Ajibuhara yang paling banyak menanam komoditas kentang dengan jumlah petani 60 KK, sementara 2 desa lainnya Ajimblang dan Ajijulu memiliki petani kentang
di daerah tersebut tidak mencapai 50 KK. Sehingga ditentukanlah sampel dalam penelitian ini di Desa Ajibuhara secara sensus, yaitu 60 KK.
3.3. Metode Pengumpulan Data
Data yang akan dikumpulkan dalam penelitian ini adalah data primer yang diperoleh dengan cara wawancara kepada petani yang menjadi sampel secara
langsung dengan menggunakan kuesioner yang telah disiapkan. Data primer yang digunakan antara lain meliputi: data penggunaan faktor produksi usaha tani
kentang, dan jumlah produksi dalam satu kali musim tanam kentang.
3.4. Metode Analisis Data
Data-data yang diperoleh dari data primer diolah dan dianalisis dengan metode kuantitatif. Analisis kuantitatif digunakan untuk mengidentifikasi faktor-faktor yang
berpengaruh terhadap produksi dan efisiensi produksi ubi jalar di Desa Ajibuhara. Data yang dikumpulkan diolah dengan menggunakan program SPSS 16 dan Frontier
4.1. ProgramFrontier versi 4.1 digunakan untuk mendapatkan estimasi nilai parameter dari maximum-likelihood untuk model fungsi produksi stochastic frontier.
Berikut bagan dalam menganalisis data dalam penelitian ini :
Universitas Sumatera Utara
Keterangan : Y = produksi
C = total biaya produksi X1-X6 = faktor produksi secara berturut-turut : bibit, pupuk alami, pupuk kimia,
insektisida, fungisida, tenaga kerja P1-P6 = harga tiap faktor produksi secara berturut-turut : bibit, pupuk alami,
pupuk kimia, insektisida, fungisida, tenaga kerja
Gambar 3.4. Bagan Metode Analisis Data
Ln Y= lnbo + b1lnx1+ b2lnx2 + b3lnx3 +b4lnx4 +b5lnx5 + b6lnx6
Ln C= ln Y + d1lnP1+ d2lnP2 + d3lnP3 +d4lnP4 +d5lnP5 + d6lnP6
B1,b2,b3,b4,b5,b6 diestimasi dengan
OLS
Frontier Production Function
B1,b2,b3,b4,b5,b6 diestimasi dengan
MLE
Mean Efficiency
d1,d2,d3,d4,d5,d6 diestimasi dengan
OLS
B1,b2,b3,b4,b5,b6 diestimasi dengan
MLE
Frontier Cost Function
Mean Efficiency
Efisiensi Teknik
Efisiensi Harga
Efisiensi Ekonomis
Universitas Sumatera Utara
3.4.1. Uji Linearitas
Uji linearitas merupakan salah satu uji persyaratan analisis atau uji asumsi statistik yang bertujuan untuk mengetahui apakah dua variabel mempunyai
hubungan yang linear atau tidak secara signifikan. Uji ini biasanya digunakan
sebagai prasyarat dalam analisis regresi linear Anonimous, 2013 3.4.2.
Uji Asumsi Klasik
Menurut Gujarati 2003 dalam Widyananto 2010, sebelum dilakukan estimasi model regresi berganda, data yang digunakan harus dipastikan terbebas dari
penyimpangan asumsi klasik untuk multikolinearitas, heteroskesdasitas, dan autokorelasi. Uji klasik ini dapat dikatakan sebagai kriteria ekonometrika untuk
melihat apakah hasil estimasi memenuhi dasar linear klasik atau tidak. Dengan terpenuhinya asumsi asumsi klasik ini maka estimator OLS dari koefisien regresi
adalah penaksir tak bias linear terbaik Best Linear Unbiazed Estimator. Setelah data dipastikan bebas dari penyimpangan asumsi klasik, maka dilanjutkan dengan
uji hipotesis dan kemudian dilakukan uji efisiensi sehingga tujuan penelitian yang kedua dapat terjawab, yakni untuk menghitung tingkat efisiensi teknis
penggunaan faktor produksi pada usahatani.
Persamaan yang diperoleh dari sebuah estimasi dapat dioperasikan secara statistik jika memenuhi asumsi klasik, yaitu memenuhi asumsi bebas multikolinearitas,
heteroskedastisitas, dan autokorelasi. Pengujian asumsi klasik ini dilakukan dengan bantuan software SPSS 16.0 for Windows.
Universitas Sumatera Utara
a. Multikolearitas
Menurut Gujarati 2003 dalam Widyananto 2010 multikolinearitas berarti ada hubungan linear korelasi yang sempurna atau pasti, diantara beberapa atau
semua variabel yang menjelaskan dari model regresi. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Untuk mendeteksi
ada tidaknya multikolinearitas di dalam model regresi adalah sebagai berikut:
1. Menganalisis matrik korelasi variabel-variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi umumnya di atas 0,90, maka hal ini
merupakan indikasi adanya multikolinearitas.
2. Multikolinearitas dapat juga dilihat dari 1 nilai tolerance dan lawannya 2 variance inflation factor VIF. Kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi variabel dependen dan
diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen
lainnya. Jadi nilai tolerance yang rendah sama dengan nilai nilai VIF yang tinggi karena VIF = 1tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan
adanya multikolinearitas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10 Widyananto, 2010
b. Heteroskedastisitas
Imam Ghozali 2005
dalam Widyananto 2010 menyatakan uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Universitas Sumatera Utara
Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskesdastisitas dan jika berbeda disebut heteroskesdastisitas. Model
regresi yang baik adalah yang homoskesdastisitas atau tidak terjadi heteroskedastisitas. Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas
yaitu dengan melihat grafik scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya
heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot dimana sumbu Y adalah Y yang telah diprediksi, dan
sumbu X adalah residual Y prediksi ─ Y sesungguhnya yang telah di-studentized.
Dasar analisis : a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang
teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskodastisitas.
b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas Widyananto, 2010
c. Autokorelasi