penerapan teknologi atau pendapatan petani padi sehat. Koefisien dari determinasi dirumuskan sebagai berikut :
R
2
= Jumlah Kuadrat Regresi Jumlah Kuadrat Total
Semakin besar nilai R
2
maka model dugaan tersebut semakin bagus. Interpretasi dari koefisien determinasi ini adalah keragaman penerapan teknologi
atau pendapatan petani padi sehat Y sebesar R
2
dapat dijelaskan oleh model dugaan yang diperoleh, sisanya 1-R
2
dijelaskan oleh komponen eror. Semakin besar nilai R
2
maka semakin kecil nilai erornya. Nilai R
2
atau R square pada hasil SPSS dapat dilihat pada tabel Model Summary.
Setelah uji signifikansi pada model dugaan, selanjutnya dilakukan uji signifikansi variabel independen variabel bebas dengan menggunakan uji-t. Uji-
t ini digunakan untuk menguji secara statistik apakah berpengaruh nyata setiap variabel independen terhadap variabel dependen variabel terikat pada taraf nyata
α yang dapat dilihat pada tabel hasil uji Coefficients. Hipotesis statistik untuk variabel Xi :
H : bi = 0
H
1
: bi 0 Bila t-hitung t-tabel atau probabilitas sig.
≤ α maka variabel independen yang diuji berpengaruh nyata terhadap variabel dependen. Sebaliknya, bila nilai t-
hitung t- tabel atau probabilitas sig. ≥ α maka variabel independen yang diuji
tidak berpengaruh nyata terhadap variabel dependen.
4.4.6. Uji Asumsi Analisis Regresi Berganda
Sebuah model regresi akan digunakan untuk melakukan peramalan, maka model tersebut harus baik dengan kesalahan peramalan yang seminimal mungkin.
Karena itu, sebuah model sebelum digunakan seharusnya memenuhi beberapa asumsi, yang disebut asumsi klasik. Berikut dijelaskan secara singkat asumsi-
asumsi tersebut dan cara pengujiannya dengan SPSS.
Beberapa asumsi klasik yang harus dipenuhi Santoso 2010: 1.
Normalitas Penggunaan model regresi untuk prediksi akan menghasilkan kesalahan
disebut residu, yakni selisih antara data aktual dengan hasil peramalan. Residu yang ada seharusnya berdistribusi normal. Pada SPSS akan digunakan fasilitas
Histogram dan Normal Probability Plot untuk mengetahui kenormalan residu dari model regresi. Model regresi yang memenuhi asumsi normalitas, pada Histogram
data residu eror menunjukkan distribusi normal dengan garis yang berbentuk bel yang menjangkau semua grafik batang dan pada Normal Probability Plot terlihat
sebaran eror berupa titik atau dot berada disekitar garis lurus. 2.
Homoskedastisitas Residu
yang ada
seharusnya mempunyai
varians yang
konstan Homoskedastisitas. Jika varians dari residu tersebut semakin meningkat atau
menurun dengan pola tertentu, hal ini disebut dengan heteroskedastisitas. Pada SPSS adanya heteroskedastisitas dapat dideteksi dengan melihat garifk output
scatter plot. Bila residu yang berbetuk titik atau dot menyebar dan tidak membentuk pola tertentu maka model regresi tidak terdapat heteroskedastisitas.
3. Multikolinieritas
Multikolinieritas adalah variabel-variabel independen berkorelasi satu dengan yang lain. Pada SPSS, hal ini dapat dideteksi dengan melihat korelasi antar
variabel, atau dilihat dari angka VIF Variance Inflation Factor. Jika model regresi mempunyai VIF disekitar angka 1 dan angka TOLERANCE mendekati
angka 1 pada output coefficient, maka tidak ada multikolinieritas. Ada juga yang menyatakan apabila nilai VIF 10 maka disimpulkan terdapat masalah
multikolinier diantara variabel independen Kleinbaum et al. 1988, diacu dalam Harmini 2009.
4. Autokorelasi
Autokorelasi adalah adanya korelasi data waktu ke t dengan waktu sebelumnya. Pada SPSS, hal ini dapat dideteksi dengan angka Durbin Watson h.
Jika h hitung ≥ h tabel maka tidak ada autokorelasi.
4.4.7. Uji statistik Uji Mann Whitney
