Tabel 3. Model Tabel dalam Pemberian Tingkat dalam Karakteristik Individu dan Keberhasilan Kinerja Penyuluh
Tingkat Keberhasilan
Kinerja Rentang
Jumlah Presentase
Tinggi X
n
1
n
1 1
N Sedang
X n
3
n
3 3
Rendah N
X n
4
n
4 4
Jumlah N
Jumlah Sampel N
Sumber : data primer diolah
3.4. Metode Analisis Data
Metode analisis yang digunakan di dalam penelitian ini adalah : 1. Analisis univariat
Analisis univariat dilakukan untuk mendapatkan data tentang distribusi frekuensi responden dari masing-masing variabel, kemudian data tersebut
disajikan dalam bentuk tabel distribusi frekuensi dan dilakukan pengelompokan pada masing-masing variabel penelitian yang terdiri atas data karakteristik
individu penyuluh dan keberhasilan kinerja penyuluh. 2. Analisis bivariat
Analisis bivariat adalah analisis statistik yang dapat digunakan dalam mencari faktor-faktor yang berhubungan antara keberhasilan kinerja penyuluh
terhadap karakteristik individu penyuluh yang menggunakan Uji Chi-square pada tingkat kepercayaan 95 α=5. Adapun rumus yang digunakan untuk
menghitung chi-square X
2
�
2
=
�0−�� ��
X mengikuti rumus dalam Pramesti 2009 yaitu rumus
yang digunakan untuk mencari frekuensi teoritis adalah sebagai berikut :
2
Fo : Frekuensi yang diobeservasi frekuensi empiris : Nilai Chi-quadrat
Universitas Sumatera Utara
Fe : frekuensi yang diharapkan Rumus yang digunakan untuk mencari frekuensi teoritis Fe adalah
sebagai berikut : �� =
∑ �� � ∑ �� ∑ �
Fe : frekuensi yang diharapkan
∑ �� : jumlah frekuensi pada kolom ∑ �� : jumlah frekuensi pada baris
∑ � : jumlah keseluruhan baris atau kolom
Penyusunan hipotesis adalah sebagai berikut ini : H
a
H : Terdapat hubungan yang signifikan antara keberhasilan kinerja dengan
karakteristik penyuluh di Kabupaten Mandailing Natal.
Kaidah pengambilan keputusan : : Tidak terdapat hubungan yang signifikan antara keberhasilan kinerja dengan
karakteristik penyuluh di Kabupaten Mandailing Natal.
- Jika α = 0,05 lebih kecil atau sama dengan nilai Asymp.sig, maka H
diterima dan H
a
- Jika α = 0,05 lebih besar atau sama dengan nilai Asymp.sig, maka H
ditolak.
a
diterima dan H
3. Analisis multivariat ditolak.
Analisis ini dilakukan untuk mengetahui variabel independen yang paling dominan terhadap variabel dependen dengan menggunakan uji regresi liniear
berganda dengan menggunakan metode backward. Bentuk umum dari persamaan regresi pada penelitian ini dapat ditulis sebagai berikut :
� = β + β
1
�
�
+ β
2
�
�
+ β
3
�
�
+ β
4
�
�
+ β
dimana :
5
�
�
+ µ
β = konstanta
Universitas Sumatera Utara
β ,…, β
5
Y = nilai kinerja secara keseluruhan
= nilai masing-masing variabel
X
1
X = tingkat pendidikan tahun
2
X = gaji Rp.
3
X = umur tahun
4
X = masa kerja tahun
5
µ = error term
= jumlah petani binaan orang
Pendugaan model regresi terbaik digunakan dengan menggunakan model regresi langkah mundur backward, di dalam penelitian ini pendugaan dilakukan
dengan menggunakan SPSS. Eliminasi langkah mundur backward dimulai dengan regresi terbesar dengan menggunakan semua variabel X
i
, dan secara bertahap mengurangi banyaknya variabel dalam persamaan samapai suatu
keputusan dicapai untuk menggunakan persamaan yang diperoleh dengan jumlah variabel tertentu. Metode ini merupakan metode regresi yang baik karena metode
ini dijelaskan variabel respon dengan sebaik-baiknya dengan memilih variabel penjelas Desrina, dkk, 2013.
3.5 Uji Penyimpangan Asumsi Klasik
Uji asumsi klasik yang digunakan pada penelitian ini adalah uji normalitas, autokorelasi dan uji multikolinearitas. Uji ini dilakukan untuk
mendapatkan model regresi yang BLUE Best Linear Unbiased Predicted sehingga persamaan regresi yang dihasilkan dapat dipertanggung jawabkan
kebenarannya.
Universitas Sumatera Utara
1. Uji Normalitas Uji normalitas atau kenormalan digunakan untuk mendeteksi apakah
distribusi variabel-variabel bebas dan terikat adalah normal. Menurut Yusuf 2003 normalitas dapat dideteksi dengan melihat sebaran data titik pada sumbu
diagonal dari grafik Normal P-Plot of Regression Standarized Residual. Suatu model dikatakan memenuhi asumsi normalitas apabila data menyebar disekitar
garis diagonal dan mengikuti arah garis diagonal.
Bertujuan untuk menguji model regresi, variabel pengganggu atau residual yang memiliki distribusi normal. Kalau asumsi ini dilanggar maka uji statistic
menjadi tidak valid untuk jumlah sampel kecil. Dasar pengambil keputusan : • Jika grafik histogram memberikan pola distribusi yang menceng skewness ke
kiri atau ke kanan, maka model regresi tidak memenuhi asumsi normalitas • Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal
atau grafik histrogramnya menunjukkan pola distribusi normal model regresi memiliki normalitas
• Jika data menyebar jauh dari diagonal dan atau tidak mengikuti pola distribusi normal, maka model regresi tidak memenuhi normalitas
• Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histrogramnya menunjukkan pola distribusi normal model regresi
memiliki asumsi normalitas. 2. Uji multikolinieritas
Untuk mengetahui ada tidaknya multikolinearitas antar variabel bebas dengan melihat nilai Variance Inflation Factor VIF dan Tolerance dari masing-
Universitas Sumatera Utara
masing variabel bebas terhadap variabel terikat. Yang baik adalah tidak terjadi korelasi yang biasa disebut non multikolinearitas. Menurut Sarwono 2006
pedoman untuk mendeteksi multikolinearitas adalah : a. Besar VIF Variance Inflation Factor dan Tolerance
- Mempunyai Nilai VIF ± 1 - Mempunyai angka Tolerance ± 1
- Atau Tolerance = 1VIF dan VIF = 1Tolerance - Dan apabila Nilai VIF 10 dipastikan terjadi Multikolinearitas
Untuk menilai VIF dan Tolerance dilihat pada tabel Coefficients
.
3. Uji autokorelasi Uji Autokorelasi digunakan untuk menguji apakah dalam sebuah model
regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Asumsi dalam autokorelasi
adalah: Er u
i
u
j
= o atau Con u
i
u
j
Untuk menguji Autokorelasi dapat dilihat dari nilai Durbin Waston DW, yaitu jika nilai DW terletak antara du dan 4 – dU atau du
≤ DW ≤ 4 – dU berarti bebas dari Autokorelasi, sebaliknya jika nilai DW dL atau DW 4 – dL
berarti terdapat Autokorelasi. Nilai dL dan dU dapat dilihat pada tabel Durbin Watson, yaitu nilai dL ; dU ; α ; n ; k – 1 dimana n adalah jumlah sampel, k
adalah jumlah variabel, dan α adalah taraf signifikan. Sarwoko, 2005. = 0 i tidak sama dengan j
Universitas Sumatera Utara
3.6. Defenisi dan Batasan Operasional
