adanya kerugian yang diakibatkan oleh variabilitas cuaca diantaranya yaitu merubah pola tanam dengan mengganti jenis tanaman, memperbanyak
penggunaan obat-obatan dan memperbaiki sistem irigasi. Petani di Kabupaten Indramayu dapat dikatakan belum sepenuhnya
memahami dan mengetahui tentang langkah yang seharusnya dilakukan dalam melakukan antisipasi terhadap variabilitas cuaca. Hal ini mengakibatkan banyak
para petani di Indramayu yang mengalami kerugian yang cukup besar. Sehingga diperlukan suatu kajian yang dapat mengidentifikasi faktor-faktor yang
mempengaruhi pendapatan usahatani padi sebagai upaya strategi dan adaptasi terhadap variabilitas cuaca. Pendapatan usahatani tersebut menggunakan
pendapatan yang hilang yang diterima oleh petani padi di Kabupaten Indramayu dikarenakan pada tahun 2014 terjadi puso sebanyak dua kali yaitu saat musim
rendeng dan musim sadon. . Faktor-faktor yang diduga mempengaruhi pengambilan keputusan petani
dianalisis menggunakan model regresi berganda. Variabel independen yang diduga menjadi faktor-faktor yang berpengaruh adalah pengeluaran petani padi
PPT, pendidikan petani PDK, umur tanam padi UMT, musim tanam MSM dan ketinggian lahan KTL. Pengolahan model regresi berganda ini
menggunakan program SPSS 16.0 for Windows.
6.3.1. Analisis Regresi Berganda
Faktor-faktor yang diduga mempengaruhi strategi dan adaptasi petani padi terhadap variabilitas cuaca dapat diketahui dengan menggunakan persamaan
regresi berganda. Hasil faktor-faktor yang mempengaruhi nilai kerugian petani padi pada tahun 2014 dapat dilihat pada Tabel 18 berikut ini.
Tabel 18 Faktor-faktor yang mempengaruhi nilai kerugian petani padi di Kabupaten Indramayu tahun 2014
Model Unstandardized Coefficients
T Sig.
Collinearity Statistics
B Std. Error
Tolerance VIF
Constant 7.810
0.356 21.953
.000 PPT
1.257 0.000
0.435 .664
.810 1.234 PDK
-0.005 0.000
-0.351 .726
.904 1.106
Tabel 18 Faktor-faktor yang mempengaruhi nilai kerugian petani padi di Kabupaten Indramayu tahun 2014 lanjutan
Model Unstandardized Coefficients
T Sig.
Collinearity Statistics
B Std. Error
B UMT
-0.016 0.011
-1.462 .147 .720 1.390
MSM 0.076
0.037 2.056
.043 .709 1.411
KTL -0.262
0.044 -5.924
.000 .751 1.332
R-square : 0.462
Durbin-Watson : 1.618
F : 16.174
Sig : 0.000
Asymp.Sig2-tailed : 0.155
Sumber : Data primer diolah , 2015 Keterangan : : taraf nyata 5
taraf nyata 15
Berdasarkan Tabel 18, persamaan regresi yang dihasilkan dari uji model persamaan respon nilai kerugian petani padi sebagai berikut.
Keterangan : NKP
= Nilai kerugian petani padi Rptahun PPT
= Pengeluaran petani padi Rptahun PDK
= Pendidikan formal petani tahun UMT
= Umur tanam padi hst MSM
= Musim tanam skala: 1=normal, 2=hujan dan banjir, 3=kemarau dan kekeringan, 4=banjir dan kekeringan
KTL = Ketinggian Lahan mdpl
Menurut Sarwono 2013 nilai R square merupakan koefisien determinasi yang menunjukkan besarnya pengaruh variabel bebas terhadap variabel
tergantung. Nilai R square dalam penelitian ini adalah sebesar 46,2 artinya sebesar 46,2 besarnya nilai kerugian petani padi dapat dijelaskan dengan
menggunakan variabel dependent. Sisanya sebesar 53,8 dijelaskan oleh faktor
lain diluar model. Nilai F hitung adalah sebesar 16.174 dengan nilai signifikansinya sebesar 0.000 menunjukkan bahwa variabel dependent dalam
model berpengaruh secara simultan terhadap besarnya pendapatan nilai kerugian petani padi dalam setahun. Taraf nyata yang digunakan adalah taraf nyata 5.
Model regresi linier berganda tidak boleh melanggar uji asumsi klasik dan bersifat BLUE Best Linier Unbias Estimators. Model ini telah diuji dengan
menggunakan uji asumsi klasik yaitu uji normalitas, uji multikolinieritas, uji heteroskedastisitas dan uji autokorelasi. Berikut adalah hasil masing-masing uji
asumsi klasik : 1.
Uji Normalitas Uji normalitas dapat dilakukan dengan menggunakan uji Kolmogorov-
Smirnov. Data dikatakan normal apabila nilai Asymp.Sig.2-tailed lebih besar dari taraf nyata yang digunakan. Pada Tabel 18 nilai Asymp.Sig.2-
tailed sebesar 0.155 atau lebih besar dari taraf nyata 5 sehingga dapat dikatakan bahwa error term data dalam penelitian ini telah terdistribusi
secara normal. 2.
Uji Multikolinieritas Multikolinieritas dapat dilihat dari nilai VIF. Multikoliniertas terjadi
apabila nilai VIF 10. Berdasarkan hasil uji asumsi multikolinieritas terlihat bahwa nilai VIF semua variabel bebas 10 sehingga dalam model
ini tidak terdapat multikolinieritas. 3.
Uji Heteroskesdasitas Salah satu cara mendeteksi heteroskedastisitas adalah dengan melihat
Grafik Scatterplot. Hasil dari Grafik Scatterplot Lampiran 3 menunjukkan bahwa titik-titik menyebar secara acak. Hasil ini
menunjukkan bahwa model dalam penelitian ini tidak mengalami heteroskedastisitas.
4. Uji Autokorelasi
Uji autokorelasi dapat dilakukan dengan menggunakan nilai Durbin- Watson DW. Hasil menunjukkan bahwa nilai DW adalah 1.618. Menurut
Firdaus 2011 nilai DW yang berada diantara selang 1,55-2,46 menunjukkan tidak adanya autokorelasi. Nilai DW yang didapat berada