analisis faktor produksi jagung di
I. DATA DAN SUMBER DATA
A. Data Mentah
Data diperoleh dari tesis dengan judul “ANALISIS FAKTOR-FAKTOR
YANG MEMPENGARUHI PRODUKSI JAGUNG DI KECAMATAN
WIROSARI KABUPATEN GROBOGAN” yang ditulis oleh bapak Riyadi.
Data ini dianalisis menggunakan analisis regresi sederhana dan diuji masalah
multikolinier, heterokedastis, dan autokorelasi. Berikut ini merupakan data
yang didapat dari skripsi :
Tabel 1. Data Mentah Skripsi
No
Output (kg)
Luas
lahan (Ha)
Tenaga Kerja
(HOK)
Bibit (kg)
Urea
(Kg)
KCL (kg)
Pestisida (MI)
1
4500
0.2
95
9
200
35
300
2
4400
1.1
100
2
225
40
400
3
3800
0.8
80
8
150
25
350
4
4600
0.1
95
11
190
445
350
5
2000
0.5
75
2
80
15
100
6
2400
0.55
75
4
70
20
200
7
4000
0.5
76
6
75
25
400
8
3300
0.65
76
7
100
25
200
9
5700
1
95
12
21
35
400
10
2200
0.5
75
5
90
30
100
11
2700
0.5
76
6
100
15
400
12
1200
0.2
57
3
50
20
310
13
5200
1
94
11
70
35
300
14
2300
0.2
75
10
100
15
200
15
3500
1
100
10
225
40
390
16
4000
0.9
94
10
200
30
360
17
2400
0.6
50
5
100
25
200
18
3500
0.8
76
7
180
10
225
19
2800
0.5
60
6
100
10
200
20
2900
0.6
75
2
150
25
210
21
2300
0.2
50
5
50
20
210
22
4500
1.1
100
11
225
45
400
23
2800
0.5
70
6
100
20
200
24
4800
1
94
7
190
40
310
25
2200
0.5
75
4
100
20
150
26
3800
0.8
80
8
150
35
300
27
4300
1
50
7
200
45
400
28
5000
1
113
12
225
30
350
29
4000
0.8
86
9
150
35
350
30
500
0.5
60
4
125
25
210
31
1000
0.3
96
2
60
40
400
32
4500
0.1
95
2
200
35
400
33
2400
0.5
7
5
100
20
180
34
1000
0.2
95
7
25
35
400
35
4500
1
100
11
60
40
310
36
2800
0.6
60
6
110
25
200
37
2800
0.5
76
2
60
20
200
38
2400
0.5
60
4
100
20
200
39
5800
2.5
110
12
200
67
400
40
3400
0.8
80
9
100
35
300
41
2900
0.65
76
6
110
25
210
42
1400
0.25
30
3
50
10
80
43
4200
1
94
7
120
40
350
B. Sumber Data
Data primer diperoleh melalui wawancara dengan petani jagung
dengan menggunakan daftar pertanyaan atau kuesioner. Datadata primer yang diperoleh antara lain: jumlah produksi jagung
pipilan, jumlah tenaga kerja, jumlah bibit, jumlah pupuk Urea,
jumlah pupuk TSP, jumlah pupuk KCl, dan jumlah pestisida.
Jumlah produksi atau output jagung pipilan kering diukur dalam
satuan kilogram, luas lahan diukur dalam satuan hektar, jumlah
tenaga kerja diukur dalam satuan hari orang kerja (HOK), jumlah
bibit diukur dalam satuan kilogram, jumlah pupuk Urea diukur
dalam satuan kilogram, pupuk TSP dalam satuan kilogram,
jumlah pupuk KCL diukur dalam satuan kilogram, jumlah
pestisida diukur dalam satuan mililiter.
Sedangkan data sekunder adalah data yang diperoleh dari
sumber lain yang sudah ada sebelumnya dan diolah kemudian
disajikan baik dalam berbagai bentuk antara lain laporan
penelitian, karya tulis dan sebagainya. Data sekunder yang
diperoleh berasal dari berbagai instansi antara lain Badan Pusat
Statistik Jawa Tengah dan Kabupaten Grobogan, Dinas Pertanian
Tanaman Pangan Provinsi Jawa Tengah, Dinas Pertanian dan
Perkebunan Kabupaten Grobogan.
II. TUJUAN PENELITIAN
Analisis ini dilakukan dengan tujuan sebagai berikut :
1. Mengetahui masalah multikolinearitas yang terjadi pada data analisis
penggunaan faktor-faktor produksi pada usahatani jagung.
2. Mengetahui masalah heterokedastis yang terjadi pada data analisis penggunaan
faktor-faktor produksi pada usahatani jagung.
3. Mengetahui masalah autokolinearitas yang terjadi pada data analisis
penggunaan faktor-faktor produksi pada usahatani jagung.
4. Mengetahui cara menagatasi masalah multikolinearitas, heterokedastis, dan
autokolinearitas yang terjadi pada data analisis penggunaan faktor-faktor
produksi pada usahatani jagung.
III. TEORI RINGKAS, MODEL, DAN HIPOTESIS
A. Teori Ringkas
Pengertian produksi adalah hasil akhir dari proses atau aktivitas ekonomi
dengan memanfaatkan beberapa masukan atau input. Dengan pengertian ini
dapat dipahami bahwa kegiatan
produksi adalah mengkombinasi berbagai input atau masukan untuk
menghasilkan output.
Hubungan teknis antara input dan output tersebut dalam bentuk persamaan,
tabel atau grafik merupakan fungsi produksi (Salvatore, 1994), Jadi, fungsi
produksi adalah suatu persamaan yang
menunjukkan jumlah maksimum output yang dihasilkan dengan kombinasi
input tertentu (Ferguson dan Gould, 1975).
Hubungan antara jumlah output (Q) dengan sejumlah input yang digunakan
dalam proses produksi (X1, X2, X3, ……Xn) secara matematis dapat ditulis
sebagai berikut: Q = f (X1 X2 X3............. Xn) (2.1)
Keterangan:
Q = output
X = input
Berdasarkan fungsi produksi di atas maka akan dapat diketahui hubungan
antara input dengan output, dan juga akan dapat diketahui hubungan antar
input itu sendiri.
Apabila input yang dipergunakan dalam proses produksi hanya terdiri atas
modal (K) dan
tenaga kerja (L) maka fungsi produksi yang dimaksud dapat diformulasikan
menjadi:
Q = f (K, L)
Keterangan:
Q = output
K = input modal
L = input tenaga kerja
Fungsi produksi di atas menunjukkan maksimum output yang dapat
diproduksi dengan
menggunakan kombinasi alternatif dari modal (K) dan tenaga kerja (L)
(Nicholson, 1995).
Pada analisis ini dilakukan untuk melihat masalah multikolinearitas,
heterokedastis, dan autokorelasi pada data. Beberapa jenis asumsi klasik
adalah:
a. Multikolinearitas
Multikolinearitas merupakan salah satu asumsi dari model regresi linear
klasik. Multikolinearitas adalah keadaan di mana pada model regresi
ditemukan adanya korelasi yang sempurna atau mendekati sempurna
antarvariabel independen. Model regresi yang baik seharusnya tidak
terjadi korelasi yang sempurna atau mendekati sempurna di antara variabel
bebas.
Ada beberapa hal yang menyebabkan multikolinearitas, yaitu metode
pengumpulan data yang digunakan, adanya constraint pada model, atau
populasi yang dijadikan sampel. Multikolinearitas dapat dilihat dari nilai
tolerance dan lawannya serta nilai variance inflation factor (VIF). Dua
ukuran ini menunjukkan variabel independen manakah yang dijelaskan
oleh variabel independen lainnya. Tolerance mengukur variabilitas
variabel independen terpilih yang tidak dijelaskan oleh variabel
independen lainnya. Jadi nilai tolerance rendah sama dengan nilai VIF
tinggi, karena VIF= 1/tolerance. Nilai cut-off umum yang dipakai untuk
menunjukkan adanya multikolinearitas adalah tolerance 10.
b. Heteroskedastisitas
Heteroskedastisitas adalah keadaan di mana dalam model regresi terjadi
ketidaksamaan varian dari residual pada satu pengamatan ke pengamatan
lainnya (Priyatno, 2012). Heteroskedastisitas dapat dideteksi dengan cara
informal maupun formal. Metode informal biasanya dilakukan dengan
melihat grafik plot dari nilai prediksi variabel independen (ZPRED)
dengan residualnya (SRESID). Variabel dinyatakan tidak terjadi
heteroskedastisitas jika tidak terdapat pola yang jelas dan titik-titik
menyebar di atas dan di bawah angka nol pada sumbu Y. Cara formal
yang dapat dilakukan untuk mendeteksi heteroskedastisitas adalah dengan
Metode Park, Metode Glejser, Metode Korelasi Spearman atau Metode
White (Widarjono, 2009).
c. Koefisien Determinasi (R2)
Koefisien determinasi (R2) digunakan untuk mengetahui sampai sejauh
mana ketepatan atau kecocokkan garis regresi yang terbentuk dalam
mewakili kelompok data hasil observasi. Koefisien determinasi
menggambarkan bagian dari variasi total yang dapat diterangkan oleh
model. Semakin besar nilai R2 (mendekati 1), maka ketepatannya semakin
baik. Sifat yang dimiliki koefisien determinasi adalah:
1) Nilai R2 selalu positif karena merupakan nisbah dari jumlah kuadrat.
2) Nilai 0 < R2 < 1
R2 = 0, berarti tidak ada hubungan antara X dan Y, atau model regresi yang
terbentuk tidak tepat untuk meramalkan Y.
R2 = 1, garis regresi yang terbentuk dapat meramalkan Y secara sempurna
(Priyatno, 2009).
Model regresi linier dapat dikatakan sebagai model yang baik jika model
tersebut memenuhi beberapa asumsi yang disebut dengan asumsi klasik.
Apabila nilai asumsi klasik terpenuhi, maka metode estimasi penaksir
linear kuadrat terkecil (Ordinary Least Square (OLS)) akan menghasilkan
Unbiased Linear Estimator dan memiliki varian minimum yang sering
disebut dengan BLUE (Best Linear Unbiased Estimator) (Ghozali, 2009).
B. Model
Regresi merupakan metode estimasi utama di dalam ekonometrika.
Analisis regresi yang menjelaskan hubungan antara vaniabel dependen
dan variabel independen berkaitan erat dengan hubungan yang bersifat
statistik, bukan hubungan yang pasti. Di dalam statistika hubungan yang
tidak pasti ini disebut hubungan yang acak (random) atau stokastik
(stochastic). Hubungan ini mencerminkan perilaku ekonomi (Munawir,
2004).
Model regresi sederhana dilakukan jika bermaksud meramalkan
bagaimana keadaan (naik turunnya) variabel dependen (kriterium), bila
ada satu variabel independen sebagai prediktor dimanipulasi (dinaik
turunkan nilainya). Persamaan yang diperoleh dari regresi sederhana
adalah Y = β0 + β1 X + µ (Nachhrowi, 2006).
Analisis Regresi Linear Berganda adalah hubungan secara linier antara
dua atau lebih variabel independen (X1, X2,...Xn) dengan variabel
dependen (Y). Analisis ini untuk mengetahui arah hubungan antara
variabel independen dengan variabel dependen apakah masing-masing
variabel independen berhubungan positif atau negatif dan untuk
memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan. Persamaan regresi
linear berganda sebagai berikut:
Y’ = a + b1X1+ b2X2+…..+ bnXn
Keterangan:
Y
= Variabel dependen (nilai yang diprediksikan)
X1 dan X2
= Variabel independen
a
= Konstanta
b
= Koefisien regresi (nilai peningkatan ataupun
penurunan)
(Rudianto, 2008).
Model yang dipakai pada penelitian ini yaitu model analisis regresi
berganda, karena terdapat 6 variabel independent. Model yang diapakai
yaitu sebagai berikut:
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + µ
Keterangan :
Y
= Produksi
X1
= Luas lahan
X2
= Tenaga kerja
X3
= Bibit
X4
= Pupuk Urea
X5
= Pupuk KCL
X6
= Fungisida
C. Hipotesis
Berdasarkan kerangka pemikiran, maka hipotesis yang diajukan
dalam penelitian ini adalah :
1.
Diduga penggunaan faktor-faktor produksi pada usahatani jagung
di Kecamatan Wirosari Kabupaten Grobogan adalah bibit, luas
lahan, tenaga kerja, pupuk urea, kcl, pestisida.
IV. DATA SIAP OLAH
Data siap olah yang sudah diketik ulang diambil dari skripsi yang berjudul
“Analisis Efisiensi Penggunaan Faktor-Faktor Produksi Pada Usahatani Jagung di
Kecamatan Worosari Kabupaten Grobogan”. Data ini telah mendapatkan
persutujuan dari pihak asisten dosen pada tanggal 31 Agustus 2017. Berikut
adalah data yang siap diolah
Tabel 1. Data Siap Olah
No
Output (kg)
1
2
3
4
5
6
7
8
9
10
11
Tenaga
Kerja
(HOK)
Luas lahan
(Ha)
Bibit (kg)
Urea (Kg)
KCL (kg)
Pestisida
(MI)
8.411832676
-1.609437912
4.553876892
2.197224577
5.29831737
3.555348061
5.703782475
8.38935982
0.09531018
4.605170186
0.693147181
5.4161004
3.688879454
5.991464547
8.242756346
-0.223143551
4.382026635
2.079441542
5.01063529
3.218875825
5.857933154
8.433811582
-2.302585093
4.553876892
2.397895273
5.24702407
6.098074282
5.857933154
7.60090246
-0.693147181
4.317488114
0.693147181
4.38202663
2.708050201
4.605170186
7.783224016
-0.597837001
4.317488114
1.386294361
4.24849524
2.995732274
5.298317367
8.29404964
-0.693147181
4.33073334
1.791759469
4.31748811
3.218875825
5.991464547
8.101677747
-0.430782916
4.33073334
1.945910149
4.60517019
3.218875825
5.298317367
8.648221454
0
4.553876892
2.48490665
3.04452244
3.555348061
5.991464547
7.696212639
-0.693147181
4.317488114
1.609437912
4.49980967
3.401197382
4.605170186
7.901007052
-0.693147181
4.33073334
1.791759469
4.60517019
2.708050201
5.991464547
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
7.090076836
-1.609437912
4.043051268
1.098612289
3.91202301
2.995732274
5.736572297
8.556413905
0
4.543294782
2.397895273
4.24849524
3.555348061
5.703782475
7.740664402
-1.609437912
4.317488114
2.302585093
4.60517019
2.708050201
5.298317367
8.160518247
0
4.605170186
2.302585093
5.4161004
3.688879454
5.966146739
8.29404964
-0.105360516
4.543294782
2.302585093
5.29831737
3.401197382
5.886104031
7.783224016
-0.510825624
3.912023005
1.609437912
4.60517019
3.218875825
5.298317367
8.160518247
-0.223143551
4.33073334
1.945910149
5.19295685
2.302585093
5.416100402
7.937374696
-0.693147181
4.094344562
1.791759469
4.60517019
2.302585093
5.298317367
7.972466016
-0.510825624
4.317488114
0.693147181
5.01063529
3.218875825
5.347107531
7.740664402
-1.609437912
3.912023005
1.609437912
3.91202301
2.995732274
5.347107531
8.411832676
0.09531018
4.605170186
2.397895273
5.4161004
3.80666249
5.991464547
7.937374696
-0.693147181
4.248495242
1.791759469
4.60517019
2.995732274
5.298317367
8.476371197
0
4.543294782
1.945910149
5.24702407
3.688879454
5.736572297
7.696212639
-0.693147181
4.317488114
1.386294361
4.60517019
2.995732274
5.010635294
8.242756346
-0.223143551
4.382026635
2.079441542
5.01063529
3.555348061
5.703782475
8.366370302
0
3.912023005
1.945910149
5.29831737
3.80666249
5.991464547
8.517193191
0
4.727387819
2.48490665
5.4161004
3.401197382
5.857933154
8.29404964
-0.223143551
4.454347296
2.197224577
5.01063529
3.555348061
5.857933154
6.214608098
-0.693147181
4.094344562
1.386294361
4.82831374
3.218875825
5.347107531
6.907755279
-1.203972804
4.564348191
0.693147181
4.09434456
3.688879454
5.991464547
8.411832676
-2.302585093
4.553876892
0.693147181
5.29831737
3.555348061
5.991464547
7.783224016
-0.693147181
1.945910149
1.609437912
4.60517019
2.995732274
5.192956851
6.907755279
-1.609437912
4.553876892
1.945910149
3.21887582
3.555348061
5.991464547
8.411832676
0
4.605170186
2.397895273
4.09434456
3.688879454
5.736572297
7.937374696
-0.510825624
4.094344562
1.791759469
4.70048037
3.218875825
5.298317367
7.937374696
-0.693147181
4.33073334
0.693147181
4.09434456
2.995732274
5.298317367
7.783224016
-0.693147181
4.094344562
1.386294361
4.60517019
2.995732274
5.298317367
8.665613197
0.916290732
4.700480366
2.48490665
5.29831737
4.204692619
5.991464547
8.131530711
-0.223143551
4.382026635
2.197224577
4.60517019
3.555348061
5.703782475
7.972466016
-0.430782916
4.33073334
1.791759469
4.70048037
3.218875825
5.347107531
7.244227516
-1.386294361
3.401197382
1.098612289
3.91202301
2.302585093
4.382026635
8.342839804
0
4.543294782
1.945910149
4.78749174
3.688879454
5.857933154
Berdasarkan persetujuan dari pihak asisten dosen, data diatas mengalami
perubahan dari data yang awal
V. HASIL OLAH DATA
Data yang siap diolah kemudian diregresi menggunakan SPSS sehingga didapat
hasil
Uji R Square
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT y
/METHOD=ENTER x1 x2 x3 x4 x5 x6.
Regression
Notes
Output Created
02-Jan-2018 16:13:49
Comments
Input
Active Dataset
DataSet0
Filter
Weight
Split File
N of Rows in Working
Data File
Missing Value
Handling
Definition of Missing User-defined missing values
are treated as missing.
Cases Used
Syntax
Resources
Statistics are based on
cases with no missing
values for any variable
used.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA CHANGE
/CRITERIA=PIN(.05)
POUT(.10)
/NOORIGIN
/DEPENDENT y
/METHOD=ENTER x1 x2 x3
x4 x5 x6.
Processor Time
00:00:00.047
Elapsed Time
00:00:00.031
Memory Required
Additional Memory
Required for
Residual Plots
[DataSet0]
43
3068 bytes
0 bytes
Variables Entered/Removedb
Variables
Entered
Model
1
Variables
Removed
x6, luas
lahan , urea,
tenaga kerja ,
bibit, kcl a
Method
. Enter
a. All requested variables entered.
b. Dependent Variable: produksi
Model Summary
Mo
del
1
R
Std.
Change Statistics
Error of
R
Adjuste
the
R
F
Squar
dR
Estimat Square Chan
Sig. F
e
Square
e
Change ge
df1 df2 Change
.688a
.474
.386 .40199
.474 5.402
6
36
.000
a. Predictors: (Constant), x6, luas lahan ,
urea, tenaga kerja , bibit, kcl
ANOVAb
Sum of
Squares
Model
1
Mean
Square
df
Regression
5.237
6
.873
Residual
5.817
36
.162
11.055
42
Total
F
5.402
a. Predictors: (Constant), x6, luas lahan , urea, tenaga kerja ,
bibit, kcl
b. Dependent Variable:
produksi
Sig.
.000a
Coefficientsa
Unstandardized
Coefficients
Model
1
B
Std. Error
(Constant)
5.139
1.016
luas lahan
.179
.106
tenaga
kerja
.098
bibit
Standardize
d
Coefficients
Beta
t
Sig.
5.057
.000
.236
1.695
.099
.160
.085
.610
.545
.252
.130
.278
1.944
.060
urea
.230
.119
.256
1.929
.062
kcl
.097
.132
.115
.738
.465
x6
.126
.196
.102
.642
.525
a. Dependent Variable: produksi
Dari datas di atas akan dilakukan uji asumsi klasik yaitu uji multikolinier, uji
heteroskedastis, dan uji autokorelasi.
A. Uji Multikolinearitas ;
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5 X6.
Regression
Notes
Output Created
02-Jan-2018 16:01:16
Comments
Input
Active Dataset
DataSet0
Filter
Weight
Split File
N of Rows in Working
Data File
Missing Value
Handling
Definition of Missing User-defined missing values
are treated as missing.
Cases Used
Syntax
Resources
Statistics are based on
cases with no missing
values for any variable used.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA COLLIN TOL CHANGE
/CRITERIA=PIN(.05)
POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3
X4 X5 X6.
Processor Time
00:00:00.078
Elapsed Time
00:00:00.095
Memory Required
Additional Memory
Required for
Residual Plots
[DataSet0]
43
3068 bytes
0 bytes
Variables Entered/Removedb
Variables
Entered
Model
1
Variables
Removed
X6, luas
lahan, urea,
tenaga kerja ,
bibit , KCLa
Method
. Enter
a. All requested variables entered.
b. Dependent Variable: Produksi
Model Summary
Mo
del
1
R
Std.
Change Statistics
Error of
R
Adjuste
the
R
F
Squar
dR
Estimat Square Chan
Sig. F
e
Square
e
Change ge
df1 df2 Change
.688a
.474
.386 .40199
.474 5.402
6
36
.000
a. Predictors: (Constant), X6, luas lahan,
urea, tenaga kerja , bibit , KCL
ANOVAb
Sum of
Squares
Model
1
Mean
Square
df
Regression
5.237
6
.873
Residual
5.817
36
.162
11.055
42
Total
F
5.402
a. Predictors: (Constant), X6, luas lahan, urea, tenaga kerja ,
bibit , KCL
b. Dependent Variable:
Produksi
Sig.
.000a
Coefficientsa
Unstandardized
Coefficients
Model
1
Std.
Error
B
(Consta
nt)
Standard
ized
Coefficie
nts
Beta
Collinearity
Statistics
t
Toleran
ce
Sig.
VIF
5.139
1.016
5.057
.000
luas
lahan
.179
.106
.236 1.695
.099
.757 1.322
tenaga
kerja
.098
.160
.085
.610
.545
.746 1.340
bibit
.252
.130
.278 1.944
.060
.717 1.395
Urea
.230
.119
.256 1.929
.062
.831 1.204
KCL
.097
.132
.115
.738
.465
.604 1.655
X6
.126
.196
.102
.642
.525
.584 1.712
a. Dependent Variable: Produksi
Collinearity Diagnosticsa
Di
Variance Proportions
me
Mo nsi Eigenv Conditio (Const luas tenaga
del on
alue n Index ant) lahan kerja bibit urea
1
KCL
X6
1
6.355
1.000
.00
.01
.00
.00
.00
.00
.00
2
.551
3.395
.00
.68
.00
.01
.00
.00
.00
3
.058 10.473
.00
.14
.01
.87
.02
.00
.00
4
.019 18.461
.02
.02
.01
.08
.02
.83
.00
5
.011 24.576
.00
.03
.22
.01
.72
.00
.01
6
.005 36.237
.18
.07
.76
.01
.19
.01
.14
7
.002 56.331
.79
.06
.00
.01
.05
.16
.84
a. Dependent Variable:
Produksi
Dari teori yang sudah dijelaskan dan dipelajari di perkuliahan bahwa melihat
ada atau tidak multikolinearitas salah satunya dengan melihat nilai variance
inflaction factor (VIF), dimana nilai VIF>10 berarti terdapat masalah
multikolinearitas. Pada data analisis ini diketahui bahwa data tidak terkena
masalah multikolinearitas karena VIF semua varibel bebas kuarng dari 10
B. Uji Heteroskedastis
Uji Heteroskedastisitas adalah masalah dalam analisis regresi yang diakibatkan
oleh varians µi tidak konstan atau berubah-ubah. Asumsi dari uji ini yaitu
untuk mengetahui residual varian yang konstan yang nantinya akan di
asumsikan bahwa terjadi atau tidaknya dari pelanggaran asumsi tersebut. Data
yang di regres ini merupakan data yang sudah diln. Dari hasil regresi di
dapatkan hasil sebagai berikut:
Heteroskedasticity Test: White
F-statistic
0.415070
Prob. F(6,36)
0.8641
Obs*R-squared
2.782199
Prob. Chi-Square(6)
0.8356
Scaled explained SS
9.395536
Prob. Chi-Square(6)
0.1525
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 01/02/18 Time: 16:36
Sample: 1 43
Included observations: 43
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
-0.034726
0.565784
-0.061377
0.9514
SER02^2
0.017384
0.062671
0.277385
0.7831
SER03^2
0.001071
0.026232
0.040837
0.9677
SER04^2
-0.056233
0.046452
-1.210558
0.2340
SER05^2
-0.007255
0.014640
-0.495594
0.6232
SER06^2
0.001703
0.019575
0.087014
0.9311
SER07^2
0.015019
0.019985
0.751535
0.4572
R-squared
0.064702
Mean dependent var
0.135287
-0.091181
S.D. dependent var
0.424925
S.E. of regression
0.443875
Akaike info criterion
1.361353
Sum squared resid
7.092901
Schwarz criterion
1.648060
Hannan-Quinn criter.
1.467081
Durbin-Watson stat
1.947773
Adjusted R-squared
Log likelihood
-22.26908
F-statistic
0.415070
Prob(F-statistic)
0.864107
Dari data di atas diketahui bahwa Pro Chi Square 0.8356, dimana
0.8356>0,05, artinya adalah data di atas tidak terkena masalah
heteroskedastis.
C. Uji Autokorelasi
Uji Autokorelasi adalah masalah dalam analisis regresi yang diakibatkan oleh
berkolerasinya antar µi. Hasil regresi di dapat dari data yang telah diolah
sebagai berikut:
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5 X6
/RESIDUALS DURBIN.
Regression
Notes
Output Created
02-Jan-2018 16:56:01
Comments
Input
Active Dataset
DataSet0
Filter
Weight
Split File
N of Rows in Working Data
43
File
Missing Value Handling
Definition of Missing
User-defined missing values are treated
as missing.
Cases Used
Statistics are based on cases with no
missing values for any variable used.
Syntax
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5
X6
/RESIDUALS DURBIN.
Resources
Processor Time
00:00:00.235
Elapsed Time
00:00:00.272
Memory Required
Additional Memory Required
for Residual Plots
[DataSet0]
3092 bytes
0 bytes
Variables Entered/Removedb
Variables
Model
Variables Entered
1
Removed
Method
pestisida , luas
lahan, urea,
. Enter
tenaga kerja ,
bibit , KCLa
a. All requested variables entered.
b. Dependent Variable: Produksi
Model Summaryb
Change Statistics
Std. Error
Mod
el
1
R
R
Adjusted
of the
Square R Square Estimate
.688a
.474
.386
.40199
F
R Square Chang
Change
e
.474
5.402
df1
df2
6
Sig. F
Durbin-
Change
Watson
36
.000
1.757
a. Predictors: (Constant), pestisida , luas lahan, urea, tenaga
kerja , bibit , KCL
b. Dependent Variable:
Produksi
ANOVAb
Model
1
Sum of Squares
df
Mean Square
Regression
5.237
6
.873
Residual
5.817
36
.162
11.055
42
Total
a. Predictors: (Constant), pestisida , luas lahan, urea, tenaga kerja , bibit , KCL
b. Dependent Variable: Produksi
F
5.402
Sig.
.000a
Coefficientsa
Standardized
Unstandardized Coefficients
Model
B
1
Coefficients
Std. Error
(Constant)
5.139
1.016
luas lahan
.179
.106
tenaga kerja
.098
bibit
Beta
t
Sig.
5.057
.000
.236
1.695
.099
.160
.085
.610
.545
.252
.130
.278
1.944
.060
urea
.230
.119
.256
1.929
.062
KCL
.097
.132
.115
.738
.465
pestisida
.126
.196
.102
.642
.525
a. Dependent Variable: Produksi
Residuals Statisticsa
Minimum
Predicted Value
Maximum
Mean
Std. Deviation
N
7.1726
8.7662
7.9891
.35313
43
-1.64300
.75021
.00000
.37217
43
Std. Predicted Value
-2.312
2.201
.000
1.000
43
Std. Residual
-4.087
1.866
.000
.926
43
Residual
a. Dependent Variable: Produksi
Masalah autokolerasi dapat dilihat dari nilai Durbin Waston yaitu
1.757, tetapi perlu diuji apakah nilai tersebut terjadi masalah
autokolerasi atau tidak. Cara mengujinya yaitu sebagai berikut :
Diketahui :
N
= 43
K
=7
DW
= 1.757
Dengan Melihat table Durbin Waston untuk α= 5 % dan dengan
memasukkan nilai K= 7 dan n=43, maka dapat dilihat DL dan DU
adalah sebagai berikut :
DL
= 1.1630
DU
Ada
Auto
= 1.9055
Tidak Ada
Keputusan
A
Tidak Ada
Auto
B
1,1630
Tidak Ada
Keputusan
C
1,9055
D
2,0945
Ada
Auto
E
2,837
DW 1.757
Dari cara mendeteksi masalah autokerelasi dengan menggunakan Durbin-Watson
diketahui bahwa model memiliki nilai DW sebesar 1.757 sehingga model berada
pada daerah B yang artinya tidak ada keputusan.
VI. INTERPRETASI
Dari data yang di dapat dilakukannya analisis regresi dengan menggunakan
software SPSS 22.0 for Windowsdan E-Views. Untuk melihat nilai R2,adj R2, F
hitung, T hitung dan melihat koefisien B dapat di dilakukan dengan alat SPSS.
Adapun hasil dari regresi yaitu sebagai berikut:
Model Summary
Mo
del
1
R
.688a
Std.
Change Statistics
Error of
R
Adjuste
the
R
F
Squar
dR
Estimat Square Chan
Sig. F
e
Square
e
Change ge
df1 df2 Change
.474
.386 .40199
.474 5.402
6
36
.000
a. Predictors: (Constant), x6, luas lahan ,
urea, tenaga kerja , bibit, kcl
1. R. Square = 0.474
artinya sebesar 47.4% variasi produksi jagung dapat dijelaskan oleh variabel
bibit, luas lahan, tenaga kerja, pupuk urea, kcl, pestisida.
yang dimasukkan ke dalam model, sedangkan sisanya sebesar 52.6% dapat
dijelaskan oleh variabel lain yang tidak dimasukkan ke dalam model.
2. Adjusted R. Square = 0.386
artinya setelah disesuaikan sebesar 38.6% variasi produksi jagung dapat
dijelaskan oleh variabel bibit, luas lahan, tenaga kerja, pupuk urea, kcl,
pestisida yang dimasukkan ke dalam model, sedangkan sisanya sebesar 61.4%
dapat dijelaskan oleh variabel lain yang tidak dimasukkan ke dalam model.
ANOVAb
Sum of
Squares
Model
1
Mean
Square
df
Regression
5.237
6
.873
Residual
5.817
36
.162
11.055
42
Total
F
5.402
Sig.
.000a
a. Predictors: (Constant), x6, luas lahan , urea, tenaga kerja ,
bibit, kcl
b. Dependent Variable:
produksi
.
3 F. Hitung = 5.402 sig. 0.000
Secara bersama-sama variabel variabel bibit, luas lahan, tenaga kerja, pupuk
urea, kcl, berpengaruh nyata terhadap produksi jagung dengan tingkat
kepercayaan sebesar 99 %
Coefficientsa
Unstandardized
Coefficients
Model
1
B
Std. Error
(Constant)
5.139
1.016
luas lahan
.179
.106
tenaga
kerja
.098
Bibit
Standardize
d
Coefficients
Beta
t
Sig.
5.057
.000
.236
1.695
.099
.160
.085
.610
.545
.252
.130
.278
1.944
.060
Urea
.230
.119
.256
1.929
.062
kcl
.097
.132
.115
.738
.465
x6
.126
.196
.102
.642
.525
a. Dependent Variable: produksi
4. T. Hitung Constant = 5.139 sig. 0.000
Constant/intersep berbeda nyata dengan nol dengan tingkat kepercayaan di
sebesar 99 persen.
5. T. Hitung Luas Lahan = 0.179 sig. 0.099
Luas lahan berpengaruh nyata terhadap produksi jagung dengan tingkat
kepercayaan sebesar 95 persen. Jika penggunaan luas lahan naik 1 persen
maka produksi bawang putih naik sebesar 0.179 persen.
6. T. Hitung Tenaga Kerja= 0.098 sig. 0.545
Tenaga Kerja tidak berpengaruh nyata terhadap produksi jagung dengan
tingkat kepercayaan dibawah 90 persen.
7. T. Hitung Bibit = 0.525 sig. 0.060
Bibit berpengaruh nyata terhadap produksi jagung dengan tingkat kepercayaan
sebesar 95 persen. Jika penggunaan bibit naik 1 persen maka produksi
bawang putih naik sebesar 0.525 persen.
8. T. Hitung Urea = -0.230 sig. 0.062
Pupuk urea berpengaruh nyata terhadap produksi jagung dengan tingkat
kepercayaan sebesar 95 persen. Jika penggunaan pupuk urea naik 1 persen
maka produksi bawang putih naik sebesar 0.230 persen.
9. T. Hitung KCL = 0.097 sig. 0.465
Pupuk KCL tidak berpengaruh nyata terhadap produksi jagung dengan tingkat
kepercayaan di bawah 90 persen.
10. T. Hitung Pestisida = 0.126 sig 0.525
pestisida tidak berpengaruh nyata terhadap produksi jagung dengan tingkat
kepercayaan di bawah 90 persen.
VII. KESIMPULAN
Adapun kesimpulan dari analisis uji asumsi klasik adalah :
1. 1. Data analisis efisiensi penggunaan faktor-faktor produksi pada usahatani
Jagung di Kabupaten Grobogan idak mengalami masalah multikolinearitas
karena semua variabel bebas memiliki VIF kurang dari 10
2. Data analisis efisiensi penggunaan faktor-faktor produksi pada usahatani
jagung di Kabupaten Grobogan tidak mengalami masalah heteroskedastis
karena semua Pro Chi Square lebih dari 0.05
3. Data analisis efisiensi penggunaan faktor-faktor produksi pada usahatani
jagung di Kabupaten Grobogan berada pada daerah B yaitu tidak ada
keputusan.
DAFTAR PUSTAKA
Damodar N. Gujarati and Dawn C. Porter. 2012. Dasar–dasar Ekonometrika.
Jakarta: Salemba Empat.
Pasandaran. 2006. Dasar-Dasar Ekonometrika Jilid 1 Edisi Ketiga. Mulyadi J,
Penerjemah; Jakarta: Erlangga. Terjemahan dari: Basic Econometric
Priyatno 2009. Teori Ekonomi Produksi dengan Pokok Bahasan Analisis Fungsi
Produksi Cobb-Douglass. Jakarta : CV Rajawali.
Soekartawi, Soeharjo A, Dilon J.L. dan J.B Hardaker. 2011. Ilmu Usahatani dan
Penelitian untuk Pengembangan Petani Kecil. Jakarta: Universitas
Indonesia.
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI
JAGUNG DI KECAMATAN WIROSARI KABUPATEN GROBOGAN
(Tugas Akhir Mata Kuliah Ekonometrika)
Oleh:
Revani Intan Putri
1514131056
JURUSAN AGRIBISNIS
FAKULTAS PERTANIAN
UNIVERSITAS LAMPUNG
2018
A. Data Mentah
Data diperoleh dari tesis dengan judul “ANALISIS FAKTOR-FAKTOR
YANG MEMPENGARUHI PRODUKSI JAGUNG DI KECAMATAN
WIROSARI KABUPATEN GROBOGAN” yang ditulis oleh bapak Riyadi.
Data ini dianalisis menggunakan analisis regresi sederhana dan diuji masalah
multikolinier, heterokedastis, dan autokorelasi. Berikut ini merupakan data
yang didapat dari skripsi :
Tabel 1. Data Mentah Skripsi
No
Output (kg)
Luas
lahan (Ha)
Tenaga Kerja
(HOK)
Bibit (kg)
Urea
(Kg)
KCL (kg)
Pestisida (MI)
1
4500
0.2
95
9
200
35
300
2
4400
1.1
100
2
225
40
400
3
3800
0.8
80
8
150
25
350
4
4600
0.1
95
11
190
445
350
5
2000
0.5
75
2
80
15
100
6
2400
0.55
75
4
70
20
200
7
4000
0.5
76
6
75
25
400
8
3300
0.65
76
7
100
25
200
9
5700
1
95
12
21
35
400
10
2200
0.5
75
5
90
30
100
11
2700
0.5
76
6
100
15
400
12
1200
0.2
57
3
50
20
310
13
5200
1
94
11
70
35
300
14
2300
0.2
75
10
100
15
200
15
3500
1
100
10
225
40
390
16
4000
0.9
94
10
200
30
360
17
2400
0.6
50
5
100
25
200
18
3500
0.8
76
7
180
10
225
19
2800
0.5
60
6
100
10
200
20
2900
0.6
75
2
150
25
210
21
2300
0.2
50
5
50
20
210
22
4500
1.1
100
11
225
45
400
23
2800
0.5
70
6
100
20
200
24
4800
1
94
7
190
40
310
25
2200
0.5
75
4
100
20
150
26
3800
0.8
80
8
150
35
300
27
4300
1
50
7
200
45
400
28
5000
1
113
12
225
30
350
29
4000
0.8
86
9
150
35
350
30
500
0.5
60
4
125
25
210
31
1000
0.3
96
2
60
40
400
32
4500
0.1
95
2
200
35
400
33
2400
0.5
7
5
100
20
180
34
1000
0.2
95
7
25
35
400
35
4500
1
100
11
60
40
310
36
2800
0.6
60
6
110
25
200
37
2800
0.5
76
2
60
20
200
38
2400
0.5
60
4
100
20
200
39
5800
2.5
110
12
200
67
400
40
3400
0.8
80
9
100
35
300
41
2900
0.65
76
6
110
25
210
42
1400
0.25
30
3
50
10
80
43
4200
1
94
7
120
40
350
B. Sumber Data
Data primer diperoleh melalui wawancara dengan petani jagung
dengan menggunakan daftar pertanyaan atau kuesioner. Datadata primer yang diperoleh antara lain: jumlah produksi jagung
pipilan, jumlah tenaga kerja, jumlah bibit, jumlah pupuk Urea,
jumlah pupuk TSP, jumlah pupuk KCl, dan jumlah pestisida.
Jumlah produksi atau output jagung pipilan kering diukur dalam
satuan kilogram, luas lahan diukur dalam satuan hektar, jumlah
tenaga kerja diukur dalam satuan hari orang kerja (HOK), jumlah
bibit diukur dalam satuan kilogram, jumlah pupuk Urea diukur
dalam satuan kilogram, pupuk TSP dalam satuan kilogram,
jumlah pupuk KCL diukur dalam satuan kilogram, jumlah
pestisida diukur dalam satuan mililiter.
Sedangkan data sekunder adalah data yang diperoleh dari
sumber lain yang sudah ada sebelumnya dan diolah kemudian
disajikan baik dalam berbagai bentuk antara lain laporan
penelitian, karya tulis dan sebagainya. Data sekunder yang
diperoleh berasal dari berbagai instansi antara lain Badan Pusat
Statistik Jawa Tengah dan Kabupaten Grobogan, Dinas Pertanian
Tanaman Pangan Provinsi Jawa Tengah, Dinas Pertanian dan
Perkebunan Kabupaten Grobogan.
II. TUJUAN PENELITIAN
Analisis ini dilakukan dengan tujuan sebagai berikut :
1. Mengetahui masalah multikolinearitas yang terjadi pada data analisis
penggunaan faktor-faktor produksi pada usahatani jagung.
2. Mengetahui masalah heterokedastis yang terjadi pada data analisis penggunaan
faktor-faktor produksi pada usahatani jagung.
3. Mengetahui masalah autokolinearitas yang terjadi pada data analisis
penggunaan faktor-faktor produksi pada usahatani jagung.
4. Mengetahui cara menagatasi masalah multikolinearitas, heterokedastis, dan
autokolinearitas yang terjadi pada data analisis penggunaan faktor-faktor
produksi pada usahatani jagung.
III. TEORI RINGKAS, MODEL, DAN HIPOTESIS
A. Teori Ringkas
Pengertian produksi adalah hasil akhir dari proses atau aktivitas ekonomi
dengan memanfaatkan beberapa masukan atau input. Dengan pengertian ini
dapat dipahami bahwa kegiatan
produksi adalah mengkombinasi berbagai input atau masukan untuk
menghasilkan output.
Hubungan teknis antara input dan output tersebut dalam bentuk persamaan,
tabel atau grafik merupakan fungsi produksi (Salvatore, 1994), Jadi, fungsi
produksi adalah suatu persamaan yang
menunjukkan jumlah maksimum output yang dihasilkan dengan kombinasi
input tertentu (Ferguson dan Gould, 1975).
Hubungan antara jumlah output (Q) dengan sejumlah input yang digunakan
dalam proses produksi (X1, X2, X3, ……Xn) secara matematis dapat ditulis
sebagai berikut: Q = f (X1 X2 X3............. Xn) (2.1)
Keterangan:
Q = output
X = input
Berdasarkan fungsi produksi di atas maka akan dapat diketahui hubungan
antara input dengan output, dan juga akan dapat diketahui hubungan antar
input itu sendiri.
Apabila input yang dipergunakan dalam proses produksi hanya terdiri atas
modal (K) dan
tenaga kerja (L) maka fungsi produksi yang dimaksud dapat diformulasikan
menjadi:
Q = f (K, L)
Keterangan:
Q = output
K = input modal
L = input tenaga kerja
Fungsi produksi di atas menunjukkan maksimum output yang dapat
diproduksi dengan
menggunakan kombinasi alternatif dari modal (K) dan tenaga kerja (L)
(Nicholson, 1995).
Pada analisis ini dilakukan untuk melihat masalah multikolinearitas,
heterokedastis, dan autokorelasi pada data. Beberapa jenis asumsi klasik
adalah:
a. Multikolinearitas
Multikolinearitas merupakan salah satu asumsi dari model regresi linear
klasik. Multikolinearitas adalah keadaan di mana pada model regresi
ditemukan adanya korelasi yang sempurna atau mendekati sempurna
antarvariabel independen. Model regresi yang baik seharusnya tidak
terjadi korelasi yang sempurna atau mendekati sempurna di antara variabel
bebas.
Ada beberapa hal yang menyebabkan multikolinearitas, yaitu metode
pengumpulan data yang digunakan, adanya constraint pada model, atau
populasi yang dijadikan sampel. Multikolinearitas dapat dilihat dari nilai
tolerance dan lawannya serta nilai variance inflation factor (VIF). Dua
ukuran ini menunjukkan variabel independen manakah yang dijelaskan
oleh variabel independen lainnya. Tolerance mengukur variabilitas
variabel independen terpilih yang tidak dijelaskan oleh variabel
independen lainnya. Jadi nilai tolerance rendah sama dengan nilai VIF
tinggi, karena VIF= 1/tolerance. Nilai cut-off umum yang dipakai untuk
menunjukkan adanya multikolinearitas adalah tolerance 10.
b. Heteroskedastisitas
Heteroskedastisitas adalah keadaan di mana dalam model regresi terjadi
ketidaksamaan varian dari residual pada satu pengamatan ke pengamatan
lainnya (Priyatno, 2012). Heteroskedastisitas dapat dideteksi dengan cara
informal maupun formal. Metode informal biasanya dilakukan dengan
melihat grafik plot dari nilai prediksi variabel independen (ZPRED)
dengan residualnya (SRESID). Variabel dinyatakan tidak terjadi
heteroskedastisitas jika tidak terdapat pola yang jelas dan titik-titik
menyebar di atas dan di bawah angka nol pada sumbu Y. Cara formal
yang dapat dilakukan untuk mendeteksi heteroskedastisitas adalah dengan
Metode Park, Metode Glejser, Metode Korelasi Spearman atau Metode
White (Widarjono, 2009).
c. Koefisien Determinasi (R2)
Koefisien determinasi (R2) digunakan untuk mengetahui sampai sejauh
mana ketepatan atau kecocokkan garis regresi yang terbentuk dalam
mewakili kelompok data hasil observasi. Koefisien determinasi
menggambarkan bagian dari variasi total yang dapat diterangkan oleh
model. Semakin besar nilai R2 (mendekati 1), maka ketepatannya semakin
baik. Sifat yang dimiliki koefisien determinasi adalah:
1) Nilai R2 selalu positif karena merupakan nisbah dari jumlah kuadrat.
2) Nilai 0 < R2 < 1
R2 = 0, berarti tidak ada hubungan antara X dan Y, atau model regresi yang
terbentuk tidak tepat untuk meramalkan Y.
R2 = 1, garis regresi yang terbentuk dapat meramalkan Y secara sempurna
(Priyatno, 2009).
Model regresi linier dapat dikatakan sebagai model yang baik jika model
tersebut memenuhi beberapa asumsi yang disebut dengan asumsi klasik.
Apabila nilai asumsi klasik terpenuhi, maka metode estimasi penaksir
linear kuadrat terkecil (Ordinary Least Square (OLS)) akan menghasilkan
Unbiased Linear Estimator dan memiliki varian minimum yang sering
disebut dengan BLUE (Best Linear Unbiased Estimator) (Ghozali, 2009).
B. Model
Regresi merupakan metode estimasi utama di dalam ekonometrika.
Analisis regresi yang menjelaskan hubungan antara vaniabel dependen
dan variabel independen berkaitan erat dengan hubungan yang bersifat
statistik, bukan hubungan yang pasti. Di dalam statistika hubungan yang
tidak pasti ini disebut hubungan yang acak (random) atau stokastik
(stochastic). Hubungan ini mencerminkan perilaku ekonomi (Munawir,
2004).
Model regresi sederhana dilakukan jika bermaksud meramalkan
bagaimana keadaan (naik turunnya) variabel dependen (kriterium), bila
ada satu variabel independen sebagai prediktor dimanipulasi (dinaik
turunkan nilainya). Persamaan yang diperoleh dari regresi sederhana
adalah Y = β0 + β1 X + µ (Nachhrowi, 2006).
Analisis Regresi Linear Berganda adalah hubungan secara linier antara
dua atau lebih variabel independen (X1, X2,...Xn) dengan variabel
dependen (Y). Analisis ini untuk mengetahui arah hubungan antara
variabel independen dengan variabel dependen apakah masing-masing
variabel independen berhubungan positif atau negatif dan untuk
memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan. Persamaan regresi
linear berganda sebagai berikut:
Y’ = a + b1X1+ b2X2+…..+ bnXn
Keterangan:
Y
= Variabel dependen (nilai yang diprediksikan)
X1 dan X2
= Variabel independen
a
= Konstanta
b
= Koefisien regresi (nilai peningkatan ataupun
penurunan)
(Rudianto, 2008).
Model yang dipakai pada penelitian ini yaitu model analisis regresi
berganda, karena terdapat 6 variabel independent. Model yang diapakai
yaitu sebagai berikut:
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + µ
Keterangan :
Y
= Produksi
X1
= Luas lahan
X2
= Tenaga kerja
X3
= Bibit
X4
= Pupuk Urea
X5
= Pupuk KCL
X6
= Fungisida
C. Hipotesis
Berdasarkan kerangka pemikiran, maka hipotesis yang diajukan
dalam penelitian ini adalah :
1.
Diduga penggunaan faktor-faktor produksi pada usahatani jagung
di Kecamatan Wirosari Kabupaten Grobogan adalah bibit, luas
lahan, tenaga kerja, pupuk urea, kcl, pestisida.
IV. DATA SIAP OLAH
Data siap olah yang sudah diketik ulang diambil dari skripsi yang berjudul
“Analisis Efisiensi Penggunaan Faktor-Faktor Produksi Pada Usahatani Jagung di
Kecamatan Worosari Kabupaten Grobogan”. Data ini telah mendapatkan
persutujuan dari pihak asisten dosen pada tanggal 31 Agustus 2017. Berikut
adalah data yang siap diolah
Tabel 1. Data Siap Olah
No
Output (kg)
1
2
3
4
5
6
7
8
9
10
11
Tenaga
Kerja
(HOK)
Luas lahan
(Ha)
Bibit (kg)
Urea (Kg)
KCL (kg)
Pestisida
(MI)
8.411832676
-1.609437912
4.553876892
2.197224577
5.29831737
3.555348061
5.703782475
8.38935982
0.09531018
4.605170186
0.693147181
5.4161004
3.688879454
5.991464547
8.242756346
-0.223143551
4.382026635
2.079441542
5.01063529
3.218875825
5.857933154
8.433811582
-2.302585093
4.553876892
2.397895273
5.24702407
6.098074282
5.857933154
7.60090246
-0.693147181
4.317488114
0.693147181
4.38202663
2.708050201
4.605170186
7.783224016
-0.597837001
4.317488114
1.386294361
4.24849524
2.995732274
5.298317367
8.29404964
-0.693147181
4.33073334
1.791759469
4.31748811
3.218875825
5.991464547
8.101677747
-0.430782916
4.33073334
1.945910149
4.60517019
3.218875825
5.298317367
8.648221454
0
4.553876892
2.48490665
3.04452244
3.555348061
5.991464547
7.696212639
-0.693147181
4.317488114
1.609437912
4.49980967
3.401197382
4.605170186
7.901007052
-0.693147181
4.33073334
1.791759469
4.60517019
2.708050201
5.991464547
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
7.090076836
-1.609437912
4.043051268
1.098612289
3.91202301
2.995732274
5.736572297
8.556413905
0
4.543294782
2.397895273
4.24849524
3.555348061
5.703782475
7.740664402
-1.609437912
4.317488114
2.302585093
4.60517019
2.708050201
5.298317367
8.160518247
0
4.605170186
2.302585093
5.4161004
3.688879454
5.966146739
8.29404964
-0.105360516
4.543294782
2.302585093
5.29831737
3.401197382
5.886104031
7.783224016
-0.510825624
3.912023005
1.609437912
4.60517019
3.218875825
5.298317367
8.160518247
-0.223143551
4.33073334
1.945910149
5.19295685
2.302585093
5.416100402
7.937374696
-0.693147181
4.094344562
1.791759469
4.60517019
2.302585093
5.298317367
7.972466016
-0.510825624
4.317488114
0.693147181
5.01063529
3.218875825
5.347107531
7.740664402
-1.609437912
3.912023005
1.609437912
3.91202301
2.995732274
5.347107531
8.411832676
0.09531018
4.605170186
2.397895273
5.4161004
3.80666249
5.991464547
7.937374696
-0.693147181
4.248495242
1.791759469
4.60517019
2.995732274
5.298317367
8.476371197
0
4.543294782
1.945910149
5.24702407
3.688879454
5.736572297
7.696212639
-0.693147181
4.317488114
1.386294361
4.60517019
2.995732274
5.010635294
8.242756346
-0.223143551
4.382026635
2.079441542
5.01063529
3.555348061
5.703782475
8.366370302
0
3.912023005
1.945910149
5.29831737
3.80666249
5.991464547
8.517193191
0
4.727387819
2.48490665
5.4161004
3.401197382
5.857933154
8.29404964
-0.223143551
4.454347296
2.197224577
5.01063529
3.555348061
5.857933154
6.214608098
-0.693147181
4.094344562
1.386294361
4.82831374
3.218875825
5.347107531
6.907755279
-1.203972804
4.564348191
0.693147181
4.09434456
3.688879454
5.991464547
8.411832676
-2.302585093
4.553876892
0.693147181
5.29831737
3.555348061
5.991464547
7.783224016
-0.693147181
1.945910149
1.609437912
4.60517019
2.995732274
5.192956851
6.907755279
-1.609437912
4.553876892
1.945910149
3.21887582
3.555348061
5.991464547
8.411832676
0
4.605170186
2.397895273
4.09434456
3.688879454
5.736572297
7.937374696
-0.510825624
4.094344562
1.791759469
4.70048037
3.218875825
5.298317367
7.937374696
-0.693147181
4.33073334
0.693147181
4.09434456
2.995732274
5.298317367
7.783224016
-0.693147181
4.094344562
1.386294361
4.60517019
2.995732274
5.298317367
8.665613197
0.916290732
4.700480366
2.48490665
5.29831737
4.204692619
5.991464547
8.131530711
-0.223143551
4.382026635
2.197224577
4.60517019
3.555348061
5.703782475
7.972466016
-0.430782916
4.33073334
1.791759469
4.70048037
3.218875825
5.347107531
7.244227516
-1.386294361
3.401197382
1.098612289
3.91202301
2.302585093
4.382026635
8.342839804
0
4.543294782
1.945910149
4.78749174
3.688879454
5.857933154
Berdasarkan persetujuan dari pihak asisten dosen, data diatas mengalami
perubahan dari data yang awal
V. HASIL OLAH DATA
Data yang siap diolah kemudian diregresi menggunakan SPSS sehingga didapat
hasil
Uji R Square
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT y
/METHOD=ENTER x1 x2 x3 x4 x5 x6.
Regression
Notes
Output Created
02-Jan-2018 16:13:49
Comments
Input
Active Dataset
DataSet0
Filter
Weight
Split File
N of Rows in Working
Data File
Missing Value
Handling
Definition of Missing User-defined missing values
are treated as missing.
Cases Used
Syntax
Resources
Statistics are based on
cases with no missing
values for any variable
used.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA CHANGE
/CRITERIA=PIN(.05)
POUT(.10)
/NOORIGIN
/DEPENDENT y
/METHOD=ENTER x1 x2 x3
x4 x5 x6.
Processor Time
00:00:00.047
Elapsed Time
00:00:00.031
Memory Required
Additional Memory
Required for
Residual Plots
[DataSet0]
43
3068 bytes
0 bytes
Variables Entered/Removedb
Variables
Entered
Model
1
Variables
Removed
x6, luas
lahan , urea,
tenaga kerja ,
bibit, kcl a
Method
. Enter
a. All requested variables entered.
b. Dependent Variable: produksi
Model Summary
Mo
del
1
R
Std.
Change Statistics
Error of
R
Adjuste
the
R
F
Squar
dR
Estimat Square Chan
Sig. F
e
Square
e
Change ge
df1 df2 Change
.688a
.474
.386 .40199
.474 5.402
6
36
.000
a. Predictors: (Constant), x6, luas lahan ,
urea, tenaga kerja , bibit, kcl
ANOVAb
Sum of
Squares
Model
1
Mean
Square
df
Regression
5.237
6
.873
Residual
5.817
36
.162
11.055
42
Total
F
5.402
a. Predictors: (Constant), x6, luas lahan , urea, tenaga kerja ,
bibit, kcl
b. Dependent Variable:
produksi
Sig.
.000a
Coefficientsa
Unstandardized
Coefficients
Model
1
B
Std. Error
(Constant)
5.139
1.016
luas lahan
.179
.106
tenaga
kerja
.098
bibit
Standardize
d
Coefficients
Beta
t
Sig.
5.057
.000
.236
1.695
.099
.160
.085
.610
.545
.252
.130
.278
1.944
.060
urea
.230
.119
.256
1.929
.062
kcl
.097
.132
.115
.738
.465
x6
.126
.196
.102
.642
.525
a. Dependent Variable: produksi
Dari datas di atas akan dilakukan uji asumsi klasik yaitu uji multikolinier, uji
heteroskedastis, dan uji autokorelasi.
A. Uji Multikolinearitas ;
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5 X6.
Regression
Notes
Output Created
02-Jan-2018 16:01:16
Comments
Input
Active Dataset
DataSet0
Filter
Weight
Split File
N of Rows in Working
Data File
Missing Value
Handling
Definition of Missing User-defined missing values
are treated as missing.
Cases Used
Syntax
Resources
Statistics are based on
cases with no missing
values for any variable used.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA COLLIN TOL CHANGE
/CRITERIA=PIN(.05)
POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3
X4 X5 X6.
Processor Time
00:00:00.078
Elapsed Time
00:00:00.095
Memory Required
Additional Memory
Required for
Residual Plots
[DataSet0]
43
3068 bytes
0 bytes
Variables Entered/Removedb
Variables
Entered
Model
1
Variables
Removed
X6, luas
lahan, urea,
tenaga kerja ,
bibit , KCLa
Method
. Enter
a. All requested variables entered.
b. Dependent Variable: Produksi
Model Summary
Mo
del
1
R
Std.
Change Statistics
Error of
R
Adjuste
the
R
F
Squar
dR
Estimat Square Chan
Sig. F
e
Square
e
Change ge
df1 df2 Change
.688a
.474
.386 .40199
.474 5.402
6
36
.000
a. Predictors: (Constant), X6, luas lahan,
urea, tenaga kerja , bibit , KCL
ANOVAb
Sum of
Squares
Model
1
Mean
Square
df
Regression
5.237
6
.873
Residual
5.817
36
.162
11.055
42
Total
F
5.402
a. Predictors: (Constant), X6, luas lahan, urea, tenaga kerja ,
bibit , KCL
b. Dependent Variable:
Produksi
Sig.
.000a
Coefficientsa
Unstandardized
Coefficients
Model
1
Std.
Error
B
(Consta
nt)
Standard
ized
Coefficie
nts
Beta
Collinearity
Statistics
t
Toleran
ce
Sig.
VIF
5.139
1.016
5.057
.000
luas
lahan
.179
.106
.236 1.695
.099
.757 1.322
tenaga
kerja
.098
.160
.085
.610
.545
.746 1.340
bibit
.252
.130
.278 1.944
.060
.717 1.395
Urea
.230
.119
.256 1.929
.062
.831 1.204
KCL
.097
.132
.115
.738
.465
.604 1.655
X6
.126
.196
.102
.642
.525
.584 1.712
a. Dependent Variable: Produksi
Collinearity Diagnosticsa
Di
Variance Proportions
me
Mo nsi Eigenv Conditio (Const luas tenaga
del on
alue n Index ant) lahan kerja bibit urea
1
KCL
X6
1
6.355
1.000
.00
.01
.00
.00
.00
.00
.00
2
.551
3.395
.00
.68
.00
.01
.00
.00
.00
3
.058 10.473
.00
.14
.01
.87
.02
.00
.00
4
.019 18.461
.02
.02
.01
.08
.02
.83
.00
5
.011 24.576
.00
.03
.22
.01
.72
.00
.01
6
.005 36.237
.18
.07
.76
.01
.19
.01
.14
7
.002 56.331
.79
.06
.00
.01
.05
.16
.84
a. Dependent Variable:
Produksi
Dari teori yang sudah dijelaskan dan dipelajari di perkuliahan bahwa melihat
ada atau tidak multikolinearitas salah satunya dengan melihat nilai variance
inflaction factor (VIF), dimana nilai VIF>10 berarti terdapat masalah
multikolinearitas. Pada data analisis ini diketahui bahwa data tidak terkena
masalah multikolinearitas karena VIF semua varibel bebas kuarng dari 10
B. Uji Heteroskedastis
Uji Heteroskedastisitas adalah masalah dalam analisis regresi yang diakibatkan
oleh varians µi tidak konstan atau berubah-ubah. Asumsi dari uji ini yaitu
untuk mengetahui residual varian yang konstan yang nantinya akan di
asumsikan bahwa terjadi atau tidaknya dari pelanggaran asumsi tersebut. Data
yang di regres ini merupakan data yang sudah diln. Dari hasil regresi di
dapatkan hasil sebagai berikut:
Heteroskedasticity Test: White
F-statistic
0.415070
Prob. F(6,36)
0.8641
Obs*R-squared
2.782199
Prob. Chi-Square(6)
0.8356
Scaled explained SS
9.395536
Prob. Chi-Square(6)
0.1525
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 01/02/18 Time: 16:36
Sample: 1 43
Included observations: 43
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
-0.034726
0.565784
-0.061377
0.9514
SER02^2
0.017384
0.062671
0.277385
0.7831
SER03^2
0.001071
0.026232
0.040837
0.9677
SER04^2
-0.056233
0.046452
-1.210558
0.2340
SER05^2
-0.007255
0.014640
-0.495594
0.6232
SER06^2
0.001703
0.019575
0.087014
0.9311
SER07^2
0.015019
0.019985
0.751535
0.4572
R-squared
0.064702
Mean dependent var
0.135287
-0.091181
S.D. dependent var
0.424925
S.E. of regression
0.443875
Akaike info criterion
1.361353
Sum squared resid
7.092901
Schwarz criterion
1.648060
Hannan-Quinn criter.
1.467081
Durbin-Watson stat
1.947773
Adjusted R-squared
Log likelihood
-22.26908
F-statistic
0.415070
Prob(F-statistic)
0.864107
Dari data di atas diketahui bahwa Pro Chi Square 0.8356, dimana
0.8356>0,05, artinya adalah data di atas tidak terkena masalah
heteroskedastis.
C. Uji Autokorelasi
Uji Autokorelasi adalah masalah dalam analisis regresi yang diakibatkan oleh
berkolerasinya antar µi. Hasil regresi di dapat dari data yang telah diolah
sebagai berikut:
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5 X6
/RESIDUALS DURBIN.
Regression
Notes
Output Created
02-Jan-2018 16:56:01
Comments
Input
Active Dataset
DataSet0
Filter
Weight
Split File
N of Rows in Working Data
43
File
Missing Value Handling
Definition of Missing
User-defined missing values are treated
as missing.
Cases Used
Statistics are based on cases with no
missing values for any variable used.
Syntax
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5
X6
/RESIDUALS DURBIN.
Resources
Processor Time
00:00:00.235
Elapsed Time
00:00:00.272
Memory Required
Additional Memory Required
for Residual Plots
[DataSet0]
3092 bytes
0 bytes
Variables Entered/Removedb
Variables
Model
Variables Entered
1
Removed
Method
pestisida , luas
lahan, urea,
. Enter
tenaga kerja ,
bibit , KCLa
a. All requested variables entered.
b. Dependent Variable: Produksi
Model Summaryb
Change Statistics
Std. Error
Mod
el
1
R
R
Adjusted
of the
Square R Square Estimate
.688a
.474
.386
.40199
F
R Square Chang
Change
e
.474
5.402
df1
df2
6
Sig. F
Durbin-
Change
Watson
36
.000
1.757
a. Predictors: (Constant), pestisida , luas lahan, urea, tenaga
kerja , bibit , KCL
b. Dependent Variable:
Produksi
ANOVAb
Model
1
Sum of Squares
df
Mean Square
Regression
5.237
6
.873
Residual
5.817
36
.162
11.055
42
Total
a. Predictors: (Constant), pestisida , luas lahan, urea, tenaga kerja , bibit , KCL
b. Dependent Variable: Produksi
F
5.402
Sig.
.000a
Coefficientsa
Standardized
Unstandardized Coefficients
Model
B
1
Coefficients
Std. Error
(Constant)
5.139
1.016
luas lahan
.179
.106
tenaga kerja
.098
bibit
Beta
t
Sig.
5.057
.000
.236
1.695
.099
.160
.085
.610
.545
.252
.130
.278
1.944
.060
urea
.230
.119
.256
1.929
.062
KCL
.097
.132
.115
.738
.465
pestisida
.126
.196
.102
.642
.525
a. Dependent Variable: Produksi
Residuals Statisticsa
Minimum
Predicted Value
Maximum
Mean
Std. Deviation
N
7.1726
8.7662
7.9891
.35313
43
-1.64300
.75021
.00000
.37217
43
Std. Predicted Value
-2.312
2.201
.000
1.000
43
Std. Residual
-4.087
1.866
.000
.926
43
Residual
a. Dependent Variable: Produksi
Masalah autokolerasi dapat dilihat dari nilai Durbin Waston yaitu
1.757, tetapi perlu diuji apakah nilai tersebut terjadi masalah
autokolerasi atau tidak. Cara mengujinya yaitu sebagai berikut :
Diketahui :
N
= 43
K
=7
DW
= 1.757
Dengan Melihat table Durbin Waston untuk α= 5 % dan dengan
memasukkan nilai K= 7 dan n=43, maka dapat dilihat DL dan DU
adalah sebagai berikut :
DL
= 1.1630
DU
Ada
Auto
= 1.9055
Tidak Ada
Keputusan
A
Tidak Ada
Auto
B
1,1630
Tidak Ada
Keputusan
C
1,9055
D
2,0945
Ada
Auto
E
2,837
DW 1.757
Dari cara mendeteksi masalah autokerelasi dengan menggunakan Durbin-Watson
diketahui bahwa model memiliki nilai DW sebesar 1.757 sehingga model berada
pada daerah B yang artinya tidak ada keputusan.
VI. INTERPRETASI
Dari data yang di dapat dilakukannya analisis regresi dengan menggunakan
software SPSS 22.0 for Windowsdan E-Views. Untuk melihat nilai R2,adj R2, F
hitung, T hitung dan melihat koefisien B dapat di dilakukan dengan alat SPSS.
Adapun hasil dari regresi yaitu sebagai berikut:
Model Summary
Mo
del
1
R
.688a
Std.
Change Statistics
Error of
R
Adjuste
the
R
F
Squar
dR
Estimat Square Chan
Sig. F
e
Square
e
Change ge
df1 df2 Change
.474
.386 .40199
.474 5.402
6
36
.000
a. Predictors: (Constant), x6, luas lahan ,
urea, tenaga kerja , bibit, kcl
1. R. Square = 0.474
artinya sebesar 47.4% variasi produksi jagung dapat dijelaskan oleh variabel
bibit, luas lahan, tenaga kerja, pupuk urea, kcl, pestisida.
yang dimasukkan ke dalam model, sedangkan sisanya sebesar 52.6% dapat
dijelaskan oleh variabel lain yang tidak dimasukkan ke dalam model.
2. Adjusted R. Square = 0.386
artinya setelah disesuaikan sebesar 38.6% variasi produksi jagung dapat
dijelaskan oleh variabel bibit, luas lahan, tenaga kerja, pupuk urea, kcl,
pestisida yang dimasukkan ke dalam model, sedangkan sisanya sebesar 61.4%
dapat dijelaskan oleh variabel lain yang tidak dimasukkan ke dalam model.
ANOVAb
Sum of
Squares
Model
1
Mean
Square
df
Regression
5.237
6
.873
Residual
5.817
36
.162
11.055
42
Total
F
5.402
Sig.
.000a
a. Predictors: (Constant), x6, luas lahan , urea, tenaga kerja ,
bibit, kcl
b. Dependent Variable:
produksi
.
3 F. Hitung = 5.402 sig. 0.000
Secara bersama-sama variabel variabel bibit, luas lahan, tenaga kerja, pupuk
urea, kcl, berpengaruh nyata terhadap produksi jagung dengan tingkat
kepercayaan sebesar 99 %
Coefficientsa
Unstandardized
Coefficients
Model
1
B
Std. Error
(Constant)
5.139
1.016
luas lahan
.179
.106
tenaga
kerja
.098
Bibit
Standardize
d
Coefficients
Beta
t
Sig.
5.057
.000
.236
1.695
.099
.160
.085
.610
.545
.252
.130
.278
1.944
.060
Urea
.230
.119
.256
1.929
.062
kcl
.097
.132
.115
.738
.465
x6
.126
.196
.102
.642
.525
a. Dependent Variable: produksi
4. T. Hitung Constant = 5.139 sig. 0.000
Constant/intersep berbeda nyata dengan nol dengan tingkat kepercayaan di
sebesar 99 persen.
5. T. Hitung Luas Lahan = 0.179 sig. 0.099
Luas lahan berpengaruh nyata terhadap produksi jagung dengan tingkat
kepercayaan sebesar 95 persen. Jika penggunaan luas lahan naik 1 persen
maka produksi bawang putih naik sebesar 0.179 persen.
6. T. Hitung Tenaga Kerja= 0.098 sig. 0.545
Tenaga Kerja tidak berpengaruh nyata terhadap produksi jagung dengan
tingkat kepercayaan dibawah 90 persen.
7. T. Hitung Bibit = 0.525 sig. 0.060
Bibit berpengaruh nyata terhadap produksi jagung dengan tingkat kepercayaan
sebesar 95 persen. Jika penggunaan bibit naik 1 persen maka produksi
bawang putih naik sebesar 0.525 persen.
8. T. Hitung Urea = -0.230 sig. 0.062
Pupuk urea berpengaruh nyata terhadap produksi jagung dengan tingkat
kepercayaan sebesar 95 persen. Jika penggunaan pupuk urea naik 1 persen
maka produksi bawang putih naik sebesar 0.230 persen.
9. T. Hitung KCL = 0.097 sig. 0.465
Pupuk KCL tidak berpengaruh nyata terhadap produksi jagung dengan tingkat
kepercayaan di bawah 90 persen.
10. T. Hitung Pestisida = 0.126 sig 0.525
pestisida tidak berpengaruh nyata terhadap produksi jagung dengan tingkat
kepercayaan di bawah 90 persen.
VII. KESIMPULAN
Adapun kesimpulan dari analisis uji asumsi klasik adalah :
1. 1. Data analisis efisiensi penggunaan faktor-faktor produksi pada usahatani
Jagung di Kabupaten Grobogan idak mengalami masalah multikolinearitas
karena semua variabel bebas memiliki VIF kurang dari 10
2. Data analisis efisiensi penggunaan faktor-faktor produksi pada usahatani
jagung di Kabupaten Grobogan tidak mengalami masalah heteroskedastis
karena semua Pro Chi Square lebih dari 0.05
3. Data analisis efisiensi penggunaan faktor-faktor produksi pada usahatani
jagung di Kabupaten Grobogan berada pada daerah B yaitu tidak ada
keputusan.
DAFTAR PUSTAKA
Damodar N. Gujarati and Dawn C. Porter. 2012. Dasar–dasar Ekonometrika.
Jakarta: Salemba Empat.
Pasandaran. 2006. Dasar-Dasar Ekonometrika Jilid 1 Edisi Ketiga. Mulyadi J,
Penerjemah; Jakarta: Erlangga. Terjemahan dari: Basic Econometric
Priyatno 2009. Teori Ekonomi Produksi dengan Pokok Bahasan Analisis Fungsi
Produksi Cobb-Douglass. Jakarta : CV Rajawali.
Soekartawi, Soeharjo A, Dilon J.L. dan J.B Hardaker. 2011. Ilmu Usahatani dan
Penelitian untuk Pengembangan Petani Kecil. Jakarta: Universitas
Indonesia.
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI
JAGUNG DI KECAMATAN WIROSARI KABUPATEN GROBOGAN
(Tugas Akhir Mata Kuliah Ekonometrika)
Oleh:
Revani Intan Putri
1514131056
JURUSAN AGRIBISNIS
FAKULTAS PERTANIAN
UNIVERSITAS LAMPUNG
2018