di lihat di lampiran.

Berdasarkan tabel 3.13 dapat diketahui bahwa besarnya sumbangan yang diberikan dari masing-masing faktor terhadap varians seluruh variabel asli. Faktor 1 memberikan sumbangan varians sebesar 31,22 %, faktor 2 sebesar 14,770%,

2. Menentukan Banyaknya Faktor dengan Scree Plot

Suatu Scree Plot adalah plot dari eigen value melawan banyaknya faktor yang bertujuan untuk melakukan ekstraksi agar diperoleh jumlah faktor. Scree plot berupa suatu kurva yang diperoleh dengan memplot eigen value sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu horizontal. Bentuk kurva atau plotnya dipergunakan untuk menentukan banyaknya faktor.

Jika tabel total varians menjelaskan dasar jumlah faktor yang didapat dengan perhitungan angka, maka scree plot memperlihatkan hal tersebut dengan grafik. Terlihat bahwa dari sutu ke dua faktor (daris dari sumbu Component 1 ke 2), arah garis cukup menurun tajam. Kemudian dari 2 ke 3 garis juga menurun. Pada faktor 4 sudah dibawah angka 1 dari sumbu eigen value. Hal ini menunjukkan bahwa ada 3 faktor yang mempengaruhi hasil produksi kentang, yang dapat diekstraksi berdasarkan scree plot.

3.5.4 Melakukan Rotasi Faktor

Output terpenting dalam analisis faktor adalah Matriks Faktor atau yang disebut juga dengan Komponen Matriks. Matriks faktor memuat koefisien yang dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefisien ini merupakan factor loading, mewakili koefisien korelasi antara faktor dengan variabel. Koefisien dengan nilai mutlak (absolute) yang besar menunjukkan bahwa faktor dan variabel sangat terkait. Koefisien dari matriks faktor dapat dipergunakan untuk menginterpretasi faktor. Matriks faktor atau matriks komponen dapat dilihat sebagai berikut :

Tabel 3.14 Matriks Faktor (a) (Sebelum Dirotasi) Faktor (Komponen)

1 2 3

X1 0,294 0,578 0,319

X2 0,519 0,131 0,012

X3 0,457 -0,515 -0,012

X4 0,690 -0,121 0,168

X5 0,597 -0,132 0,589

X6 0,569 -0,460 -0,180

X7 0,742 -0,086 -0,209

X8 0,497 0,337 -0,668

X9 0,540 0,590 0,051

Walaupun matriks faktor atau matriks komponen awal sebelum dirotasi menunjukkan hubungan antara faktor (komponen) dengan variabel secara individu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor

dianggap cukup kuat jika koefisien korelasi yang diwaliki factor loading mempunyai nilai lebih besar dari 0,30. Juga variabel berkorelasi dengan banyak faktor, seperti variabel X1 berkorelasi dengan faktor 2 dan 3 variabel X8 berkorelasi dengan faktor 1 dan 2 variabel X9 berkorelasi dengan faktor 1 dan 2. Situasi seperti ini membuat kesimpulan mengenai banyaknya faktor yang diekstraksi dari variabel menjadi sulit.

Untuk mengatasi hal tersebut dapat dilakukan proses rotasi pada faktor yang terbentuk agar memperjelas posisi sebuah variabel, akankah dimasukkan pada faktor yang satu ataukah ke faktor lainnya. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation, varimax rotation, dan oblique rotation.

Proses rotasi terhadap faktor pada penelitian ini menggunakan metode varimax rotation. Dan hasil rotasi dapat dilihat pada matriks faktor (setelah dirotasi) dibawah ini :

Tabel 3.15 Matriks Faktor (a) (Setelah Dirotasi) Faktor (Komponen)

1 2 3

X1 -0,105 0,714 0,009

X2 0,327 0,370 0,207

X3 0,676 -0,134 -0,006

X4 0,627 0,352 0,044

X5 0,589 0,493 -0,362

X6 0,718 -0,116 0,198

X7 0,621 0,228 0,406

X8 0,136 0,118 0,868

X9 0,062 0,727 0,333

Tujuan dilakukan rotasi adalah untuk memperlihatkan distribusi variabel yang lebih jelas dan nyata. Dapat dilihat perbedaan antara matriks faktor sebelum dirotasi dengan matriks faktor setelah dirotasi.

3.5.5 Interpretasi Faktor

Setelah rotasi dilakukan langkah selanjutnya adalah interpretasi faktor. Interpretasi faktor dipermudah dengan mengidentifikasi variabel yang loadingnya besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterpretasi menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Atau penentuan variabel yang dimasukkan ke dalam faktor dengan cara melihat factor loading yang terbesar.

a. Variabel pupuk kandang : Korelasi antara variabel dengan faktor 2 sebelum dirotasi adalah 0,578; dengan rotasi korelasi menjadi 0,714 dengan faktor 2. Jadi variabel ini masuk faktor 2.

b. Variabel luas lahan : Korelasi antara variabel luas lahan dengan faktor 1 sebelum dirotasi adalah 0,519; dengan rotasi korelasi menjadi 0,370 dengan faktor 2. Jadi variabel ini masuk faktor 2.

c. Variabel pestisida : Korelasi antara variabel pestisida dengan faktor 1 sebelum dirotasi adalah 0,457; dengan rotasi korelasi menjadi 0,676 dengan faktor 1. Jadi variabel ini masuk faktor 1.

d. Variabel kesuburan tanah: Korelasi antara variabel kesuburan tanah dengan faktor 1 sebelum dirotasi adalah 0,690; dengan rotasi korelasi menjadi 0,627dengan faktor 1. Jadi variabel ini masuk faktor 1.

e. Variabel tenaga kerja : Korelasi antara variabel tenaga kerja dengan faktor 1 sebelum dirotasi adalah 0,597; dengan rotasi korelasi menjadi 0,589 dengan faktor 1. Jadi variabel ini masuk faktor 1.

f. Variabel jarak tanam antar kentang: Korelasi antara variabel jarak tanam antara kentang dengan faktor 1 sebelum dirotasi adalah 0,569; dengan rotasi korelasi menjadi 0,718 dengan faktor 1. Jadi variabel ini masuk faktor 1.

h. Variabel pupuk: Korelasi antara variabel pupuk dengan faktor 1 sebelum dirotasi adalah 0,497; dengan rotasi korelasi menjadi 0,868 dengan faktor 3. Jadi variabel ini masuk faktor 3.

i. Variabel modal: Korelasi antara variabel modal dengan faktor 2 sebelum dirotasi adalah 0,590; dengan rotasi korelasi menjadi 0,727 dengan faktor 2. Jadi variabel ini masuk faktor 2.

Dengan demikian ke 9 variabel telah direduksi menjadi tiga faktor yang dapat mempengaruhi hasil produksi kentang di kecamatan Naman Teran yaitu: 1. Faktor 1 (F1) terdiri atas variabel X3 = pestisida, variable X4 = kesuburan

tanah, variable X5 = tenaga kerja, variabel X6 = jarak tanam antar kentang, variabel X7 = bibit. Sehingga faktor ini diberi nama:

FAKTOR CARA PEMELIHARAAN KENTANG.

2. Faktor 2 (F2) terdiri atas variabel X1 = Pupuk kandang, Variabel X2 = luas lahan, Variabel X9= modal. Faktor ini diberi nama :

FAKTOR MODAL DAN LUAS LAHAN.

3. Faktor 3 (F3) terdiri atas variabel X8 = Pemupukan Faktor ini diberi nama FAKTOR PEMUPUKAN.

Interpretasi dipercepat melalui variabel-variabel yang memiliki loading lebih besar pada faktor yang sama yang kemudian dapat diinterpretasikan dalam batasan variabel-variabel yang loadingnya tinggi. Variabel-variabel yang berkorelasi kuat (nilai faktor loadingnya besar) dengan faktor tertentu akan memberikan inspirasi nama faktor bersangkutan.

Faktor Pertama

Faktor pertama hasil rotasi faktor didukung oleh 5 variabel. Urutan variabel-variabel tersebut mulai dari nilai bobot paling besar sampai yang paling kecil adalah dan Bobot masing-masing variabel pendukung faktor pertama tersebut sesuai dengan tabel berikut.

Tabel 3.16 Variabel yang Mendukung Faktor Pertama No Variabel

Pendukung

Nama Variabel Bobot

Variabel

1 Jarak tanam antar kentang 0,718

2 Pestisida 0,676

3 Kesuburan tanah 0,627

4 Bibit 0,621

5 Tenaga kerja 0,589

Dari tabel 3.16 diatas, faktor pertama didukung oleh variabel-variabel jarak tanam antar kentang, pestisida, kesuburan tanah, bibit dan banyaknya tenaga kerja. Dari data tersebut bahwa X6 = jarak antara tanaman kentanglah yang mempunyai factor loading terbesar yaitu 0,718. Hal ini menunjukan bahwa variable ini berpengaruh paling kuat terhadap hasil produksi kentang di tempat penelitiaan. Faktor pertama yaitu Faktor Cara dan Pemeliharaan kentang menyumbangkan varians yaitu sebesar 31,220 %. Dari hasil factor loading yang paling dominan untuk menghasilkan hasil produksi yang tinggi tergantung pada saat ingin menanam kentang bahwa jarak tanam itu sangat besar pengaruhnya terhadap panen penghasilanya kentang.

Faktor Kedua

Tabel 3.17 Variabel yang Mendukung Faktor Kedua No Variabel

Pendukung

Nama Variabel Bobot

Variabel

Dari tabel dapat dilihat bahwa bobot variable yang paling tinggi adalah variable X9 = Modal sehingga dari beberapa varibel yang berada di faktor 2 maka varibel X9 = Modal yang dominan dimana factor loading sebesar 0,727 . Faktor ke dua merupakan faktor Modal dan luas lahan yang memberikan pengaruh yang cukup besar untuk hasil produksi kentang yaitu memberi sumbangan varian sebesar 14,77 %. Perlu diperhatikan bahwa ketika ingin melakukan penanaman kentang pasti membutuhkan modal, jadi dari hasil penelitiaan yang dilakukan bahwa ketika semakin besar modal yang akan di gunakan maka hasil produksi juga akan meningkat.

Faktor Ketiga

Faktor ketiga hasil rotasi bahwa hanya 1 variabel yang mendukung yaitu variable X8 = pemupukan. Variabel ini mempunyai faktor loding sebesar 0,868. Pada faktor Ketiga interval pemupukan yang mempengaruhi hasil produksi kentang pada saat diadakan penelitian. Faktor pemupukan ini mempengaruhi hasil produksi kentang sesuai asumsi petani yang di dapat oleh peneliti yaitu memberi sumbangan varian sebesar 11,142 %.

Dari ketiga Faktor yang dominan tersebut memberikan proporsi keragaman kumulatif sebesar 57,132% artinya ketiga faktor tersebut menurut asumsi petani kentang yang berada di kecamatan Naman Teran dengan responden oleh peneliti, bahwa yang dapat mempengaruhi hasil produksi kentang adalah sebesar 57,132% dan sisanya dapat dipengaruhi faktor-faktor lainya yang tidak teridentifikasi oleh model penelitiaan.

3.5.6 Menentukan Ketepatan Model

Proses akhir dari analisis faktor adalah menguji ketepatan model, dengan menggunakan output program SPSS. Perbedaan antara korelasi yang diobservasi (pada matriks korelasi sebelum analisis faktor) dengan korelasi analisis faktor (yang diestimasi dari matriks faktor) yaitu yang disebut dengan residual. Kalau banyak residual yang nilainya lebih besar dari 0,05 (residual > 0,05), berarti model tidak tepat, model dipertimbangkan kembali. Sebaliknya, jika banyak residual yang nilainya lebih kecil dari 0,05 (residual < 0,05), berarti model sudah tepat.

Tabel 3.18 selisih(residual) antara matriks korelasi sebelum analisis faktor dengan analisis setelah analisis factor

x1 x2 x3 x4 x5 x6 x7 x8 x9

x1 -

x2 -0,131 -

x3 0,029 -0,235 -

x4 -0,034 -0,651 -0,437 -

x5 -0,308 -0,199 -0,292 -0,623 -

x6 0,077 -0,229 -0,375 -0,276 -0,529 -

x7 -0,168 -0,081 -0,462 -0,549 -0,42 -0,805 -

x8 -0,243 -0,346 -0,1 -0,263 0,208 -0,311 -0,558 -

x9 -0,455 -0,402 0,151 -0,311 -0,46 0,163 -0,597 -0,536 -

Terlihat pada tabel 3.18, nilai residual yang lebih besar dari 0,05 adalah 4 komponen, (9,3% < 50%). Dengan keadaan residual tersebut diatas, maka model dapat dinyatakan sudah tepat dan layak untuk digunakan.

BAB 4

KESIMPULAN DAN SARAN

4.1Kesimpulan

Pengolahan data dengan menggunakan analisis faktor pada penelitian ini adalah untuk mengetahui seberapa besar pengaruh dari faktor faktor yang di pertimbangkan oleh petani untuk meningkatkan hasil produksi kentang di kecamatan Naman Teran. Dari penelitian ini maka penulis dapat membuat kesimpulan-kesimpulan sebagai berikut :

1. Dari hasil penelitiaan 100 responden dan 9 variabel penelitiaan memberikan proporsi keragaman kumulatif sebesar 57,132% dengan tiga faktor ekstraksi yang terbentuk. Ketiga faktor tersebut menurut asumsi/persepsi dari petani kentang yang di teliti di kecamatan Naman Teran bahwa yang mempengaruhi hasil produksi kentang sebesar 57,132 % dan sisanya dapat dipengaruhi faktor-faktor lainnya yang tidak teridentifikasi oleh model penelitian.

2. Faktor yang paling dominan mempengaruhi hasil produksi kentang di kecamatan Naman Teran. Faktor dominan pertama cara dan pemliharaan yaitu memberikan sumbangan variansi sebesar (31,22%), faktor dominan kedua adalah permodalan dan lahan memberikan sumbangan varians sebesar (14,77%), faktor dominan ketiga adalah faktor Pemupukan memberikan sumbangan varians sebesar (11,42%).

3. Model faktor yang ada ternyata valid dan layak digunakan. Karena perbedaan antara korelasi yang diobservasi (pada matriks korelasi sebelum analisis faktor) dengan korelasi analisis faktor (yang diestimasi dari matriks faktor) yaitu yang disebut dengan residual, terdapat 4 komponen (9,3% < 50%) yang mempunyai nilai absolut lebih besar dari 0,05.

4.2 Saran

Menurut hasil penelitian diatas ada dua hal yang disampaikan sebagai saran, yaitu :

1. Pemerintah tanah karo lebih memperhatikan kondisi pertaniaan terutama dalam penyediaan pupuk dan juga butuh penyuluhan kepada petani untuk dapat meningkatkan hasil panen pertaniaan

2. Bagi peneliti selanjutnya hasil penelitian ini masih bisa diteruskan dengan mengembangkan penelitian, seperti menambah variabel-variabel baik yang bersifat data kualitatif atau data kuantitatif yang dapat mempengaruhi hasil produksi kentang di Kecamatan Naman Teran.

BAB 2

LANDASAN TEORI

2.1 Faktor - Faktor yang Mempengaruhi Hasil Produksi Kentang

a) Pupuk kandang adalah pada awal penanaman pupuk kandang digunakan untuk mempersiapkan lahan supaya tanahnya subur dan gembur (Hartus,2001). Dalam hal ini tidak semua petani kentang memperhatikan takaran sesuai luas lahan yang akan ditanam untuk menghasilkan hasil produksi.

b) Luas lahan adalah pada dasarnya bahwa luas lahan akan mempengaruhi hasil produksi, tetapi peneliti mengambil landasan tersebut karena tidak semua daerah dalam lokasi penelitian setiap periode penelitian menanam dengan luas yang sama. Lokasi penelitian tidak hanya tanaman kentang saja, tetapi juga hasil dari pertanian, jadi setiap periode akan berbeda beda luas lahan yang akan di tanami.

c) Pestisida adalah pada penanaman kentang penyemprotan pestisida sangat menjamin hasil produksi yang dilakukan tergantung rutinnya penyemprotan sehingga mempengaruhi hasil produksi.

d) Kesuburan lahan adalah tanaman kentang dapat tumbuh baik pada tanah yang mempunyai struktur cukup halus atau gembur (Idawati,2013). Keadaan tanah tergantung terhadap tanaman apa sebelumnya di tanam di lahan tersebut sehingga dapat ditanggulangi dengan cara penyiraman atau penambahan pupuk pada lahan.

e) Tenaga Kerja adalah menggunakan tenaga kerja dalam mengerjakan penanaman kentang, karena melihat pertumbuhan kentang yang begitu

cepat memerlukan tenaga kerja yang banyak, semakin banyak tenaga kerja akan mempengaruhi hasil produksi.

f) Jarak antar tanam kentang adalah Jika bibitnya seukuran telur bebek jarak tanamannnya 35 cm. Jika bibitnya seukuran telur ayam jaraknya 25 cm (Idawati, 2013). Dalam pelaksanaannya penanaman kentang tidak mempehatikan ukuran tesebut karena setiap daerah penanaman kentang berbeda – beda.

g) Bibit adalah umbi kentang itu sendiri yang sudah disimpan dalam waktu tertentu (tergantung jenis kentangnya) dan sudah melewati masa dormansi (dorman periode) dan mulai mengeluarkan tunas tanaman baru. Bila bibit dibeliusahakan harus bersertifikat karena bibit ini sangat menentukan hasil yang akan di peroleh dalam hasil panen. Pada dasarnya bibit yang bagus adalah bibit yang diperoleh atau anggap saja generasi pertama (F1), bibit generasi (F2) dan bibit generasi (F3) (Soelarso,1997). Pada kenyataannya di lapangan, bibit yang di gunakan rata – rata hasil tanamnya sendiri, untuk itu peneliti ingin mengetahui berapa besar peranannya dalam meningkatkan hasil produksi.

h) Modal adalah biaya permulaan dasar dalam memulai melakukan usaha. Tapi dalam hal penanaman kentang yang dimaksud bahwa tidak selama penanaman kentang dengan modal yang tinggi menghasilkan hasil produksi yang tinggi. Peneliti ingin mengetahui seberapa besar modal berpengaruh terhadap hasil produksi yang akan di peroleh.

i) Pemupukan adalah Pemupukan dalam penanaman kentang antara satu daerah dengan daerah yang lain tidak sama. Salah satu yang perlu diperhatikan dalam pemberian pupuk adalah cara interval pemupukan. Dalam hal ini penggunaan pupuk dan takarannya tergantung pada usia kentang (Setiadi, 2007).

2.2Populasi dan Sampel Penelitiaan

Populasi adalah (population atau universal) adalah keseluruhan elemen, atau unit penelitian, atau unit analisis yang memiliki ciri atau karakteristik tertentu yang dijadikan sebagai objek penelitiaan atau menjadi perhatiaan dalam suatu penelitiaan (Maman Abdurahman, 2011). Dengan demikian populasi tidak terbatas pada sekelompok orang, tetapi apa aja yang menjadi perhatiaan dalam suatu permasalahaan.

Populasi adalah kumpulan lengkap dari elemen - elemen yang sejenis akan tetapi dapat dibedakaan karena karaktristiknya. Misalnya seluruh penduduk Indonesia, seluruh penduduk propinsi, seluruh karyawan suatu depatemen atau perusahaan, seluruh mahasiswa perguruan tinggi, seluruh turis, seluruh langganan, seluruh petani, seluruh desa, seluruh ternak, seluruh kendaraan, seluruh perkebunan, seluruh pasien, seluruh calon haji, seluruh pasar (Supranto, 2004).

Sampel adalah sebagian anggota populasi yang dipilih dengan menggunakan prosedur tertentu sehingga diharapkan dapat mewakili populasinya.

2.3 Teknik Pengumpulan Data 2.3.1 Data

Data merupakan kumpulan fakta atau angka atau segala sesuatu yang dapat dipercaya kebenaranya sehingga dapat digunakan sebagai dasar menarikan kesimpulan. Data dapat digolongkan berdasarkan aspek sifat, dimensi waktu, cara memperoleh dan pengukuranya (Muhidin, 2009).

2.3.2 Data Ditinjau Menurut Sifatnya

Dalam hal ini, data dibagi menjadi dua bagian, yaitu :

Contoh : a. Harga dolar hari ini mengalami kenaikan.

b. Sebagian dari produksi barang “ X “ pada perusahaan “Y”

rusak.

2. Data Kuantitatif adalah data yang berbentuk bilangan Contoh : a. Luas bangunan hotel itu adalah 6000 m2.

b. Tinggi badan Dody mencapai 180 cm.

c. Banyak perguruan tinggi di kota “A” ada 6 buah.

2.3.3 Data Menurut Jenisnya

1. Data Diskrit adalah data yang diperoleh dengan cara menghitung atau membilang.

a. Banyak kursi yang ada di ruangan ini ada 50 buah.

b. Jumlah mahasiswa yang mengikuti mata kuliah ini mencapai 60 orang.

c. Banyak anak pada keluarga Patris ada 4 orang 2. Data Kontinu adalah data yang diperoleh dengan cara mengukur.

a. Jarak antara kota Medan dengan kota Siantar adalah 128 km

b. Berat bayi yang baru lahir adalah 3,2 kg.

2.3.4 Data Menurut Cara Memperolehnya

Dalam hal ini data dibagi menjadi dua bagian, yaitu :

susu “ Segar Jaya “ ingin mengetahui jumlah konsumsi susu yang diminum

oleh masyarakat di Kelurahan Medan Baru, maka petugas dari perusahaan tersebut secara langsung mendatangi rumah tangga- rumah tangga yang ada di Kelurahan Medan Baru.

2. Data Sekunder adalah data yang diperoleh dalam bentuk sudah jadi, sudah dikumpulkan dan diolah oleh pihak lain, biasanya data itu dicatat dalam bentuk publikasi- publikasi Contoh : Misalkan seorang peneliti memerlukan data mengenai jumlah pendududk di sebuah kota dari tahun 1980 sampai 1990, maka data itu dapat diperolehnya di BPS.

2.4 Metode Pengambilan Sampel

Pada dasarnya ada dua macam metode pengambilan sampel yaitu pengambilan sampel secara acak (probability Sampling) dan secara tidak acak (non probability Sampling)

1. Probability sampling, meliputi:

a. Simple random sampling (populasi homogen) yaitu pengambilan sampel dilakukan secara acak tanpa memperhatikan strata yang ada. Teknik ini hanya digunakan jika populasinya homogen.

b. Proportionale stratifiled random sampling (populasi tidak homogen) yaitu pengambilan sampel dilakukan secara acak dengan memperhatikan strata yang ada. Artinya setiap strata terwakili sesuai proporsinya.

c. Disproportionate stratifiled random sampling yaitu teknik ini digunakan untuk menentukan jumlah sampel dengan populasi berstrata tetapi kurang proporsional, artinya ada beberapa kelompok strata yang ukurannya kecil sekali.

d. Cluster sampling (sampling daerah) yaitu teknik ini digunakan untuk menentukan jumlah sampel jika sumber data sangat luas. Pengambilan sampel didasarkan daerah populasi yang telah ditetapkan.

2. Non probability sampling, meliputi: sampling sistematis, sampling kuota, sampling incidental, purposive sampling, sampling jenuh, dan snowball sampling.

Pada penelitian ini digunakan Proportionate Stratified Random sampling yaitu responden yang terpilih secara kebetulan dengan peneliti dan dianggap cocok sebagai sumbur data.

Beberapa alasan menggunakan Proportionate Stratified Random sampling adalah (Supranto J,1992):

1. Setiap strata homogen atau relatif homogen,sehingga sampel acak yang diambil dari setiap strata akan memberikan pikiran yang dapat mewakili strata yang bersangkutan. Perkiraan gambaran yang diperoleh berdasarkan perkiraan dari setiap strata akan memberikan perkiraan menyeluruh yang mewakili populasi.

2. Biaya untuk pelaksanaan Proportionate Stratified Random sampling lebih murah dari simple Random Sampling.

3. Perkiraan bias dibuat untuk setiap strata yang dapat dianggap sebagai populasi yang berdiri sendiri dan mungkin bias dilakukan oleh peneliti seorang diri saja.

Alokasi proporsi dalam Proportionate Stratified Random sampling. Ditentukan dengan menggunakan rumus:

∑ Keterangan:

= Banyaknya elemen sampel dari strata ke- i = Banyaknya elemen Strata ke- i

2.5 Teknik Pengukuran dan Sampel

Pada dasarnya proses pengukuran adalah merupakan rangkaian dari empat aktivitas pokok (Singarimbun dan Effendi, 1985). Rangkaian empat aktivitas pokok tersebut antara lain :

1. Menentukan dimensi variabel penelitian.

2. Merumuskan ukuran untuk masing-masing dimensi.

3. Menentukan tingkat ukuran yang akan digunakan dalam pengukuran. 4. Menguji validitas dan reliabilitas alat ukur.

Pada teknik penskalaan, banyak sekali jenis skala pengukuran yang telah dikembangkan, terutama dalam ilmu-ilmu sosial. Namun dalam penelitian ini skala pengukuran yang digunakan adalah skala Likert. Skala ini dikembangkan oleh Rensis Likert (1932) untuk mengukur sikap masyarakat dan skalanya terkenal dengan nama technique of summated rating atau skala Likert. Banyak faktor yang menyebabkan skala Likert banyak digunakan sebagai berikut :

1. Skala ini relatif mudah dibuat.

2. Adanya kebebasan dalam memasukkan item- item pernyataan asal masih relevan dengan masalah.

3. Jawaban atas item dapat berupa beberapa alternaitf, sehigga dapat memberikan informasi yang lebih jelas dan nyata terhadap item tersebut. 4. Dengan jumlah item yang cukup besar, tingkat reliabilitas yang tinggi

dapat dicapai.

5. Mudah untuk diterapkan pada berbagai situasi.

2.6 Uji Dalam Pengolahan Data 2.6.1 Uji Validitas

Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Suatu test atau instrumen pengukur dapat

dikatakan mempunyai validitas yang tinggi apabila alat ukur tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang sesuai dengan maksud dilakukannya pengukuran tersebut. Metode yang yang digunakan untuk menguji validitas adalah dengan korelasi product moment yang rumusnya sebagai berikut :

∑ ∑ ∑

√{ ∑ ∑ }{ ∑ ∑ } Keterangan :

rxy = koefisien korelasi X = skor pertanyaan Y = skor total n = jumlah sampel

Untuk menentukan valid tidaknya variabel adalah dengan cara mengkonsultasikan hasil perhitungan koefisien korelasi dengan tabel nilai koefisien (r) pada taraf kepercayaan 95 %.(Ade Fatma, 2007).

Apabila rxy ≥ rtabel → valid Apabila rxy < rtabel → tidak valid

2.6.2 Uji Realibilitas

Realibilitas menunjukkan sejauh mana hasil pengukuran dapat dipercaya. Pengukuran yang memiliki realibilitas tinggi disebut sebagai pengukuran yang realibilitas. Metode yang digunakan untuk menguji realibilitas adalah metode Alpha Cronbach. Variabel dikatakan realibel jika memberikan nilai Alpha Cronbach > 0,60. (Ade Fatma, 2007).

Keterangan:

= nilai (koefisien) Alpha Cronbach = banyaknya variabel penelitian ∑ = jumlah varians variabel penelitian

= varians total

2.7 Analisis Faktor

2.7.1 Definisi Analisis faktor

Analisis faktor merupakan salah satu prosedur reduksi data serta salah satu alat untuk menguji alat ukur dalam metode statistic multivariate (Dillon and Goldstein, 1984). Analisis faktor diartikan sebuah analisis yang mensyaratkan adanya keterkaitan antar variabel. Pada prinsipnya analisis faktor menyederhanakan hubungan yang beragam dan kompleks pada variabel yang diamati dengan menyatukan faktor atau dimensi yang saling berhubungan atau mempunyai korelasi pada suatu struktur data yang baru yang mempunyai set faktor lebih kecil. Data-data yang dimasukkan pada umumnya data metrik dan terdiri dari variabel-variabel dengan jumlah yang besar.

Analisis faktor dapat digunakan di dalam situasi sebagai berikut :

1. Mengenali atau mengidentifikasi dimensi yang mendasari (underlying dimensions) atau faktor, yang menjelaskan korelasi antara suatu set variabel.

2. Mengenali atau mengidentifikasi suatu set variabel baru yang tidak berkorelasi (independent) yang lebih sedikit jumlahnya untuk menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat selanjutnya, misalnya analisis regresi berganda dan analisis diskriminan.

3. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisis multivariat selanjutnya.

Ada tiga fungsi utama analisis faktor, yaitu :

1. Mereduksi banyaknya variabel penelitian dengan tetap mempertahankan sebanyak mungkin informasi data awal. Banyaknya variabel awal dapat dikurangi menjadi beberapa variabel yang jumlahnya lebih sedikit dengan tetap mempertahankan sebagian besar variasi data.

2. Mencari perbedaan kualitatif dan kuantitatif dalam data, dalam situasi dimana terdapat jumlah data yang sangat besar.

3. Data digunakan pula untuk menguji hipotesis tentang perbedaan kualitatif dan kuantitatif dalam data penelitian.

Asumsi dasar dalam menggunakan analisis faktor adalah : 1. Tingginya korelasi antar variabel

Korelasi antar variabel yang kuat dapat diindikasikan oleh nilai determinan matriks korelasi yang mendekati nol. Nilai determinan dari matriks korelasi yang elemen-elemennya menyerupai matriks identitas akan memiliki nilai determinan sama dengan satu. Hal ini dapat diuji dengan Bartlett’s test of sphericity.

2. Indeks perbandingan antara koefisien korelasi dengan korelasi parsial secara keseluruhan adalah kecil.Jika jumlah kuadrat koefisien korelasi parsial untuk seluruh pasangan variabel tidak banyak berbeda, maka ini menunjukkan perbandingan antara koefisien korelasi dengan korelasi parsialnya secara keseluruhan adalah kecil. Perbandingan ini dapat

ANALYSIS OF FACTORS AFFECTING POTATO PRODUCTION (Case Study: Naman Teran District Potato Growers)

ABSTRACT

Factor analysis is a multivariate statistical technique used to reduce / summarize the data, many of the variables that turned into a bit variable. This study is a factor analysis to determine what are the dominant factors that influence the production of potatoes with potato farmers in the district respondents Naman Teran. Based on the research results obtained by three dominant factors that could affect the outcome of the potato production potato Method Maintenance (31,22%), Capital factor (14,77%), factor Fertilization (11,142%). The third factor gives the cumulative proportion of the diversity of 57,132% means that three factors can affect potato production at the time the study was 57,132% and the rest can be influenced by other factors that were not identified by the research model.

DAFTAR ISI

Halaman

Persetujuan i

Pernyataan ii

Penghargaan iii

Abstrak iv

Abstract v

Daftar Isi vi

Daftar Tabel viii

Daftar Gambar ix

Daftar Lampiran x

BAB 1.Pendahuluan 1.1. Latar Belakang 1

1.2. Perumusan Masalah 4

1.3. Batasan Masalah 4

1.4. Tinjauan Pustaka 4

1.5. Tujuan Penelitian 6

1.6. Manfaat Penelitian 7

1.7. Metodologi Penelitian 7

BAB 2. Landasan Teori 2.1. Faktor – Faktor yang mempengaruhi Kentang 9

2.2. Populasi dan Sampel 10

2.3. Teknik Pengumpulan data 11

2.3.1 Data 11

2.3.2. Data Menurut Sifatnya 12

2.3.3. Data Menurut Jenisnya 12

2.3.4. Data menurut cara memperolehnya 12

2.4. Metode Pengambilan Sampel 13

2.5 Teknik Pengukuran Sampel 14

2.6 Uji Dalam Pengolahan Data 15

2.6.1 Uji Validitas 15

2.6.2 Uji Reabilitas 16

2.7 Analisis Faktor 17

2.7.1 Pengertiaan Analisis Faktor 17

2.7.2 Model Analisis Faktor 19

2.7.3 Statistik Yamg Berkaitan Dengan Analisis Faktor 20

BAB 3. Hasil dan Pembahasan 29

3.1. Populasi Sampel dan Teknik Pengambilan Sampel 29

3.2. Variabel Penelitiaan 31

3.3. Sumber Data 32

3.4 Pengolahan Data 32

3.4.1 Input Data Mentah 32

3.4.2 Pensekalaan Data Ordinal Menjadi Interval 33

3.4.3 Uji Validitas Data 36

3.4.4 Uji reabilitas Data 37

3.5 Analisis Data 38

3.5.1 Membentuk Matriks Korelasi 38

3.5.2 Ekstraksi Faktor 43

3.5.3 Menentukan Banyak faktor 46

3.5.4 Melakukan Rotasi Faktor 48

3.5.5 Interpretasi Faktor 50

3.5.6 Ketepatan Model 53

BAB 4. Kesimpulan dan Saran 4.1. Kesimpulan 55

4.2 Saran 56

Daftar Pustaka 57

DAFTAR TABEL

Halaman

Tabel 3.1 Daftar Jumlah Petani Kentang Kecamatan Naman Teran 2011 29

Tabel 3.2.Jumlah Sampel setiap Desa 30 Tabel 3.3 Tabel Data Hasil Kuisioner 33 Tabel 3.4 Pensekalaan Variabel 1 34 Tabel 3.5 Pensekalaan Semua Variabel 35 Tabel 3.6 Uji Validitas Variabel Penelitiaan 36 Tabel 3.7 Contoh Perhitungan korelasi Product Moment 36 Tabel 3.8 Uji reliabilitas Variabel Penelitian 38

Tabel 3.9 Perhitungan Korelasi antara variabel X1 dengan X9 39

Tabel 3.10 Kaiser Mayer Olkin (KMO) dan Barlett’s Test 42

Tabel 3.11 Nilai Mansure Of Sampling Adequecy (MSA) 42

Tabel 3.12 Komunalitas 43

Tabel 3.13 Intial Egen Value 44

Tabel 3.14 Matriks Faktor Sebelum Dirotasi 48

Tabel 3.15 Matriks Faktor Setelah Dirotasi 49

Tabel 3.16 Variabel pendukung Faktor Pertama 52

Tabel 3.17 Variabel pendukung Faktor kedua 52

DAFTAR GAMBAR

Halaman Gambar 2.1 Lanngkah Langkah Dalam Analisis faktor 23 Gambar 3.1 Screen plot 47

DAFTAR LAMPIRAN

Halaman

Lampiran 1 Kuisioner 58

Lampiran 2 Hasil koisioner 60

Lampiran 3 Output SPSS 66

Lampiran 4 Hitung manual 74