Analisis Faktor yang Mempengaruhi Hasil Produksi Kentang (Studi Kasus: Petani Kentang Kecamatan Naman Teran)

Gratis

3
22
100
2 years ago
Preview
Full text
KATA PENGANTAR Perihal : Permohonan Pengisian Angket Lampiran : 1 (Satu) Berkas Judul Skripsi : ANALISIS FAKTOR – FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI KENTANG Dengan hormat, Dalam rangka penulisan skripsi di Universitas Sumatera Utara (USU), sebagai salah satu syarat mendapatkan gelar Sarjana Sains (S.Si), maka Saya memohon dengan sangat kepada Bapak/Ibu/Saudara/i penduduk Kabupaten karo kecamatan Namanteran untuk mengisi angket yang telah disediakan. Angket ini bukan test psikologi dari manapun, maka dari itu Bapak/Ibu/Saudara/I tidak perlu takut atau ragu memberikan jawaban yang sejujurnya. Artinya, semua jawaban yang diberikan Bapak/Ibu/Saudara/i adalah benar, dan jawaban yang diminta adalah sesuai dengan yang Bapak/Ibu/Saudara/i rasakan dan ketahui. Setiap jawaban yang diberikan merupakan bantuan yang tidak ternilai harganya pada penelitian ini. Atas perhatian, bantuan, dan kerja sama yang baik, Saya mengucapkan terima kasih. Hormat Saya Sartika br perangin- angin Petunjuk Pengisian Angket 1. Mohon dengan hormat bantuan dan kesediaan Bapak/Ibu/Saudara/i untuk menjawab seluruh pertanyaan yang ada. 2. Pada kuesioner ini terdapat 9 pernyataan. Pertimbangkan baik-baik setiap pernyataan yang dapat mempengaruhi hasil produksi panen kentang. 3. Berilah tanda (X) pada kolom Bapak/Ibu/Saudara/i pilih sesuai dengan yang diketahui dan rasakan. Terima kasih. 4. Ada 5 (lima) alternatif jawaban, yaitu: Universitas Sumatera Utara SS = Sangat Setuju S = Setuju TT = Tidak Tahu/Netral TS = Tidak Setuju STS = Sangat Tidak Setuju ANGKET/KUESIONER “ ANALISIS FAKTOR – FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI KENTANG” Nama : Jenis Kelamin :[ Umur : . . . . . . tahun Alamat : NO 1. ] Laki-laki [ ] Perempuan Pernyataan S TT KS STS Pengolahaan pupuk kandang pada awal penanaman akan mempengaruhi kesuburan tanah. 2. Lahan yang luas akan menghasilkan panen kentang yang tinggi. 3. Setelah umur kentang 30 hari maka penyemprotan pestisida harus dilakukan 2 hari sekali sampai panen. 4. Kesuburan tanah bergantung terhadap banyaknya pemberian air. 5. Jumlah tenaga kerja merupakan kebutuhan pokok untuk mencapai hasil produksi yang maksimal. 6. SS Jarak tanam antara satu kentang dengan kentang yang lain bergantung terhdap besar kecilnya bibit yang kita gunakan. Universitas Sumatera Utara 7. Bibit kentang yang berkualitas adalah bibit yang di impor dari luar 8. Interval pemberiaan pupuk terhadap tanaman kentang mempengaruhi tingginya hasil panen. 9. Besarnya modal mempengaruhi pencapaiaan hasil produksi kentang yang tinggi Universitas Sumatera Utara Lampiran 2 A. Data Asli Hasil Koisioner No Responden X1 X2 X3 X4 X5 X6 X7 X8 X9 1 2 3 4 5 6 7 8 9 10 11 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 5 4 4 5 5 4 5 4 5 5 5 5 4 5 5 5 5 5 4 5 5 4 4 5 5 4 5 5 5 5 5 4 5 5 4 4 2 2 3 1 1 2 2 4 4 2 2 1 4 5 4 5 5 4 2 5 2 5 2 2 2 2 4 2 2 3 1 4 4 2 2 2 5 4 4 2 2 5 5 3 1 2 2 1 3 4 5 4 4 5 5 5 5 4 5 5 5 4 5 3 4 2 4 2 5 4 4 4 2 2 3 2 2 2 4 4 2 1 1 1 3 4 5 3 3 3 2 4 4 4 2 2 2 2 4 3 4 4 2 2 3 4 4 4 2 4 4 4 4 4 4 3 2 4 2 2 2 5 5 4 4 3 4 4 4 4 4 4 4 4 4 3 4 4 2 4 3 2 2 2 2 2 4 2 2 5 2 4 4 2 2 4 3 3 4 5 5 4 5 5 2 5 5 5 5 5 5 5 2 4 5 4 4 4 4 2 2 2 2 1 1 4 4 3 2 1 2 4 3 3 5 3 4 3 4 5 4 5 4 4 4 4 5 5 5 2 5 3 3 2 2 2 5 4 2 4 4 4 4 5 2 1 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 5 2 4 4 5 4 5 4 4 4 2 2 4 1 4 2 5 2 5 5 2 2 5 5 5 5 4 4 2 4 4 4 2 2 2 2 4 2 2 4 5 4 5 4 4 4 Universitas Sumatera Utara 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 5 5 5 5 4 5 5 4 4 4 4 5 4 4 5 5 5 5 4 2 4 5 4 5 5 4 5 5 4 5 2 3 3 2 4 2 3 2 5 4 5 5 3 2 4 2 2 2 4 2 4 2 5 5 2 4 4 5 5 5 5 4 2 4 5 4 5 5 4 5 5 4 5 2 3 3 2 4 2 2 5 4 4 4 4 4 5 5 4 1 1 3 1 1 3 1 1 1 4 4 5 2 4 3 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 5 4 3 4 5 4 4 2 1 2 2 2 4 2 4 4 2 4 2 4 2 3 4 1 2 2 2 2 3 4 2 3 2 2 2 2 3 3 3 4 3 4 2 3 3 3 3 4 4 4 2 1 1 2 2 4 5 5 5 4 1 2 4 2 5 2 4 2 2 2 1 2 2 2 2 2 2 2 2 2 2 1 3 2 4 2 4 5 4 4 5 5 4 2 1 3 1 5 2 4 4 4 2 2 2 4 4 5 4 2 5 2 4 4 2 4 5 3 4 2 2 4 3 2 4 3 4 3 4 4 5 4 5 5 4 5 3 2 2 3 2 1 2 4 4 1 1 1 3 2 4 4 2 2 2 1 2 2 1 3 2 2 2 2 1 4 1 1 4 4 4 4 3 4 2 4 4 4 2 5 5 4 4 4 3 4 4 5 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 2 1 2 2 4 2 5 5 2 2 2 4 2 4 4 2 2 2 3 2 2 2 2 4 4 2 2 2 2 3 2 3 2 3 1 4 1 1 5 4 4 4 4 2 5 3 2 4 2 2 5 Universitas Sumatera Utara 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 4 5 5 5 5 5 4 5 5 5 5 5 2 5 5 4 5 5 5 5 4 5 3 4 4 4 4 4 4 5 4 5 4 3 5 4 2 4 2 2 1 2 5 4 4 2 4 3 3 4 4 4 4 2 4 4 5 2 4 1 1 2 2 4 5 4 2 5 3 5 5 5 5 4 2 2 3 4 2 2 2 2 2 2 4 4 3 3 3 5 4 5 4 5 3 2 3 5 3 2 4 2 4 2 2 4 5 4 3 5 4 5 4 3 4 3 3 1 4 3 4 4 4 2 1 2 4 5 5 4 5 4 5 4 4 3 5 3 4 4 4 4 4 4 1 1 2 4 4 5 5 5 3 4 3 5 3 4 4 1 5 4 4 4 4 4 4 2 4 4 5 5 3 3 3 3 5 3 4 5 3 5 4 4 4 4 5 5 5 Universitas Sumatera Utara B. Data Hasil Kuisiner Pensekalaan No respondent 1 X1 X1 X3 X4 X5 X6 X7 X8 X9 3,629 2,221 4,082 2,331 2,254 2,091 1,926 4,966 2,518 2 2,283 2,221 2,870 2,331 3,600 2,091 1,926 3,417 2,518 3 2,283 2,835 2,870 3,190 3,600 3,351 1,926 1,794 3,789 4 3,629 1,000 1,746 2,331 3,600 2,091 1,000 3,417 1,000 5 3,629 1,000 1,746 2,331 3,600 2,091 1,000 3,417 3,789 6 2,283 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518 7 3,629 2,221 4,082 3,906 3,600 2,091 3,047 3,417 4,784 8 2,283 3,352 2,124 3,906 2,949 3,351 2,445 4,966 2,518 9 3,629 3,352 1,000 2,331 2,254 3,351 1,926 1,794 4,784 10 3,629 2,221 1,746 1,000 3,600 2,091 1,000 1,000 4,784 11 3,629 2,221 1,746 1,000 2,254 2,091 1,926 3,417 2,518 12 3,629 1,000 1,000 1,000 2,254 3,351 3,047 3,417 2,518 13 2,283 3,352 2,124 3,190 2,254 2,712 2,445 3,417 4,784 14 3,629 4,409 2,870 3,906 4,730 2,712 2,445 3,417 4,784 15 3,629 3,352 4,082 4,981 4,730 3,351 4,068 3,417 4,784 16 3,629 4,409 2,870 3,190 3,600 4,450 2,445 3,417 4,784 17 3,629 4,409 2,870 3,190 3,600 4,450 3,047 4,966 3,789 18 3,629 3,352 4,082 3,190 2,949 3,351 2,445 3,417 3,789 19 2,283 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518 20 3,629 4,409 4,082 3,906 3,600 4,450 4,068 3,417 3,789 21 3,629 2,221 4,082 3,906 3,600 2,091 3,047 3,417 3,789 22 2,283 4,409 2,870 3,906 3,600 4,450 4,068 3,417 3,789 23 2,283 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518 24 3,629 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518 25 3,629 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518 26 2,283 2,221 2,870 2,331 3,600 4,450 3,047 3,417 2,518 27 3,629 3,352 4,082 3,906 3,600 4,450 4,068 4,966 3,789 28 3,629 2,221 2,124 3,190 2,949 4,450 4,068 1,794 2,518 29 3,629 2,221 2,870 3,906 3,600 2,091 4,068 3,417 2,518 30 3,629 2,835 1,746 3,906 3,600 3,351 1,926 3,417 3,789 31 3,629 1,000 2,870 2,331 2,254 4,450 4,068 4,966 4,784 32 2,283 3,352 1,746 2,331 3,600 3,351 2,445 3,417 3,789 33 3,629 3,352 4,082 3,190 2,949 3,351 2,445 4,966 4,784 34 3,629 2,221 2,870 3,906 2,254 3,351 1,926 3,417 3,789 35 2,283 2,221 2,870 3,906 2,254 3,351 1,926 3,417 3,789 36 2,283 2,221 2,870 3,906 2,254 2,091 1,926 3,417 3,789 37 3,629 2,221 4,082 3,906 3,600 4,450 3,047 3,417 3,789 Universitas Sumatera Utara 38 3,629 3,352 4,082 3,906 3,600 3,351 4,068 3,417 3,789 39 3,629 2,221 2,870 2,331 2,254 2,091 2,445 2,244 4,784 40 3,629 2,221 1,000 1,000 1,000 1,000 1,926 3,417 2,518 41 2,283 2,221 1,000 2,331 1,000 2,712 1,926 1,794 1,000 42 3,629 3,352 2,124 2,331 2,254 1,000 2,445 3,417 2,518 43 3,629 2,221 1,000 2,331 2,254 4,450 1,926 3,417 2,518 44 2,283 3,352 1,000 3,906 3,600 2,091 1,000 3,417 3,789 45 2,283 2,221 2,124 2,331 4,730 3,351 1,926 1,794 2,518 46 2,283 4,409 1,000 3,906 4,730 3,351 3,047 4,966 4,784 47 2,283 4,409 1,000 3,906 4,730 3,351 3,047 4,966 4,784 48 3,629 2,221 1,000 2,331 3,600 2,091 1,000 3,417 2,518 49 2,283 3,352 2,870 3,906 1,000 2,091 1,000 3,417 2,518 50 2,283 3,352 2,870 2,331 2,254 2,091 1,000 3,417 2,518 51 3,629 4,409 4,082 3,906 3,600 3,351 2,445 2,244 3,789 52 3,629 4,409 1,746 2,331 2,254 3,351 1,926 3,417 2,518 53 3,629 4,409 2,870 3,190 4,730 4,450 3,047 3,417 3,789 54 3,629 4,409 2,124 3,906 2,254 3,351 3,047 4,966 3,789 55 2,283 3,352 4,082 1,000 3,600 2,091 1,926 2,244 2,518 56 1,000 2,221 2,870 2,331 2,254 4,450 1,926 3,417 2,518 57 2,283 3,352 2,870 2,331 2,254 2,091 1,926 3,417 2,518 58 3,629 4,409 2,870 2,331 2,254 3,351 1,000 3,417 3,277 59 2,283 3,352 2,870 2,331 1,000 3,351 1,926 3,417 2,518 60 3,629 4,409 2,870 3,190 2,254 2,091 1,926 3,417 2,518 61 3,629 4,409 2,870 3,906 2,254 3,351 1,000 3,417 2,518 62 2,283 3,352 2,870 2,331 2,254 4,450 2,445 3,417 2,518 63 3,629 4,409 2,870 3,190 2,254 2,712 1,926 3,417 3,789 64 3,629 4,409 2,870 2,331 2,254 3,351 1,926 3,417 3,789 65 2,283 3,352 2,870 2,331 2,254 2,091 1,926 3,417 2,518 66 3,629 4,409 2,870 2,331 2,254 2,091 1,926 3,417 2,518 67 1,000 2,221 2,870 2,331 2,254 3,351 1,000 3,417 2,518 68 1,576 2,835 2,870 3,190 2,254 2,712 3,047 3,417 2,518 69 1,576 2,835 2,870 3,190 2,254 2,091 1,000 3,417 3,277 70 1,000 2,221 2,870 3,190 1,000 3,351 1,000 3,417 2,518 71 2,283 3,352 2,870 3,906 2,949 2,712 3,047 3,417 3,277 72 1,000 2,221 2,124 3,190 2,254 3,351 3,047 3,417 2,518 73 1,576 2,221 2,870 3,906 3,600 2,712 0,000 0,000 0,000 74 1,000 4,409 2,870 2,331 2,254 3,351 2,445 3,417 3,277 75 3,629 3,352 4,082 3,190 3,600 3,351 1,000 3,417 2,518 76 2,283 3,352 2,870 3,190 4,730 4,450 3,047 3,417 3,789 77 3,629 3,352 2,124 3,190 3,600 3,351 1,000 3,417 2,518 Universitas Sumatera Utara 78 3,629 3,352 2,870 3,190 3,600 4,450 1,000 1,794 2,518 79 1,576 3,352 4,082 3,906 4,730 4,450 4,068 4,966 4,784 80 2,283 4,409 4,082 3,906 3,600 3,351 3,047 3,417 3,789 81 3,629 2,835 2,870 4,981 3,600 4,450 4,068 3,417 3,789 82 3,629 3,352 2,870 3,906 2,949 3,351 4,068 4,966 4,784 83 3,629 3,352 1,746 2,331 2,949 2,712 3,047 4,966 4,784 84 3,629 3,352 2,870 4,981 2,949 4,450 4,068 4,966 3,277 85 3,629 3,352 2,124 3,190 4,730 3,351 3,047 2,244 3,277 86 2,283 3,352 2,124 4,981 3,600 4,450 4,068 3,417 3,277 87 3,629 3,352 2,870 4,981 4,730 3,351 3,047 2,244 3,277 88 3,629 4,409 2,870 4,981 3,600 2,712 3,047 4,966 4,784 89 3,629 3,352 2,870 4,981 4,730 3,351 2,445 2,244 3,277 90 3,629 4,409 2,870 3,906 2,949 2,712 4,068 3,417 3,789 91 3,629 3,352 1,746 2,331 2,254 2,712 2,445 3,417 4,784 92 1,000 2,835 2,870 2,331 2,949 1,000 3,047 1,000 3,277 93 3,629 4,409 2,870 3,190 4,730 3,351 3,047 4,966 4,784 94 3,629 3,352 4,082 3,906 2,949 2,712 3,047 3,417 3,789 95 2,283 2,221 1,746 2,331 2,254 3,351 3,047 3,417 3,789 96 3,629 3,352 2,870 2,331 3,600 3,351 3,047 3,417 3,789 97 3,629 2,221 1,000 2,331 2,254 3,351 3,047 3,417 3,789 98 3,629 2,221 1,000 2,331 3,600 2,091 1,000 3,417 4,784 99 3,629 1,000 1,746 2,331 2,254 1,000 1,000 3,417 4,784 100 2,283 2,221 1,746 2,331 2,254 2,091 1,926 1,794 4,784 Universitas Sumatera Utara Lampiran 3 Hasil Output SPSS Case Processing Summary N Cases Valid a Excluded Total % 100 100.0 0 .0 100 100.0 a. Listwise deletion based on all variables in the procedure. Reliability Statistics Cronbach's Alpha Based on Cronbach's Alpha Standardized Items .714 N of Items .710 9 Item Statistics Mean Std. Deviation N VAR00001 2.9853 .84835 100 VAR00002 3.0627 .94112 100 VAR00003 2.7093 .93990 100 VAR00004 3.0628 .94647 100 VAR00005 3.0629 .94466 100 VAR00006 3.1542 .94623 100 VAR00007 2.4582 .98305 100 VAR00008 3.3828 .93165 100 VAR00009 3.3828 .98779 100 Universitas Sumatera Utara Item-Total Statistics Cronbach's Scale Mean if Item Deleted Scale Variance if Corrected Item- Squared Multiple Item Deleted Total Correlation Correlation Alpha if Item Deleted VAR00001 24.2757 19.639 .197 .102 .720 VAR00002 24.1984 18.045 .364 .192 .693 VAR00003 24.5517 18.599 .291 .168 .707 VAR00004 24.1983 16.942 .514 .319 .665 VAR00005 24.1982 17.591 .424 .285 .682 VAR00006 24.1068 17.894 .381 .296 .690 VAR00007 24.8029 16.304 .576 .408 .651 VAR00008 23.8782 18.209 .348 .229 .696 VAR00009 23.8783 17.649 .388 .299 .689 Scale Statistics Mean Variance 27.2611 Std. Deviation 21.842 4.67350 N of Items 9 Communalities Initial Extraction VAR00001 1.000 .522 VAR00002 1.000 .286 VAR00003 1.000 .475 VAR00004 1.000 .519 VAR00005 1.000 .721 VAR00006 1.000 .567 VAR00007 1.000 .602 VAR00008 1.000 .806 VAR00009 1.000 .643 Universitas Sumatera Utara KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df .721 150.262 36 Sig. .000 Component Transformation Matrix Compo nent 1 2 3 1 .784 .522 .337 2 -.618 .713 .331 3 .067 .467 -.881 Component Matrix a Component 1 2 3 VAR00001 .294 .578 .319 VAR00002 .519 .131 .012 VAR00003 .457 -.515 -.012 VAR00004 .690 -.121 .168 VAR00005 .597 -.132 .589 VAR00006 .569 -.460 -.180 VAR00007 .742 -.086 -.209 VAR00008 .497 .337 -.668 VAR00009 .540 .590 .051 Extraction Method: Principal Component Analysis. Universitas Sumatera Utara Component Matrix a Component 1 2 3 VAR00001 .294 .578 .319 VAR00002 .519 .131 .012 VAR00003 .457 -.515 -.012 VAR00004 .690 -.121 .168 VAR00005 .597 -.132 .589 VAR00006 .569 -.460 -.180 VAR00007 .742 -.086 -.209 VAR00008 .497 .337 -.668 VAR00009 .540 .590 .051 Extraction Method: Principal Component Analysis. a. 3 components extracted. Rotated Component Matrix a Component 1 2 3 VAR00001 -.105 .714 .009 VAR00002 .327 .370 .207 VAR00003 .676 -.134 -.006 VAR00004 .627 .352 .044 VAR00005 .589 .493 -.362 VAR00006 .718 -.116 .198 VAR00007 .621 .228 .406 VAR00008 .136 .188 .868 VAR00009 .062 .727 .333 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 6 iterations. Universitas Sumatera Utara Universitas Sumatera Utara Total Variance Explained Initial Eigenvalues Compon ent Total % of Variance Extraction Sums of Squared Loadings Cumulative % Total % of Variance Cumulative % Rotation Sums of Squared Loadings Total % of Variance Cumulative % 1 2.810 31.220 31.220 2.810 31.220 31.220 2.237 24.855 24.855 2 1.329 14.770 45.990 1.329 14.770 45.990 1.662 18.462 43.317 3 1.003 11.142 57.132 1.003 11.142 57.132 1.243 13.815 57.132 4 .944 10.489 67.621 5 .781 8.676 76.297 6 .687 7.635 83.932 7 .556 6.180 90.111 8 .496 5.509 95.620 9 .394 4.380 100.000 Extraction Method: Principal Component Analysis. Universitas Sumatera Utara Inter-Item Correlation Matrix VAR00001 VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009 VAR00001 1.000 .102 -.005 .077 .174 -.005 .135 .154 .278 VAR00002 .102 1.000 .162 .375 .184 .159 .172 .225 .253 VAR00003 -.005 .162 1.000 .288 .214 .276 .295 .094 -.007 VAR00004 .077 .375 .288 1.000 .383 .261 .381 .205 .253 VAR00005 .174 .184 .214 .383 1.000 .314 .328 .010 .268 VAR00006 -.005 .159 .276 .261 .314 1.000 .456 .198 .031 VAR00007 .135 .172 .295 .381 .328 .456 1.000 .351 .347 VAR00008 .154 .225 .094 .205 .010 .198 .351 1.000 .320 VAR00009 .278 .253 -.007 .253 .268 .031 .347 .320 1.000 Universitas Sumatera Utara Anti-image Matrices VAR00001 Anti-image Covariance Anti-image Correlation VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009 VAR00001 .898 -.024 .021 .033 -.108 .057 -.024 -.074 -.140 VAR00002 -.024 .808 -.060 -.205 -.012 -.053 .063 -.095 -.112 VAR00003 .021 -.060 .832 -.112 -.060 -.076 -.117 -.005 .110 VAR00004 .033 -.205 -.112 .681 -.168 -.011 -.107 -.042 -.040 VAR00005 -.108 -.012 -.060 -.168 .715 -.153 -.060 .162 -.136 VAR00006 .057 -.053 -.076 -.011 -.153 .704 -.225 -.083 .136 VAR00007 -.024 .063 -.117 -.107 -.060 -.225 .592 -.140 -.161 VAR00008 -.074 -.095 -.005 -.042 .162 -.083 -.140 .771 -.159 VAR00009 -.140 -.112 .110 -.040 -.136 .136 -.161 -.159 .701 VAR00001 .713 a -.029 .024 .043 -.134 .072 -.033 -.089 -.177 VAR00002 -.029 .742 a -.073 -.276 -.015 -.070 .091 -.121 -.149 VAR00003 .024 -.073 .779 a -.149 -.078 -.099 -.167 -.006 .144 VAR00004 .043 -.276 -.149 .783 a -.240 -.015 -.168 -.058 -.058 VAR00005 -.134 -.015 -.078 -.240 .707 a -.215 -.092 .218 -.192 VAR00006 .072 -.070 -.099 -.015 -.215 .685 a -.349 -.113 .194 VAR00007 -.033 .091 -.167 -.168 -.092 -.349 .736 a -.207 -.250 VAR00008 -.089 -.121 -.006 -.058 .218 -.113 -.207 .690 a -.216 VAR00009 -.177 -.149 .144 -.058 -.192 .194 -.250 -.216 .657 a. Measures of Sampling Adequacy(MSA) Universitas Sumatera Utara a LAMPIRAN 4 A. PERHITUNGAN ANALISIS FAKTOR MENGGUNAKAN MATRIKS MATRIKS KORELASI SEDERHANA ( 1 = 2 3 4 5 6 7 8 9 1 1 0,102 -0,005 0,077 0,174 -0,005 0,135 0,154 0,278 2 0,102 1 0,162 0,375 0,184 0,159 0,172 0,225 0,253 3 -0,005 0,162 1 0,288 0,214 0,276 0,295 0,094 -0,007 4 0,077 0,375 0,288 1 0,383 0,261 0,381 0,205 0,253 5 0,174 0,184 0,214 0,383 1 0,314 0,328 0,01 0,268 6 -0,005 0,159 0,276 0,261 0,314 1 0,456 0,198 0,031 7 0,135 0,172 0,295 0,381 0,328 0,456 1 0,351 0,347 8 0,154 0,225 0,094 0,205 0,01 0,198 0,351 1 0,32 9 0,278 0,253 -0,007 0,253 0,268 0,031 0,347 0,32 1 Universitas Sumatera Utara Dengan bantuan software MATLAB (Matrix Laboratory), didapat nilai karakteristik (eigen value) dan vektor karakteristik (eigen vector) dari matrik korelasi sederhana ( . MATRIKS EIGEN VALUE (L) = 1 2 3 4 5 6 7 8 9 1 2,8095 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 2 0,0000 1,3296 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 3 0,0000 0,0000 1,0023 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 4 0,0000 0,0000 0,0000 0,9447 0,0000 0,0000 0,0000 0,0000 0,0000 5 0,0000 0,0000 0,0000 0,0000 0,7808 0,0000 0,0000 0,0000 0,0000 6 0,0000 0,0000 0,0000 0,0000 0,0000 0,6870 0,0000 0,0000 0,0000 7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,5563 0,0000 0,0000 8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,4960 0,0000 9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,3938 Universitas Sumatera Utara MATRIKS EIGEN VEKTOR (V ) 1 = 2 3 4 5 6 7 8 9 1 -0,0340 -0,1322 -0,1696 0,3201 0,5965 0,3327 0,3197 0,5006 0,01753 2 0,2317 -0,0978 -0,3443 0,4299 0,0702 -0,7211 0,0100 0,1125 0,3096 3 -0,1222 0,1002 -0,2702 0,4296 0,6621 -0,0682 -0.0122 -0,4470 0,2729 4 0,2535 -0,1700 0,7341 0,1608 -0,0998 -0,3521 0,1668 -0,1056 0,4113 5 0,2711 0,5836 -0,0732 0,0106 -0,2573 0,1675 0,5883 -0,1146 0,3562 6 -0,4835 -0,0639 -0,1336 0,5607 -0,1501 0,3175 -0,1797 -0,3992 0,3390 7 0,5915 -0,5016 -0,0166 -0,1613 -0,1285 0,3330 -0,2078 -0,0741 0,4429 8 0,0762 0,5698 0,2088 0,0049 0,0815 0,0220 0,6674 0,2925 0,2962 9 -0,3226 -0,1141 -0,4022 -0,4022 -0,2810 0,0217 0,0517 0,0513 0,3226 Matriks loading factor ( ) diperoleh dengan mengalikan matriks eigen vector dengan akar dari matriks eigen value. Atau dalam persamaan matematis ditulis √ . Universitas Sumatera Utara AKAR DARI MATRIKS EIGEN VALUE (√ ) √ = 1 2 3 4 5 6 7 8 9 1 1,6761 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 2 0,0000 1,1531 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 3 0,0000 0,0000 1,0011 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 4 0,0000 0,0000 0,0000 0,9720 0,0000 0,0000 0,0000 0,0000 0,0000 5 0,0000 0,0000 0,0000 0,0000 0,8836 0,0000 0,0000 0,0000 0,0000 6 0,0000 0,0000 0,0000 0,0000 0,0000 0,8299 0,0000 0,0000 0,0000 7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,7458 0,0000 0,0000 8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,7043 0,0000 9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,66275 Universitas Sumatera Utara MATRIKS LOADING FACTOR ( ) 1 = 2 3 4 5 6 7 8 9 1 0,2939 0,5773 0,3201 0,3234 0,5271 0,2653 0,1265 -0,0931 -0,0213 2 0,5189 0,1297 0,0101 -0,7008 -0,0620 0,3563 -0,2568 -0,688 0,1454 3 0,4574 -0,5155 -0,0123 -0,0663 0,5851 -0,3561 -0,2015 0,0706 -0,0767 4 0,6894 0,1218 -0,0882 -0,1333 0,5475 -0,1197 -0,1591 5 0,5970 -0,1322 0,5890 0,1628 -0,2274 0,0088 -0,0546 0,4110 0,1701 6 0,5683 -0,4603 -0,1799 0,3086 0,1326 0,4648 -0,0997 0,2969 -0,3034 7 0,7424 -0,0855 -0,2080 0,3237 -0,1135 -0,1337 -0,0124 -0,0450 0,7424 8 0,4965 0,3376 -0,6682 0,0214 0,0720 0,0041 0,1557 -0,3533 0,4965 9 0,5407 0,5905 -0,2483 -0,3334 -03109 0,4013 0,5407 0,1670 0,0518 -0,3442 0,0210 Keterangan : Angka yang dicetak tebal adalah nilai factor loading yang memiliki eigen value lebih besar dari satu. Universitas Sumatera Utara Matriks Rotated Factor Loading diperoleh dengan mengalikan matriks factor loading dengan matriks transformasi (Component Transformation Matrix). Atau dalam persamaan matematis ditulis sebagai : . = = 1 2 3 1 0,7840 0,5220 0,3370 2 -0,6180 0,7130 0,3310 3 0,670 0,4670 -0,8810 0,2939 0,5773 0,3201 -0,105 0,714 0,009 0,5189 0,1297 0,0101 0,327 0,370 0,207 0,4574 -0,5155 -0,0123 0,676 -0,134 -0,006 0,6894 0,1218 0,1670 0,627 0,352 0,044 0,5970 -0,1322 0,5890 0,7840 0,5220 0,3370 0,587 0,493 -0,362 0,5683 -0,4603 -0,1799 -0,6180 0,7130 0,3310 0,718 -0,116 0,198 0,7424 -0,0855 -0,2080 0,670 0,4670 -0,8810 0,621 0,228 0,406 0,4965 0,3376 -0,6682 0,136 0,118 0,868 0,5407 0,5905 0,0518 0,623 0,727 0.333 Universitas Sumatera Utara B. PERHITUNGAN DAN Untuk menghitung dan , maka diperlukan matriks korelasi sederhana dan matriks korelasi parsial yang semua entrinya telah dikuadratkan. Berikut ini akan disajikan matriks korelasi sederhana dan matriks korelasi parsial yang semua entrinya telah dikuadratkan MATRIKS KORELASI PARSIAL 1 2 1 [ ] -0,029 2 -0,029 3 -0,024 4 3 4 6 7 8 9 -0,024 0,043 -0,134 0,072 -0,033 -0,089 -0,177 -0,073 -0,276 -0,015 -0,070 0,091 -0,121 -0,149 -0.149 -0,078 -0,099 -0,167 -0,006 0,144 -0,240 -0,015 -0,168 -0,058 -0,058 0,215 -0,092 -0,218 -0,192 -0,349 -0,113 -0,194 -0,207 -0,250 -0,073 0,043 -0,276 5 -0.149 5 -0,134 -0,015 -0,078 -0,240 6 0,072 -0,070 -0,099 -0,015 -0,215 7 -0,033 0,091 -0,167 -0,168 -0,092 -0,349 8 -0,089 -0,121 -0,006 -0,058 -0,218 -0,113 -0,207 9 -0,177 -0,149 0,144 -0,058 -0,192 -0,194 -0,250 -0,216 -0,216 Universitas Sumatera Utara KUADRAT MATRIKS KORELASI PARSIAL 1 2 1 [ ] 3 4 5 6 7 8 Jumlah 9 0,000841 0,000576 0,001849 0,017956 0,005184 0,001089 0,007921 0,031329 2 0,000841 3 0,000576 0,005329 4 0,001849 0,076176 0,022201 0 0,0576 0,000225 0,028224 0,003364 0,003364 0,191154 5 0,017956 0,000225 0,006084 0,0576 0 0,046225 0,008464 0,047524 0,036864 0,202986 6 0,005184 7 0,001089 0,008281 0,027889 0,028224 0,008464 0,121801 8 0,007921 0,014641 0,000036 0,003364 0,047524 0,012769 0,042849 9 0,031329 0,022201 0,020736 0,003364 0,036864 0,037636 jumlah 0 0,005329 0,076176 0,000225 0,066745 0,0049 0,008281 0,014641 0,022201 0,131753 0 0,022201 0,006084 0,009801 0,027889 0,000036 0,020736 0,092076 0,0049 0,009801 0,000225 0,046225 0 0,121801 0,012769 0,037636 0 0,042849 0,233357 0,0625 0,300008 0 0,046656 0,167839 0,0625 0,046656 0,022201 0,283487 1,669405 Universitas Sumatera Utara KUADRAT MATRIKS KORELASI SEDERHANA 1 1 [ ] 2 3 4 5 6 7 8 Jumlah 9 0,010404 0,000025 0,005929 0,030276 0,000025 0,018225 0,023716 0,077284 0,165884 2 0,010404 3 0,000025 0,026244 4 0,005929 0,140625 0,082944 5 0,030276 0,033856 0,045796 0,146689 6 0,000025 0,025281 0,076176 0,068121 0,098596 7 0,018225 0,029584 0,087025 0,145161 0,107584 0,207936 8 0,023716 0,050625 0,008836 0,042025 9 0,077284 0,064009 0,000049 0,064009 0,071824 0,000961 0,120409 Jumlah 0,026244 0,140625 0,033856 0,025281 0,029584 0,050625 0,064009 0,380628 0,082944 0,045796 0,076176 0,087025 0,008836 0,000049 0,327095 0,146689 0,068121 0,145161 0,042025 0,064009 0,695503 0,098596 0,107584 0,0001 0,071824 0,534721 0,207936 0,039204 0,000961 0,5163 0,123201 0,120409 0,839125 0,0001 0,039204 0,123201 0,1024 0,390107 0,1024 0,500945 4,350308 Universitas Sumatera Utara ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ Universitas Sumatera Utara C. UJI BARTLETT DENGAN PENDEKATAN STATISTIK CHI SQUARE Untuk menguji apakah matriks korelasi sederhana bukan merupakan suatu matriks identitas, maka digunakan uji Bartlett dengan pendekatan statistik chi square. Berikut ini diuraikan langkah-langkah pengujiannya. 1. Hipotesis : Matriks korelasi sederhana merupakan matriks identitas : Matriks korelasi sederhana bukan merupakan matriks identitas 2. Statistik uji [ | | ] 3. . ; 4. Kriteria pengujian : tolak jika 5. Perhitungan [ 6. Kesimpulan : [ ] ] , maka tolak . Dengan kata lain, matriks korelasi sederhana bukan merupakan matriks identitas. Universitas Sumatera Utara D.PERHITUNGAN KOMUNALITAS X1 -0,105 0,714 0,009 0,011025 0,509796 0,000081 0,520902 X2 0,327 0,370 0,207 0,106929 0,13690 0,042849 0,286678 X3 0,676 -0,134 -0,006 0,456976 0,017956 0,000036 0,474968 X4 0,627 0,352 0,044 0,393129 0,123904 0,001936 0,518969 X5 0,589 0,493 -0,362 0,346921 0,243049 0,131044 0,721014 X6 0,718 -0,116 0,198 0,515524 0,013456 0,039204 0,568184 X7 0,621 0,228 0,406 0,385641 0,051984 0,164836 0,602461 X8 0,136 0,188 0,868 0,018496 0,035344 0,753424 0,807264 X9 0,062 0,727 0,333 0,003844 0,528529 0,110889 0,643262 Universitas Sumatera Utara DAFTAR PUSTAKA Anton Howard . 1988. Penerapan Aljabar Linear. Penerjemah Silaban. P .Penerbit Erlangga. Badan Pusat Statistik Karo. 2011. Kabupaten Karo dalam Angka 2011, penerbit BPS Kabupaten Karo . Ghozali, Imam. 2005. Aplikasi Analisis Multivariat dengan Program SPSS. Universitas Diponegoro, Semarang. Idawati Nurul. 2012. Pedoman Lengkap Bertanam Kentang. Yogyakarta: Pustaka Baru Press. Lubis, Ade Fatma et al 2007. Aplikasi SPSS (Statistical Product and Service Solutions) untuk penyusunan skripsi & tesis, USU Press, Medan. Maman dan Sambas. 2011. Dasar-dasar Metode Statistika Untuk Penelitiaan Bandung: CV Pustaka Setia Riduwan. 2009. Skala Pengukuran Variabel-variabel Penelitian. Alfabeta, Bandung. Santoso, Singgih. 2010. Statistik Multivariat. PT. Gramedia, Jakarta. Setiadi dan surya fitri nurulhuda.2007. Kentang Varieta dan Pembudidayaan. Jakarta: Penebar swadaya Soelarso Bambang 1997. Budi Daya Kentng Bebas Penyakit: Penerbit Kanisius, Yogyakarta. Singarimbun, Masri dan Sofian effendi. 1987. Metode Penelitian Survai. LP3ES, Jakarta. Sugiarto. 2001. Teknik Sampling. PT. Gramedia Pustaka Utama. Universitas Sumatera Utara Supranto, J. (2004). Analisis Multivariat Arti dan Interpretasi. PT. Rineka Cipta, Jakarta. Tony Hartus. 2001. Usaha Pembibitan Kentang Bebas Varietas. Bogor: PT Penebar Swadaya Universitas Sumatera Utara BAB 3 PEMBAHASAN DAN HASIL 3.1 Populasi, Sampel dan Teknik Pengambilan Sampel Populasi dalam penelitian ini adalah seluruh petani di kecamatan Naman Teran. Populasi sasaranya adalah petani kentang yang menanam kentang pada saat penelitiaan. Data total jumlah petani di kecamatan Naman Teran pada tahun 2011 yang diproleh dari hasil sensus oleh Badan Pusat Statistika adalah sebagai berikut: Tabel 3.1 Daftar Jumlah Petani Tahun 2011 di Kecamatan Naman Teran No Desa Jumlah Petani (jiwa) 1 Kuta Gunung 1022 2 Sigarang – garang 1200 3 Berkah 185 4 Simacem 257 5 Sukanalu 635 6 Kuta tonggal 224 7 Sukandebi 515 8 Naman 500 9 Sukatepu 388 10 Ndeskati 222 11 Kuta mbelin 553 12 Gung pinto 300 13 Kebayaken 210 14 Kuta Rayat 1413 Jumlah 7624 Sumber: Kecamatan Naman Teran dalam angka 2012 Universitas Sumatera Utara Jumlah sampel dalam penelitiaan ini adalah sebanyak 100 responden. Dan teknik pengambilan sampel yang digunakaan dalam penelitiaan ini adalah teknik sampling convenience Sampling (sampling kemudahan), sampling diambil berdasarkan ketersediaan elemen dan kemudahan untuk mendapatkanya. Dengan kata lain sampel yang terpilih atau yang diambil karena sampel tersebut ada pada tempat dan waktu yang tepa (Sugiarto,2001). Pengambilan sampel dalam penelitian ini menggunakan metode Proportionate Stratified Random Sampling, maka jumlah sampel yang harus diambil berdasarkan jumlah populasi diatas adalah Berdasarkan perhitungan proporsi diproleh jumlah sampel pada setiap desa di kecamatan Naman Teran. Tabel 3.2 Jumlah Sampel Setiap Desa No Desa Jumlah Petani Jumlah sampel (jiwa) 1 Kuta Gunung 13 2 Sigarang – garang 16 3 Berkah 2 4 Simacem 3 5 Sukanalu 8 6 Kuta tonggal 3 7 Sukandebi 7 8 Naman 7 9 Sukatepu 5 10 Ndeskati 3 Universitas Sumatera Utara 11 Kuta mbelin 7 12 Gung pinto 4 13 Kebayaken 3 14 Kuta Rayat 19 Jumlah 100 Sumber: setelah diolah 3.2 Variabel Penelitiaan Variable yang digunakaan dalam penelitiaan ini adalah: = Pupuk kandang = Luas lahan = Pestisida = Kesuburan lahan = Tenaga kerja = Jarak tanam antara kentang = Bibit = Pupuk = Modal Universitas Sumatera Utara 3.3 Sumber Data Dalam penelitiaan ini data yang digunakan adalalah data primer dan data sekunder. Data primer bersumber dari hasil wawancara terstruktur terhadap responden denggan menggunakan kuisoner. Kuesioner yang digunakan adalah kuisioner berstruktur dalam bentuk pernyataan yang telah disertai dengan pilihan jawaban dalam bentuk sekala. Sekala yang digunakan adalah sekala telah dimodifikasi dalam bentuk pernyataan diberi range skor anatara 1 sampai dengan 5, masing - masing adalah: 1 = Sangat tidak setuju 2 = Tidak setuju 3 = Tidak tahu/Netral 4 = Setuju 5 = Sangat setuju 3.4 Pengolahan Data 3.4.1 Input Data Mentah Penentuan matriks input data mentah yang terdiri 100 sampel responden dan 9 variabel adalah sebagai berikut: Universitas Sumatera Utara Tabel 3.3 Data Hasil Kuisioner Nomor X1 X2 1 5 2 5 2 2 2 2 5 2 2 4 2 4 2 4 2 2 4 2 3 4 3 4 3 4 4 2 2 4 4 5 1 2 2 4 2 1 4 1 5 5 1 2 2 4 2 1 4 4 6 4 2 5 2 4 5 4 4 2 7 5 2 5 4 4 2 4 4 5 8 4 4 3 4 3 4 3 5 2 9 5 4 1 2 2 4 2 2 5 10 5 2 2 1 4 2 1 1 5 11 5 2 2 1 2 2 2 4 2 12 5 1 1 1 2 4 4 4 2 13 4 4 3 3 2 3 3 4 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 4 2 2 2 2 2 2 5 responden X3 X4 X5 X6 X7 X8 2 X9 Data mentah secara keseluruhan dapat dilihat di dalam lampiran 1 A. 3.4.2 Penskalaan Data Ordinal Menjadi Data Interval Dari data mentah hasil kuesioner dibuat suatu matriks data yang telah dilakukan penskalaan menjadi skala interval. Teknik penskalaan yang digunakan dalam penelitian ini adalah Methods Successive Interval dengan bantuan Microsoft Office Excel 2007. Berikut ini adalah perhitungan penskalaan Methods Successive Interval Universitas Sumatera Utara Tabel 3.4 Penskalaan Variabel 1 No. variab el 1 Kategori Skor Jawaban Nilai Frekuensi Proporsi Proporsi Kumulatif Z Densita Hasil s {f(z)} Penskala Ordinal an 2,000 6,000 0,060 0,060 -1,555 0,119 1,000 3,000 4,000 0,040 0,100 -1,282 0,175 1,576 4,000 30,000 0,300 0,400 -0,253 0,386 2,283 5,000 60,000 0,600 1,000 0,000 1,000 Jumlah 100 Langkah-langkah Methods Successive Interval : 1. Menghitung frekuensi skor jawaban dalam skala ordinal. 2. Menghitung proporsi dan proporsi kumulatif untuk masing-masing skor jawaban. 3. Menentukan nilai Z untuk setiap kategori, dengan asumsi bahwa proporsi kumulatif dianggap mengikuti distribusi normal baku. Nilai Z diperoleh dari Tabel Distribusi Normal Baku. 4. Menghitung nilai densitas dari nilai Z yang diperoleh dengan cara memasukkan nilai Z tersebut ke dalam fungsi densitas normal baku sebagai berikut: √ √ 5. Menghitung Scale Value (SV) dengan rumus : Universitas Sumatera Utara | 6. Menentukan Scale Value min sehingga Scale Value terkecil = | | | | | 7. Mentransformasikan nilai skala dengan menggunakan rumus : | | Selanjutnya dengan melakukan cara yang sama, maka semua variabel akan ditransformasikan ke dalam data interval. Tabel 3.5 Penskalaan Variabel 1 X1 X2 X3 X4 X5 X6 X7 X8 X9 1 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 2 1,000 2,221 1,746 2,331 2,254 2,091 1,926 1,794 2,518 3 1,576 2,835 2,124 3,190 2,949 2,712 2,445 2,244 3,277 Universitas Sumatera Utara 4 2,883 3,352 2,870 3,906 3,600 3,351 3,047 3,417 3,789 5 3,629 4,409 4,028 4,981 4,730 4,450 4,068 4,966 4,784 3.4.3 Uji Validitas Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Untuk mengetahui valid atau tidak dilihat dari nilai korelasi hitung dibandingkan dengan tabel korelasi product moment untuk N = 100 dan α = 5% adalah 0,195. Dari hasil uji validitas, terlihat bahwa seluruh variabel dinyatakan valid karena nilai r-hitung > r tabel, r-hitung > 0,195. Dari bantuan SPSS diproleh hasil seperti tablel berikut ini Tabel 3.6 Uji Validitas Variable Penelitian No. Variabel r hitung r tabel Kesimpulan 1 X1 = Pupuk Kandang 0,197 0,195 Valid 2 X2 = Luas Lahan 0,364 0,195 Valid 3 X3 = Pestisida 0,291 0,195 Valid 4 X4 = Kesuburan Tanah 0,514 0,195 Valid 5 X5 = Tenaga Kerja 0,424 0,195 Valid 6 X6 = Jarak Tanaman antar Kentang 0,381 0,195 Valid 7 X7 = Bibit 0,576 0,195 Valid 8 X8 = Pupuk 0,348 0,195 Valid 9 X9 = Modal 0,388 0,195 Valid Secara manual perhitungan korelasi product moment antara variabel X9 dengan skor total variabel lainnya (Y) dapat dilihat pada tabel berikut: Universitas Sumatera Utara 3.7 Contoh Perhitungan Korelasi Product Moment No X Y XY X2 Y2 1 2,518 23,50131 59,1763 6.34032400 552.3117 2 2,518 20,74018 52,2317 6.34225307 430.155 3 3,789 21,84884 82,7926 14.35909101 477.3718 4 1,000 18,81489 18,8148 1.00000000 354,000 5 3,789 18,81489 71,2959 14.35909101 354,000 6 2,518 25,43103 64,0450 6.34225307 646.7371 7 4,784 25,99452 124,3553 22.88574785 675.715 8 2,518 25,37673 63,9083 6.34225307 643.9785 9 4,784 19,63726 93,9427 22.88574785 385.622 10 4,784 16,28807 77,9206 22.88574785 265.3014 11 2,518 18,28527 46,0493 6.34225307 334.351 12 2,518 18,69854 47,0901 6.34225307 349.6352 13 4,784 21,77678 104,1780 22.88574785 474.2279 . . . . . . . . . . . . . . . . . . 100 4,784 16,64635 79,63457 22.88574785 277.1011 338,304 2387,866 8237,443 1241.071022 58766.2 Responden JUMLAH √{ ∑ √{ √ ∑ ∑ ∑ }{ ∑ ∑ ∑ ( } }{ ) } √ Universitas Sumatera Utara √ 3.4.4 Uji Reliabilitas Uji Reliabilitas menunjukkan sejauh mana hasil suatu pengukuran dapat dipercaya. Metode yang digunakan untuk menguji reliabilitas adalah metode Alpha Cronbach. Variabel dikatakan reliabel jika memberikan nilai Alpha Cronbach > 0,6 (Ghozali, 2005). Hasil uji reliabilitas terhadap variabel-variabel penelitian menunjukkan bahwa data mempunyai tingkat reliabilitas yang tinggi karena nilai Alpha Cronbach untuk ke 9 variabel > 0,6. Dengan demikian, data dapat memberikan hasil pengukuran yang konsisten (reliabel). Tabel 3.8 Uji Reliabilitas Variabel Penelitian No Variabel Alpha Kesimpulan Cronbach 1 X1 = Pupuk Kandang 0,720 Reliabel 2 X2 = Luas lahan 0,693 Reliabel 3 X3 = Pestisida 0,707 Reliabel 4 X4 = Kesuburan Tanah 0,665 Reliabel 5 X5 = Tenaga Kerja 0,682 Reliabel 6 X6 = Jarak tanaman antar kentang 0,690 Reliabel 7 X7 = Bibit 0,651 Reliabel 8 X8 = Pupuk 0,696 Reliabel 9 X9 = Modal 0,689 Reliabel Universitas Sumatera Utara 3.5 Analisis Data Metode analisis data yang digunakan adalah teknik analisis faktor dengan pendekatan komponen utama. Langkah-langkah dalam analisis faktor adalah sebagai berikut : 3.5.1 Membentuk Matriks Korelasi Proses analisis didasarkan pada suatu matriks korelasi antar variabel. Agar analisis faktor bisa menjadi tepat dipergunakan. Variabel-variabel yang akan dianalisis harus berkorelasi. Apabila koefisien korelasi antar variabel terlalu kecil berarti hubungannya lemah, maka metode analisis faktor kurang tepat untuk dipergunakan. Peneliti mengharapkan selain variabel awal berkorelasi dengan sesama variabel lainnya juga berkorelasi dengan faktor sebagai variabel terakhir yang didapat dari variabel-variabel awal. Perhitungan nilai korelasi masing-masing variabel diperoleh dengan memakai rumus korelasi product moment : ∑ √{ ∑ ∑ ∑ }{ ∑ ∑ ∑ } Contoh perhitungan korelasi antara variabel X1 dengan X9. Misalkan X1 adalah X dan X9 adalah Y. 3.9 Perhitungan Korelasi Antara Variabel X1 Dengan X9 No X Y XY X2 Y2 1 3,629 2,518 9,139935 13,1717239520275 6,3422530729171 2 2,283 2,518 5,748382 5,2101200893299 6,3422530729171 3 2,283 3,789 8,649427 5,2101200893299 14,3590910131709 Responden Universitas Sumatera Utara 4 3,629 1,000 3,629287 13,1717239520275 5 3,629 3,789 13,7526 13,1717239520275 14,3590910131709 6 2,283 2,518 5,748382 5,2101200893299 7 3,629 4,784 17,36216 13,1717239520275 22,8857478450558 8 2,283 2,518 5,748382 5,2101200893299 9 3,629 4,784 17,36216 13,1717239520275 22,8857478450558 10 3,629 4,784 17,36216 13,1717239520275 22,8857478450558 11 3,629 2,518 9,139935 13,1717239520275 6,3422530729171 12 3,629 2,518 9,139935 13,1717239520275 6,3422530729171 13 2,283 4,784 10,91959 5,2101200893299 22,8857478450558 . . . . . . . . . . . . . . . . . . 100 2,283 4,784 10,91959 5,2101200893299 22,8857478450558 962,542 1.241,073 298,538 338,304 1.033,007 √{ ∑ √{ √ ∑ ∑ ∑ }{ ∑ ∑ ∑ } ( }{ ) 1,0000000000000 6,3422530729171 6,3422530729171 } √ √ Universitas Sumatera Utara Dengan perhitungan di atas, maka diperoleh nilai korelasi antara variabel X1 dengan X9 adalah 0,278. Hasil tersebut sesuai dengan output SPSS. Dengan melakukan cara yang sama dengan di atas atau dengan menggunakan SPSS maka akan diperoleh korelasi antara variabel.Hasil perhitungannya dapat disajikan dalam bentuk matriks. MATRIK KORELASI X1 X2 X3 X4 X5 X6 X7 X8 X9 X1 1 0,102 -0,005 0,077 0,174 -0,005 0,135 0,154 0,278 X2 0,102 1 0,162 0,375 0,184 0,159 0,172 0,225 0,253 X3 -0,005 0,162 1 0,288 0,214 0,276 0,295 0,094 -0,007 X4 0,077 0,375 0,288 1 0,383 0,261 0,381 0,205 0,253 X5 0,174 0,184 0,214 0,383 1 0,314 0,328 0,01 0,268 X6 -0,005 0,159 0,276 0,261 0,314 1 0,456 0,198 0,031 X7 0,135 0,172 0,295 0,381 0,328 0,456 1 0,351 0,347 X8 0,154 0,225 0,094 0,205 0,01 0,198 0,351 1 0,32 X9 0,278 0,253 -0,007 0,253 0,268 0,031 0,347 0,32 1 Pada penelitian ini matriks korelasi yang dibentuk dari data yang diperoleh untuk mengectahui faktor-faktor yang mempengaruhi hasil produksi kentang memperlihatkan korelasi yang cukup kuat antara variabel X1 dengan X9 sehingga diharapkan nantinya bahwa variabel-variabel ini akan berkorelasi dengan faktor yang sama. Data mengenai 9 variabel yang berasal dari jawaban 100 orang responden kemudian dianalisa pada anti image correlation. Uji ini dilakukan dengan memperhatikan angka KMO MSA. Angka MSA (Measure of Sampling Adequecy) berkisar antara 0 sampai 1 dengan kriteria : (Santoso, 2005) Universitas Sumatera Utara MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel lain. MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut. MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut. Tabel 3.10 Kaiser-Meyer-Olkin (KMO) dan Barlett’s Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity 0,721 Approx. Chi-Square 150,262 Df 36 Sig. 0.000 Hasil output SPSS seperti tabel di atas menunjukkan angka KMO dan Barlett’s test adalah 0,721 lebih besar dari 0,5 dengan signifikansi 0,000 lebih kecil dari 0,05 maka variabel dan sampel sudah layak untuk dianalisis lebih lanjut.Perhitungan secara manual nilai KMO dan Barlett’s test dapat dilihat pada lampiran. Hipotesis untuk uji diatas adalah :    H0 = sampel belum memadai untuk dianalisis lebih lanjut H1 = sampel sudah memadai untuk dianalisis lebih lanjut Kriteria dengan melihat probabilitas (tingkat signifikansi) : Angka Sig. > 0,05, maka H0 diterima Angka Sig. < 0,05, maka H0 ditolak Tabel 3.11 Nilai Measure of Sampling Adequecy (MSA) No Variabel Nilai MSA 1 X1 = Pupuk kandang 0.713 2 X2 = Luas lahan 0,742 3 X3 = Pestisida 0,779 4 X4 = Kesuburan tanah 0,783 5 X5 = Tenaga Kerja 0.707 Universitas Sumatera Utara 6 X6 = Jarak tanam anatar kentang 0,685 7 X7 = Bibit 0,736 8 X8 = Pupuk 0,690 9 X9 = modal 0,657 Dengan melihat anti image correlation diketahui ke 9 variabel menunjukkan kriteria angka MSA lebih besar dari 0,5, yang berarti semua variabel masih bisa diprediksi untuk dianalisa lebih lanjut. Dari kedua hasil pengujian di atas, semua variabel mempunyai korelasi yang cukup tinggi dengan variabel lain, sehingga analisis layak untuk dilanjutkan dengan mengikutkan 9 variabel. Perhitungan secara manual dapat dilihat pada lampiran 4. 3.5.2 Ekstraksi Faktor Dalam penelitian ini metode ekstraksi yang digunakan adalah Principal Component Analysis (Analisis Komponen Utama). Di dalam Principal Component Analysis jumlah varians data dipertimbangkan yaitu diagonal matriks korelasi, setiap elemennya sebesar satu dan full variance dipergunakan untuk dasar pembentukan faktor, yaitu variabel-variabel lama, yang jumlahnya lebih sedikit dan tidak berkorelasi lagi satu sama lain, seperti variabel-variabel asli yang memang saling berkorelasi. Tabel 3.12 Komunalitas No Variabel Initial Extraction 1 X1 = Pupuk Kandang 1,000 0.522 2 X2 = Luas lahan 1,000 0,286 3 X3 = Pestisida 1,000 0,475 4 X4 = Kesuburan Tanah 1,000 0,519 5 X5 = Tenaga Kerja 1,000 0,721 6 X6 = Jarak tanaman antar kentang 1,000 0,567 7 X7 = Bibit 1,000 0,602 Universitas Sumatera Utara 8 X8 = Pupuk 1,000 0.806 9 X9 = Modal 1,000 0,643 Tabel 3.13 Initial Eigenvalue Initial Eigenvalues Faktor atau komponen Total % of Variance Cumulative% 1 2,810 31,220 31,220 2 1,329 14,770 45,990 3 1.003 11,142 57,132 4 0,944 10,489 67,621 5 0,781 8,676 76,297 6 0,687 7,635 83,932 7 0,556 6,180 90,111 8 0,496 5,509 95,620 9 0,394 4,380 100,00 Sumbangan Masing-Masing Faktor Terhadap Varians Seluruh Variabel Asli Faktor atau Extraction Sums of Squared Loadings Komponen Total % of Variance Cumulative % 1 2,810 31,220 31,220 2 1,329 14,770 45,990 11,142 57,135 3 1,003 Komunalitas pada dasarnya adalah jumlah varians (bisa dalam persentase) dari suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang terbentuk. Universitas Sumatera Utara a. Untuk variabel pupuk kandang, nilai komunalitasnya adalah 0.522 atau sekitar 52,2% varians dari variabel pupuk kandang bisa dijelaskan oleh faktor yang terbentuk. b. Untuk variabel luas lahan, nilai komunalitasnya adalah 0,286 atau sekitar 28,6% varians dari variabel luas lahan bisa dijelaskan oleh faktor yang terbentuk. c. Untuk variabel pestisida, nilai komunalitasnya adalah 0,475 atau sekitar 47,5% varians dari variabel pestisida bisa dijelaskan oleh faktor yang terbentuk. d. Untuk variabel kesuburan tanah, nilai komunalitasnya adalah 0,519 atau sekitar 51,9% varians dari kesuburan tanah bisa dijelaskan oleh faktor yang terbentuk. e. Untuk tenaga kerja, nilai komunalitasnya adalah 0,721 atau sekitar 72,1% varians dari variabel tenaga kerja bisa dijelaskan oleh faktor yang terbentuk. f. Untuk variabel jarak tanaman antara kentang, nilai komunalitasnya adalah 0,567 atau sekitar 56,7% varians dari variabel jarak tanaman antara kentang bisa dijelaskan oleh faktor yang terbentuk. g. Untuk variabel bibit, nilai komunalitasnya adalah 0,602 atau sekitar 60,2% varians bibit bisa dijelaskan oleh faktor yang terbentuk. h. Untuk variabel pupuk, nilai komunalitasnya adalah 0,806 atau sekitar 80,6% varians dari variabel pupuk bisa dijelaskan oleh faktor yang terbentuk. i. Untuk variabel modal, nilai komunalitasnya adalah 0,643 atau sekitar 64,3% varians dari variabel modal bisa dijelaskan oleh faktor yang terbentuk. Pada tabel 3.13 menunjukkan nilai eigen value untuk setiap faktor, yang pada awalnya terdiri dari 9 faktor yaitu sebanyak variabel aslinya. Suatu eigen value menunjukkan besarnya sumbangan dari faktor terhadap varians seluruh variabel asli. Kemudian diproses berikutnya dipilih faktor-faktor yang eigen value nya minimal 1. Ternyata ada 3 faktor atau komponen yang eigen value nya lebih dari 1 yaitu faktor 1, 2, dan 3 masing-masing dengan eigen value nya adalah 2,810; 1,329 dan 1 Universitas Sumatera Utara 3.5.3 Menentukan Banyaknya Faktor Penentuan banyaknya faktor yang dilakukan dalam analisis faktor maksudnya adalah mencari variabel terakhir yang disebut faktor yang saling tidak berkorelasi, bebas satu sama lainnya, lebih sedikit jumlahnya daripada variabel awal akan tetapi dapat menyerap sebagian besar informasi yang terkandung dalam variabel awal atau yang dapat memberikan sumbangan terhadap varians seluruh variabel. Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor, antara lain adalah sebgai berikut : 1. Dilihat dari Initial Eigen Value Total Untuk menentukan banyaknya faktor dari initial values dilihat dengan metode pendekatan, hanya faktor dengan eigen value lebih besar dari satu yang dipertahankan, jika lebih kecil dari satu, faktornya tidak diikutsertakan dalam model. Suatu eigen value menunjukkan besarnya sumbangan dari faktor terhadap varians seluruh variabel asli. Hanya faktor dengan varians lebih besar dari satu yang dimasukkan dalam model. Berdasarkan tabel 3.13 ternyata diperoleh banyaknya faktor yang dapat mempengaruhi hasil produksi kentang menurut persepsi penduduk atau asumsi responden adalah 3, karena ada 3 faktor atau komponen yang eigen value nya lebih dari 1, yaitu Faktor dengan eigen value 2,810 , Faktor 2 dengan eigen value 1,329 , Faktor 3 dengan eigen value dan 1,003. Perhitungan secara manualnya untuk mencari nilai ini dapat di lihat di lampiran. Berdasarkan tabel 3.13 dapat diketahui bahwa besarnya sumbangan yang diberikan dari masing-masing faktor terhadap varians seluruh variabel asli. Faktor 1 memberikan sumbangan varians sebesar 31,22 %, faktor 2 sebesar 14,770%, dan yang terakhir faktor 3 sebesar 11,142 %. Sehingga total sumbangan varians dari ketiga faktor tersebut adalah sebesar 57,132%. Universitas Sumatera Utara 2. Menentukan Banyaknya Faktor dengan Scree Plot Suatu Scree Plot adalah plot dari eigen value melawan banyaknya faktor yang bertujuan untuk melakukan ekstraksi agar diperoleh jumlah faktor. Scree plot berupa suatu kurva yang diperoleh dengan memplot eigen value sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu horizontal. Bentuk kurva atau plotnya dipergunakan untuk menentukan banyaknya faktor. Jika tabel total varians menjelaskan dasar jumlah faktor yang didapat dengan perhitungan angka, maka scree plot memperlihatkan hal tersebut dengan grafik. Terlihat bahwa dari sutu ke dua faktor (daris dari sumbu Component 1 ke 2), arah garis cukup menurun tajam. Kemudian dari 2 ke 3 garis juga menurun. Pada faktor 4 sudah dibawah angka 1 dari sumbu eigen value. Hal ini menunjukkan bahwa ada 3 faktor yang mempengaruhi hasil produksi kentang, yang dapat diekstraksi berdasarkan scree plot. Gambar 3.1 Scree Plot Universitas Sumatera Utara 3.5.4 Melakukan Rotasi Faktor Output terpenting dalam analisis faktor adalah Matriks Faktor atau yang disebut juga dengan Komponen Matriks. Matriks faktor memuat koefisien yang dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefisien ini merupakan factor loading, mewakili koefisien korelasi antara faktor dengan variabel. Koefisien dengan nilai mutlak (absolute) yang besar menunjukkan bahwa faktor dan variabel sangat terkait. Koefisien dari matriks faktor dapat dipergunakan untuk menginterpretasi faktor. Matriks faktor atau matriks komponen dapat dilihat sebagai berikut : Tabel 3.14 Matriks Faktor (a) (Sebelum Dirotasi) Faktor (Komponen) 1 2 3 X1 0,294 0,578 0,319 X2 0,519 0,131 0,012 X3 0,457 -0,515 -0,012 X4 0,690 -0,121 0,168 X5

Dokumen baru

Aktifitas terkini

Download (100 Halaman)
Gratis

Dokumen yang terkait

Faktor-Faktor Sosial Ekonomi yang Mempengaruhi Tingkat Adopsi Petani Terhadap Teknologi Anjuran Budidaya Kentang (Studi kasus: Kecamatan Merdeka, Kabupaten Karo, Propinsi Sumatera Utara)
7
104
74
Analisis Efisiensi Faktor Produksi Usaha Tani Kentang (Solanum tuberosum) di Desa Ajibuhara Kecamatan Tigapanah Kabupaten Karo
13
109
125
Analisis Faktor-Faktor yang Mempengaruhi Peminjaman Kredit Mikro Bagi Petani Hortikultura (Studi Kasus: Kecamatan Simpang Empat Kabupaten Karo)
0
83
116
Analisis Faktor yang Mempengaruhi Hasil Produksi Kelapa Sawit di PT. Perkebunan Nusantara IV (Persero) Medan
1
74
91
Faktor – Faktor Yang Mempengaruhi Produksi Dan Pendapatan Petani Jagung (Studi Kasus Desa Tanjung Jati, Kecamatan Binjai, Kabupaten Langkat)
12
109
74
Analisis Faktor-Faktor yang Mempengaruhi Produksi Tambak Udang Sistem Alam dan Sistem Intensif (Studi Kasus: Kecamatan Secanggang, Kabupaten Langkat)
16
150
96
Analisis Faktor-Faktor yang Mempengaruhi Ekspor Kentang (Solanum tuberosum L ) di Kabupaten Karo
9
65
90
Analisis Faktor Faktor yang Mempengaruhi Tingkat Produksi Gambir (Studi Kasus: Kabupaten Pakpak Bharat)
10
62
143
Analisis Faktor Yang Mempengaruhi Pendapatan Pengrajin Kulit (Studi Kasus: Kecamatan Medan Denai...
0
42
3
Faktor-faktor yang Mempengaruhi Keputusan Petani dalam Melakukan Usahatani Kedelai (Studi Kasus: Kecamatan Beringin, Kabupaten Deli Serdang).
29
117
71
IbM Produksi Bibit G0 Kelompok Petani Kentang di Kecamatan Sempol, Kabupaten Bondowoso
1
10
8
BAB II TINJAUAN PUSTAKA - Faktor-Faktor Sosial Ekonomi yang Mempengaruhi Tingkat Adopsi Petani Terhadap Teknologi Anjuran Budidaya Kentang (Studi kasus: Kecamatan Merdeka, Kabupaten Karo, Propinsi Sumatera Utara)
1
1
11
Analisis Efisiensi Faktor Produksi Usaha Tani Kentang (Solanum tuberosum) di Desa Ajibuhara Kecamatan Tigapanah Kabupaten Karo
0
0
44
Analisis Efisiensi Faktor Produksi Usaha Tani Kentang (Solanum tuberosum) di Desa Ajibuhara Kecamatan Tigapanah Kabupaten Karo
0
2
11
Analisis Faktor-Faktor yang Mempengaruhi Produksi Tambak Udang Sistem Alam dan Sistem Intensif (Studi Kasus: Kecamatan Secanggang, Kabupaten Langkat)
1
1
13
Show more