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

 3  22  100  2017-06-11 20:07:17 Laporkan dokumen yang dilanggar
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 0,597 -0,132 0,589 X6 0,569 -0,460 -0,180 X7 0,742 -0,086 -0,209 X8 0,497 0,337 -0,668 X9 0,540 0,590 0,051 Walaupun matriks faktor atau matriks komponen awal sebelum dirotasi menunjukkan hubungan antara faktor (komponen) dengan variabel secara individu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang dapat diekstraksi. Hal ini disebabkan karena faktor (komponen) berkorelasi dengan banyak variabel lainnya atau sebaliknya variabel tertentu masih berkorelasi dengan banyak fakor. Sehingga dalam keadaan ini terkadang membuat peneliti kesulitan dalam penentuan suatu variabel kedalam suatu faktor. Korelasi Universitas Sumatera Utara dianggap cukup kuat jika koefisien korelasi yang diwaliki factor loading mempunyai nilai lebih besar dari 0,30. Juga variabel berkorelasi dengan banyak faktor, seperti variabel X1 berkorelasi dengan faktor 2 dan 3 variabel X8 berkorelasi dengan faktor 1 dan 2 variabel X9 berkorelasi dengan faktor 1 dan 2. Situasi seperti ini membuat kesimpulan mengenai banyaknya faktor yang diekstraksi dari variabel menjadi sulit. Untuk mengatasi hal tersebut dapat dilakukan proses rotasi pada faktor yang terbentuk agar memperjelas posisi sebuah variabel, akankah dimasukkan pada faktor yang satu ataukah ke faktor lainnya. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation, varimax rotation, dan oblique rotation. Proses rotasi terhadap faktor pada penelitian ini menggunakan metode varimax rotation. Dan hasil rotasi dapat dilihat pada matriks faktor (setelah dirotasi) dibawah ini : Tabel 3.15 Matriks Faktor (a) (Setelah Dirotasi) Faktor (Komponen) 1 2 3 X1 -0,105 0,714 0,009 X2 0,327 0,370 0,207 X3 0,676 -0,134 -0,006 X4 0,627 0,352 0,044 X5 0,589 0,493 -0,362 X6 0,718 -0,116 0,198 X7 0,621 0,228 0,406 X8 0,136 0,118 0,868 X9 0,062 0,727 0,333 Tujuan dilakukan rotasi adalah untuk memperlihatkan distribusi variabel yang lebih jelas dan nyata. Dapat dilihat perbedaan antara matriks faktor sebelum dirotasi dengan matriks faktor setelah dirotasi. Universitas Sumatera Utara 3.5.5 Interpretasi Faktor Setelah rotasi dilakukan langkah selanjutnya adalah interpretasi faktor. Interpretasi faktor dipermudah dengan mengidentifikasi variabel yang loadingnya besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterpretasi menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Atau penentuan variabel yang dimasukkan ke dalam faktor dengan cara melihat factor loading yang terbesar. a. Variabel pupuk kandang : Korelasi antara variabel dengan faktor 2 sebelum dirotasi adalah 0,578; dengan rotasi korelasi menjadi 0,714 dengan faktor 2. Jadi variabel ini masuk faktor 2. b. Variabel luas lahan : Korelasi antara variabel luas lahan dengan faktor 1 sebelum dirotasi adalah 0,519; dengan rotasi korelasi menjadi 0,370 dengan faktor 2. Jadi variabel ini masuk faktor 2. c. Variabel pestisida : Korelasi antara variabel pestisida dengan faktor 1 sebelum dirotasi adalah 0,457; dengan rotasi korelasi menjadi 0,676 dengan faktor 1. Jadi variabel ini masuk faktor 1. d. Variabel kesuburan tanah: Korelasi antara variabel kesuburan tanah dengan faktor 1 sebelum dirotasi adalah 0,690; dengan rotasi korelasi menjadi 0,627dengan faktor 1. Jadi variabel ini masuk faktor 1. e. Variabel tenaga kerja : Korelasi antara variabel tenaga kerja dengan faktor 1 sebelum dirotasi adalah 0,597; dengan rotasi korelasi menjadi 0,589 dengan faktor 1. Jadi variabel ini masuk faktor 1. f. Variabel jarak tanam antar kentang: Korelasi antara variabel jarak tanam antara kentang dengan faktor 1 sebelum dirotasi adalah 0,569; dengan rotasi korelasi menjadi 0,718 dengan faktor 1. Jadi variabel ini masuk faktor 1. g. Variabel bibit: Korelasi antara variabel bibit dengan faktor 1 sebelum dirotasi adalah 0,742; dengan rotasi korelasi menjadi 0,621 dengan faktor 1. Jadi variabel ini masuk faktor 1. Universitas Sumatera Utara h. Variabel pupuk: Korelasi antara variabel pupuk dengan faktor 1 sebelum dirotasi adalah 0,497; dengan rotasi korelasi menjadi 0,868 dengan faktor 3. Jadi variabel ini masuk faktor 3. i. Variabel modal: Korelasi antara variabel modal dengan faktor 2 sebelum dirotasi adalah 0,590; dengan rotasi korelasi menjadi 0,727 dengan faktor 2. Jadi variabel ini masuk faktor 2. Dengan demikian ke 9 variabel telah direduksi menjadi tiga faktor yang dapat mempengaruhi hasil produksi kentang di kecamatan Naman Teran yaitu: 1. Faktor 1 (F1) terdiri atas variabel X3 = pestisida, variable X4 = kesuburan tanah, variable X5 = tenaga kerja, variabel X6 = jarak tanam antar kentang, variabel X7 = bibit. Sehingga faktor ini diberi nama: FAKTOR CARA PEMELIHARAAN KENTANG. 2. Faktor 2 (F2) terdiri atas variabel X1 = Pupuk kandang, Variabel X2 = luas lahan, Variabel X9= modal. Faktor ini diberi nama : FAKTOR MODAL DAN LUAS LAHAN. 3. Faktor 3 (F3) terdiri atas variabel X8 = Pemupukan Faktor ini diberi nama FAKTOR PEMUPUKAN. Interpretasi dipercepat melalui variabel-variabel yang memiliki loading lebih besar pada faktor yang sama yang kemudian dapat diinterpretasikan dalam batasan variabel-variabel yang loadingnya tinggi. Variabel-variabel yang berkorelasi kuat (nilai faktor loadingnya besar) dengan faktor tertentu akan memberikan inspirasi nama faktor bersangkutan. Faktor Pertama Faktor pertama hasil rotasi faktor didukung oleh 5 variabel. Urutan variabelvariabel tersebut mulai dari nilai bobot paling besar sampai yang paling kecil adalah dan Bobot masing-masing variabel pendukung faktor pertama tersebut sesuai dengan tabel berikut. Universitas Sumatera Utara Tabel 3.16 Variabel yang Mendukung Faktor Pertama No Variabel Nama Variabel Pendukung Bobot Variabel 1 Jarak tanam antar kentang 0,718 2 Pestisida 0,676 3 Kesuburan tanah 0,627 4 Bibit 0,621 5 Tenaga kerja 0,589 Dari tabel 3.16 diatas, faktor pertama didukung oleh variabel-variabel jarak tanam antar kentang, pestisida, kesuburan tanah, bibit dan banyaknya tenaga kerja. Dari data tersebut bahwa X6 = jarak antara tanaman kentanglah yang mempunyai factor loading terbesar yaitu 0,718. Hal ini menunjukan bahwa variable ini berpengaruh paling kuat terhadap hasil produksi kentang di tempat penelitiaan. Faktor pertama yaitu Faktor Cara dan Pemeliharaan kentang menyumbangkan varians yaitu sebesar 31,220 %. Dari hasil factor loading yang paling dominan untuk menghasilkan hasil produksi yang tinggi tergantung pada saat ingin menanam kentang bahwa jarak tanam itu sangat besar pengaruhnya terhadap panen penghasilanya kentang. Faktor Kedua Tabel 3.17 Variabel yang Mendukung Faktor Kedua No Variabel Nama Variabel Pendukung Bobot Variabel 1 Modal 0,727 2 Pupuk Kandang 0,714 3 Luas lahan 0,370 Universitas Sumatera Utara Dari tabel dapat dilihat bahwa bobot variable yang paling tinggi adalah variable X9 = Modal sehingga dari beberapa varibel yang berada di faktor 2 maka varibel X9 = Modal yang dominan dimana factor loading sebesar 0,727 . Faktor ke dua merupakan faktor Modal dan luas lahan yang memberikan pengaruh yang cukup besar untuk hasil produksi kentang yaitu memberi sumbangan varian sebesar 14,77 %. Perlu diperhatikan bahwa ketika ingin melakukan penanaman kentang pasti membutuhkan modal, jadi dari hasil penelitiaan yang dilakukan bahwa ketika semakin besar modal yang akan di gunakan maka hasil produksi juga akan meningkat. Faktor Ketiga Faktor ketiga hasil rotasi bahwa hanya 1 variabel yang mendukung yaitu variable X8 = pemupukan. Variabel ini mempunyai faktor loding sebesar 0,868. Pada faktor Ketiga interval pemupukan yang mempengaruhi hasil produksi kentang pada saat diadakan penelitian. Faktor pemupukan ini mempengaruhi hasil produksi kentang sesuai asumsi petani yang di dapat oleh peneliti yaitu memberi sumbangan varian sebesar 11,142 %. Dari ketiga Faktor yang dominan tersebut memberikan proporsi keragaman kumulatif sebesar 57,132% artinya ketiga faktor tersebut menurut asumsi petani kentang yang berada di kecamatan Naman Teran dengan responden oleh peneliti, bahwa yang dapat mempengaruhi hasil produksi kentang adalah sebesar 57,132% dan sisanya dapat dipengaruhi faktor-faktor lainya yang tidak teridentifikasi oleh model penelitiaan. Universitas Sumatera Utara 3.5.6 Menentukan Ketepatan Model Proses akhir dari analisis faktor adalah menguji ketepatan model, dengan menggunakan output program SPSS. Perbedaan antara korelasi yang diobservasi (pada matriks korelasi sebelum analisis faktor) dengan korelasi analisis faktor (yang diestimasi dari matriks faktor) yaitu yang disebut dengan residual. Kalau banyak residual yang nilainya lebih besar dari 0,05 (residual > 0,05), berarti model tidak tepat, model dipertimbangkan kembali. Sebaliknya, jika banyak residual yang nilainya lebih kecil dari 0,05 (residual < 0,05), berarti model sudah tepat. Tabel 3.18 selisih(residual) antara matriks korelasi sebelum analisis faktor dengan analisis setelah analisis factor x1 x1 x2 x2 x3 x4 x5 x6 x7 x8 x9 -0,131 - x3 0,029 -0,235 - x4 -0,034 -0,651 -0,437 - x5 -0,308 -0,199 -0,292 -0,623 - x6 0,077 -0,229 -0,375 -0,276 x7 -0,168 -0,081 -0,462 -0,549 -0,42 -0,805 - x8 -0,243 -0,346 -0,1 -0,263 0,208 -0,311 x9 -0,455 -0,402 0,151 -0,311 -0,46 0,163 -0,529 - -0,558 -0,597 -0,536 - Terlihat pada tabel 3.18, nilai residual yang lebih besar dari 0,05 adalah 4 komponen, (9,3% < 50%). Dengan keadaan residual tersebut diatas, maka model dapat dinyatakan sudah tepat dan layak untuk digunakan. Universitas Sumatera Utara BAB 4 KESIMPULAN DAN SARAN 4.1 Kesimpulan Pengolahan data dengan menggunakan analisis faktor pada penelitian ini adalah untuk mengetahui seberapa besar pengaruh dari faktor faktor yang di pertimbangkan oleh petani untuk meningkatkan hasil produksi kentang di kecamatan Naman Teran. Dari penelitian ini maka penulis dapat membuat kesimpulan-kesimpulan sebagai berikut : 1. Dari hasil penelitiaan 100 responden dan 9 variabel penelitiaan memberikan proporsi keragaman kumulatif sebesar 57,132% dengan tiga faktor ekstraksi yang terbentuk. Ketiga faktor tersebut menurut asumsi/persepsi dari petani kentang yang di teliti di kecamatan Naman Teran bahwa yang mempengaruhi hasil produksi kentang sebesar 57,132 % dan sisanya dapat dipengaruhi faktor-faktor lainnya yang tidak teridentifikasi oleh model penelitian. 2. Faktor yang paling dominan mempengaruhi hasil produksi kentang di kecamatan Naman Teran. Faktor dominan pertama cara dan pemliharaan yaitu memberikan sumbangan variansi sebesar (31,22%), faktor dominan kedua adalah permodalan dan lahan memberikan sumbangan varians sebesar (14,77%), faktor dominan ketiga adalah faktor Pemupukan memberikan sumbangan varians sebesar (11,42%). 3. Model faktor yang ada ternyata valid dan layak digunakan. Karena perbedaan antara korelasi yang diobservasi (pada matriks korelasi sebelum analisis faktor) dengan korelasi analisis faktor (yang diestimasi dari matriks faktor) yaitu yang disebut dengan residual, terdapat 4 komponen (9,3% < 50%) yang mempunyai nilai absolut lebih besar dari 0,05. Universitas Sumatera Utara 4.2 Saran Menurut hasil penelitian diatas ada dua hal yang disampaikan sebagai saran, yaitu : 1. Pemerintah tanah karo lebih memperhatikan kondisi pertaniaan terutama dalam penyediaan pupuk dan juga butuh penyuluhan kepada petani untuk dapat meningkatkan hasil panen pertaniaan 2. Bagi peneliti selanjutnya hasil penelitian ini masih bisa diteruskan dengan mengembangkan penelitian, seperti menambah variabel-variabel baik yang bersifat data kualitatif atau data kuantitatif yang dapat mempengaruhi hasil produksi kentang di Kecamatan Naman Teran. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Faktor - Faktor yang Mempengaruhi Hasil Produksi Kentang a) Pupuk kandang adalah pada awal penanaman pupuk kandang digunakan untuk mempersiapkan lahan supaya tanahnya subur dan gembur (Hartus,2001). Dalam hal ini tidak semua petani kentang memperhatikan takaran sesuai luas lahan yang akan ditanam untuk menghasilkan hasil produksi. b) Luas lahan adalah pada dasarnya bahwa luas lahan akan mempengaruhi hasil produksi, tetapi peneliti mengambil landasan tersebut karena tidak semua daerah dalam lokasi penelitian setiap periode penelitian menanam dengan luas yang sama. Lokasi penelitian tidak hanya tanaman kentang saja, tetapi juga hasil dari pertanian, jadi setiap periode akan berbeda beda luas lahan yang akan di tanami. c) Pestisida adalah pada penanaman kentang penyemprotan pestisida sangat menjamin hasil produksi yang dilakukan tergantung rutinnya penyemprotan sehingga mempengaruhi hasil produksi. d) Kesuburan lahan adalah tanaman kentang dapat tumbuh baik pada tanah yang mempunyai struktur cukup halus atau gembur (Idawati,2013). Keadaan tanah tergantung terhadap tanaman apa sebelumnya di tanam di lahan tersebut sehingga dapat ditanggulangi dengan cara penyiraman atau penambahan pupuk pada lahan. e) Tenaga Kerja adalah menggunakan tenaga kerja dalam mengerjakan penanaman kentang, karena melihat pertumbuhan kentang yang begitu Universitas Sumatera Utara cepat memerlukan tenaga kerja yang banyak, semakin banyak tenaga kerja akan mempengaruhi hasil produksi. f) Jarak antar tanam kentang adalah Jika bibitnya seukuran telur bebek jarak tanamannnya 35 cm. Jika bibitnya seukuran telur ayam jaraknya 25 cm (Idawati, 2013). Dalam pelaksanaannya penanaman kentang tidak mempehatikan ukuran tesebut karena setiap daerah penanaman kentang berbeda – beda. g) Bibit adalah umbi kentang itu sendiri yang sudah disimpan dalam waktu tertentu (tergantung jenis kentangnya) dan sudah melewati masa dormansi (dorman periode) dan mulai mengeluarkan tunas tanaman baru. Bila bibit dibeliusahakan harus bersertifikat karena bibit ini sangat menentukan hasil yang akan di peroleh dalam hasil panen. Pada dasarnya bibit yang bagus adalah bibit yang diperoleh atau anggap saja generasi pertama (F1), bibit generasi (F2) dan bibit generasi (F3) (Soelarso,1997). Pada kenyataannya di lapangan, bibit yang di gunakan rata – rata hasil tanamnya sendiri, untuk itu peneliti ingin mengetahui berapa besar peranannya dalam meningkatkan hasil produksi. h) Modal adalah biaya permulaan dasar dalam memulai melakukan usaha. Tapi dalam hal penanaman kentang yang dimaksud bahwa tidak selama penanaman kentang dengan modal yang tinggi menghasilkan hasil produksi yang tinggi. Peneliti ingin mengetahui seberapa besar modal berpengaruh terhadap hasil produksi yang akan di peroleh. i) Pemupukan adalah Pemupukan dalam penanaman kentang antara satu daerah dengan daerah yang lain tidak sama. Salah satu yang perlu diperhatikan dalam pemberian pupuk adalah cara interval pemupukan. Dalam hal ini penggunaan pupuk dan takarannya tergantung pada usia kentang (Setiadi, 2007). Universitas Sumatera Utara 2.2Populasi dan Sampel Penelitiaan Populasi adalah (population atau universal) adalah keseluruhan elemen, atau unit penelitian, atau unit analisis yang memiliki ciri atau karakteristik tertentu yang dijadikan sebagai objek penelitiaan atau menjadi perhatiaan dalam suatu penelitiaan (Maman Abdurahman, 2011). Dengan demikian populasi tidak terbatas pada sekelompok orang, tetapi apa aja yang menjadi perhatiaan dalam suatu permasalahaan. Populasi adalah kumpulan lengkap dari elemen - elemen yang sejenis akan tetapi dapat dibedakaan karena karaktristiknya. Misalnya seluruh penduduk Indonesia, seluruh penduduk propinsi, seluruh karyawan suatu depatemen atau perusahaan, seluruh mahasiswa perguruan tinggi, seluruh turis, seluruh langganan, seluruh petani, seluruh desa, seluruh ternak, seluruh kendaraan, seluruh perkebunan, seluruh pasien, seluruh calon haji, seluruh pasar (Supranto, 2004). Sampel adalah sebagian anggota populasi yang dipilih dengan menggunakan prosedur tertentu sehingga diharapkan dapat mewakili populasinya. 2.3 Teknik Pengumpulan Data 2.3.1 Data Data merupakan kumpulan fakta atau angka atau segala sesuatu yang dapat dipercaya kebenaranya sehingga dapat digunakan sebagai dasar menarikan kesimpulan. Data dapat digolongkan berdasarkan aspek sifat, dimensi waktu, cara memperoleh dan pengukuranya (Muhidin, 2009). 2.3.2 Data Ditinjau Menurut Sifatnya Dalam hal ini, data dibagi menjadi dua bagian, yaitu : 1. Data Kualitatif adalah data yang berbentuk kategori atau atribut Universitas Sumatera Utara Contoh : a. Harga dolar hari ini mengalami kenaikan. b. Sebagian dari produksi barang “ X “ pada perusahaan “Y” rusak. 2. Data Kuantitatif adalah data yang berbentuk bilangan Contoh : a. Luas bangunan hotel itu adalah 6000 m2. b. Tinggi badan Dody mencapai 180 cm. c. Banyak perguruan tinggi di kota “A” ada 6 buah. 2.3.3 Data Menurut Jenisnya 1. Data Diskrit adalah data yang diperoleh dengan cara menghitung atau membilang. a. Banyak kursi yang ada di ruangan ini ada 50 buah. b. Jumlah mahasiswa yang mengikuti mata kuliah ini mencapai 60 orang. c. Banyak anak pada keluarga Patris ada 4 orang 2. Data Kontinu adalah data yang diperoleh dengan cara mengukur. a. Jarak antara kota Medan dengan kota Siantar adalah 128 km b. Berat bayi yang baru lahir adalah 3,2 kg. 2.3.4 Data Menurut Cara Memperolehnya Dalam hal ini data dibagi menjadi dua bagian, yaitu : 1. Data Primer adalah data yang dikumpulkan dan diolah sendiri oleh suatu organisasi serta diperoleh langsung dari objeknya. Contoh : Pemerintah melalui Biro Pusat Statistik (BPS) ingin mengetahui jumlah penduduk Indonesia, maka BPS mengirimkan petugasnya untuk mendatangi secara langsung rumah tangga- rumah tangga yang ada di Indonesia. Perusahaan Universitas Sumatera Utara susu “ Segar Jaya “ ingin mengetahui jumlah konsumsi susu yang diminum oleh masyarakat di Kelurahan Medan Baru, maka petugas dari perusahaan tersebut secara langsung mendatangi rumah tangga- rumah tangga yang ada di Kelurahan Medan Baru. 2. Data Sekunder adalah data yang diperoleh dalam bentuk sudah jadi, sudah dikumpulkan dan diolah oleh pihak lain, biasanya data itu dicatat dalam bentuk publikasi- publikasi Contoh : Misalkan seorang peneliti memerlukan data mengenai jumlah pendududk di sebuah kota dari tahun 1980 sampai 1990, maka data itu dapat diperolehnya di BPS. 2.4 Metode Pengambilan Sampel Pada dasarnya ada dua macam metode pengambilan sampel yaitu pengambilan sampel secara acak (probability Sampling) dan secara tidak acak (non probability Sampling) 1. Probability sampling, meliputi: a. Simple random sampling (populasi homogen) yaitu pengambilan sampel dilakukan secara acak tanpa memperhatikan strata yang ada. Teknik ini hanya digunakan jika populasinya homogen. b. Proportionale stratifiled random sampling (populasi tidak homogen) yaitu pengambilan sampel dilakukan secara acak dengan memperhatikan strata yang ada. Artinya setiap strata terwakili sesuai proporsinya. c. Disproportionate stratifiled random sampling yaitu teknik ini digunakan untuk menentukan jumlah sampel dengan populasi berstrata tetapi kurang proporsional, artinya ada beberapa kelompok strata yang ukurannya kecil sekali. d. Cluster sampling (sampling daerah) yaitu teknik ini digunakan untuk menentukan jumlah sampel jika sumber data sangat luas. Pengambilan sampel didasarkan daerah populasi yang telah ditetapkan. Universitas Sumatera Utara 2. Non probability sampling, meliputi: sampling sistematis, sampling kuota, sampling incidental, purposive sampling, sampling jenuh, dan snowball sampling. Pada penelitian ini digunakan Proportionate Stratified Random sampling yaitu responden yang terpilih secara kebetulan dengan peneliti dan dianggap cocok sebagai sumbur data. Beberapa alasan menggunakan Proportionate Stratified Random sampling adalah (Supranto J,1992): 1. Setiap strata homogen atau relatif homogen,sehingga sampel acak yang diambil dari setiap strata akan memberikan pikiran yang dapat mewakili strata yang bersangkutan. Perkiraan gambaran yang diperoleh berdasarkan perkiraan dari setiap strata akan memberikan perkiraan menyeluruh yang mewakili populasi. 2. Biaya untuk pelaksanaan Proportionate Stratified Random sampling lebih murah dari simple Random Sampling. 3. Perkiraan bias dibuat untuk setiap strata yang dapat dianggap sebagai populasi yang berdiri sendiri dan mungkin bias dilakukan oleh peneliti seorang diri saja. Alokasi proporsi dalam Proportionate Stratified Random sampling. Ditentukan dengan menggunakan rumus: ∑ Keterangan: = Banyaknya elemen sampel dari strata ke- i = Banyaknya elemen Strata ke- i k = Banyaknya strata n = Jumlah sampel penelitian Universitas Sumatera Utara 2.5 Teknik Pengukuran dan Sampel Pada dasarnya proses pengukuran adalah merupakan rangkaian dari empat aktivitas pokok (Singarimbun dan Effendi, 1985). Rangkaian empat aktivitas pokok tersebut antara lain : 1. Menentukan dimensi variabel penelitian. 2. Merumuskan ukuran untuk masing-masing dimensi. 3. Menentukan tingkat ukuran yang akan digunakan dalam pengukuran. 4. Menguji validitas dan reliabilitas alat ukur. Pada teknik penskalaan, banyak sekali jenis skala pengukuran yang telah dikembangkan, terutama dalam ilmu-ilmu sosial. Namun dalam penelitian ini skala pengukuran yang digunakan adalah skala Likert. Skala ini dikembangkan oleh Rensis Likert (1932) untuk mengukur sikap masyarakat dan skalanya terkenal dengan nama technique of summated rating atau skala Likert. Banyak faktor yang menyebabkan skala Likert banyak digunakan sebagai berikut : 1. Skala ini relatif mudah dibuat. 2. Adanya kebebasan dalam memasukkan item- item pernyataan asal masih relevan dengan masalah. 3. Jawaban atas item dapat berupa beberapa alternaitf, sehigga dapat memberikan informasi yang lebih jelas dan nyata terhadap item tersebut. 4. Dengan jumlah item yang cukup besar, tingkat reliabilitas yang tinggi dapat dicapai. 5. Mudah untuk diterapkan pada berbagai situasi. 2.6 Uji Dalam Pengolahan Data 2.6.1 Uji Validitas Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Suatu test atau instrumen pengukur dapat Universitas Sumatera Utara dikatakan mempunyai validitas yang tinggi apabila alat ukur tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang sesuai dengan maksud dilakukannya pengukuran tersebut. Metode yang yang digunakan untuk menguji validitas adalah dengan korelasi product moment yang rumusnya sebagai berikut : ∑ √{ ∑ ∑ ∑ }{ ∑ ∑ ∑ } Keterangan : rxy = koefisien korelasi X = skor pertanyaan Y = skor total n = jumlah sampel Untuk menentukan valid tidaknya variabel adalah dengan cara mengkonsultasikan hasil perhitungan koefisien korelasi dengan tabel nilai koefisien (r) pada taraf kepercayaan 95 %.(Ade Fatma, 2007). Apabila rxy ≥ rtabel → valid Apabila rxy < rtabel → tidak valid 2.6.2 Uji Realibilitas Realibilitas menunjukkan sejauh mana hasil pengukuran dapat dipercaya. Pengukuran yang memiliki realibilitas tinggi disebut sebagai pengukuran yang realibilitas. Metode yang digunakan untuk menguji realibilitas adalah metode Alpha Cronbach. Variabel dikatakan realibel jika memberikan nilai Alpha Cronbach > 0,60. (Ade Fatma, 2007). Nilai Alpha Cronbach diperoleh dengan menggunakan rumus sebagai berikut : ( ) ∑ Universitas Sumatera Utara Keterangan: = nilai (koefisien) Alpha Cronbach = banyaknya variabel penelitian ∑ = jumlah varians variabel penelitian = varians total 2.7 Analisis Faktor 2.7.1 Definisi Analisis faktor Analisis faktor merupakan salah satu prosedur reduksi data serta salah satu alat untuk menguji alat ukur dalam metode statistic multivariate (Dillon and Goldstein, 1984). Analisis faktor diartikan sebuah analisis yang mensyaratkan adanya keterkaitan antar variabel. Pada prinsipnya analisis faktor menyederhanakan hubungan yang beragam dan kompleks pada variabel yang diamati dengan menyatukan faktor atau dimensi yang saling berhubungan atau mempunyai korelasi pada suatu struktur data yang baru yang mempunyai set faktor lebih kecil. Data-data yang dimasukkan pada umumnya data metrik dan terdiri dari variabel-variabel dengan jumlah yang besar. Analisis faktor dapat digunakan di dalam situasi sebagai berikut : 1. Mengenali atau mengidentifikasi dimensi yang mendasari (underlying dimensions) atau faktor, yang menjelaskan korelasi antara suatu set variabel. 2. Mengenali atau mengidentifikasi suatu set variabel baru yang tidak berkorelasi (independent) yang lebih sedikit jumlahnya untuk menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat selanjutnya, misalnya analisis regresi berganda dan analisis diskriminan. Universitas Sumatera Utara 3. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisis multivariat selanjutnya. Ada tiga fungsi utama analisis faktor, yaitu : 1. Mereduksi banyaknya variabel penelitian dengan tetap mempertahankan sebanyak mungkin informasi data awal. Banyaknya variabel awal dapat dikurangi menjadi beberapa variabel yang jumlahnya lebih sedikit dengan tetap mempertahankan sebagian besar variasi data. 2. Mencari perbedaan kualitatif dan kuantitatif dalam data, dalam situasi dimana terdapat jumlah data yang sangat besar. 3. Data digunakan pula untuk menguji hipotesis tentang perbedaan kualitatif dan kuantitatif dalam data penelitian. Asumsi dasar dalam menggunakan analisis faktor adalah : 1. Tingginya korelasi antar variabel Korelasi antar variabel yang kuat dapat diindikasikan oleh nilai determinan matriks korelasi yang mendekati nol. Nilai determinan dari matriks korelasi yang elemen-elemennya menyerupai matriks identitas akan memiliki nilai determinan sama dengan satu. Hal ini dapat diuji dengan Bartlett’s test of sphericity. 2. Indeks perbandingan antara koefisien korelasi dengan korelasi parsial secara keseluruhan adalah kecil.Jika jumlah kuadrat koefisien korelasi parsial untuk seluruh pasangan variabel tidak banyak berbeda, maka ini menunjukkan perbandingan antara koefisien korelasi dengan korelasi parsialnya secara keseluruhan adalah kecil. Perbandingan ini dapat diidentifikasi berdasarkan nilai Kaiser-Meyer-Olkin. 3. Indeks perbandingan antara koefisien korelasi dengan korelasi parsial untuk setiap variabel adalah kecil. Analisis faktor dapat dilanjutkan, jika Universitas Sumatera Utara nilai measure of sampling adequacy (MSA) berkisar antara 0,5 – 1,0. Apabila ada beberapa variabel memiliki nilai MSA kurang dari 0,5 maka variabel tersebut harus dikeluarkan satu persatu secara bertahap. 2.7.2 Model Analisis Faktor Secara matematis, analisis faktor agak mirip dengan analisis regresi, yaitu dalam hal bentuk fungsi linier. Jumlah varians yang dikontribusi dari sebuah variabel dengan seluruh variabel lainnya lebih dikelompokkan sebagai komunalitas. Kovarians diantara variabel dijelaskan terbatas dalam sejumlah kecil komponen ditambah sebuah faktor unik untuk setiap variabel. Faktor-faktor tersebut tidak secara eksplisit diamati. Jika variabel distandarisasi, maka model analisis faktor dapat ditulis sebagai berikut : dimana : Xi Bij = Variabel ke i yang dibakukan. = Koefisien regresi yang dibakukan untuk variabel i pada komponen faktor j. Fj = Komponen fator ke j. Vi = Koefisien regresi yang dibakukan untuk variabel ke i pada faktor yang unik ke i. µi = Faktor unik variabel ke i. m = Banyaknya komponen faktor. Faktor yang unik tidak berkorelasi dengan sesama faktor yang unik dan juga tidak berkorelasi dengan komponen faktor. Komponen faktor sendiri bisa dinyatakan sebagai kombinasi linier dari variabel-variabel yang terlihat/ terobservasi hasil penelitian lapangan. Universitas Sumatera Utara Dimana : Fi = Perkiraan faktor ke i (didasarkan pada nilai variabel X dengan koefisiennya Wi ). Wi = Koefisien nilai faktor ke i. k = banyaknya variabel 2.7.3 Statistik yang Berkaitan dengan Analisis Faktor Statistik yang berkaitan dengan analisis faktor adalah : a. Barlett’s test of sphericity Barlett’s test of sphericity adalah uji statistik yang digunakan untuk menguji hipotesis yang menyatakan bahwa variabel-variabel tersebut tidak berkorelasi dalam populasinya. Dengan kata lain, matriks korelasi populasi adalah sebuah matriks identitas, dimana setiap variabel berkorelasi dengan variabel itu sendiri (r = 1), tetapi tidak berkorelasi dengan variabel lainnya (r = 0). Statistik uji bartlett adalah sebagai berikut : [ dengan derajat kebebasan(degree of freedom) df ] | | Keterangan : | | = jumlah observasi = jumlah variabel = determinan matriks korelasi b. Correlation matrix (Matriks Korelasi) Matriks korelasi adalah matriks yang menunjukkan korelasi sederhana (r) antara seluruh kemungkinan pasangan variabel yang dilibatkan dalam analisis. Nilai atau angka pada diagonal utama semuanya sama yaitu 1. Jadi kalau ada 3 atau 4 variabel, bentuk matriks korelasi menjadi : Universitas Sumatera Utara n=3→ [ ] n=4→ [ c. ] Communality (Komunalitas) Komunalitas adalah jumlah varian yang dikontribusi dari sebuah variabel dengan seluruh variabel lainnya dalam analisis. Ini juga merupakan proporsi dari varians yang diterangkan oleh komponen faktor. dengan = communality variabel ke-i = nilai factor loading d. Eigen value (Nilai Eigen) Nilai eigen merupakan jumlah varians yang dijelaskan oleh setiap faktor-faktor yang mempunyai nilai eigen value > 1, maka faktor tersebut akan dimasukkan ke dalam model. e. Factor loadings (Faktor Muatan) Faktor muatan adalah korelasi sederhana antara variabel dengan faktor. f. Factor loading plot (Plot Faktor Muatan) Plot faktor muatan adalah suatu plot dari variabel asli dengan menggunakan factor loading sebagai koordinat. Universitas Sumatera Utara g. Factor matrix (Faktor Matriks) Matriks faktor mengandung factor loading dari seluruh variabel dalam seluruh faktor yang dikembangkan. h. Kaiser - Meyer - Olkin (KMO) measure of sampling adequency Kaiser – Meyer – Olkin (KMO) merupakan suatu indeks yang digunakan untuk menguji ketepatan analisis faktor. Nilai yang tinggi (antara 0,5 – 1,0) mengidentifikasi analisis faktor tepat. Apabila dibawah 0,5 menunjukkan bahwa analisis faktor tidak tepat untuk diaplikasikan. ∑ ∑ ∑ ∑ ∑ ∑ Keterangan : = koefisien korelasi sederhana antara variabel ke- dan ke- = koefisien korelasi parsial antara variabel ke- dan ke- Measure of Sampling Adequacy (MSA) yaitu suatu indeks perbandingan antara koefisien korelasi parsial untuk setiap variabel. MSA digunakan untuk mengukur kecukupan sampel. ∑ i. ∑ ∑ Percentage of variance (Persentase Varians) Persentase varians adalah persentase total varians yang disumbangkan oleh setiap faktor. j. Residuals Residuals adalah selisih antara korelasi yang terobservasi berdasarkan input correlation matrix dan korelasi hasil reproduksi yang diestimasi dari matriks faktor. Universitas Sumatera Utara k. Scree plot Scree plot adalah sebuah plot dari eigenvalue untuk menentukan banyaknya faktor. 2.8.4 Langkah-Langkah Analisis Faktor Langkah-langkah dalam analisis faktor adalah sebagai berikut : 1. Merumuskan masalah 2. Membentuk matriks korelasi 3. Menentukan metode analisis faktor 4. Menentukan banyaknya faktor 5. Melakukan rotasi terhadap faktor 6. Membuat intrepretasi hasil rotasi terhadap faktor 7. Menentukan ketepatan model (model fit) Secara skematis langkah-langkah dalam analisis faktor dapat digambarkan sebagai berikut : Merumuskan masalah Membentuk matriks korelasi Menghitung nilai karakteristik (eigen value) Menghitung vektor karakteristik (eigen vector) Menentukan banyaknya faktor Menghitung matriks factor loading Melakukan rotasi faktor Universitas Sumatera Utara Interpretasi faktor Menentukan ketepatan model (model fit) Gambar 2.1 Langkah-langkah dalam analisis faktor 1. Merumuskan Masalah Merumuskan masalah meliputi beberapa kegiatan. Pertama, tujuan analisis faktor harus diidentifikasi. Variabel yang akan digunakan dalam analisis faktor harus dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan subjektif dari peneliti. Pengukuran variabel berdasarkan skala interval dan rasio. Besarnya sampel harus tepat, sebagai petunjuk umum besarnya sampel paling sedikit empat atau lima kali banyaknya variabel. 2. Membentuk Matriks Korelasi Proses analisis didasarkan pada suatu matriks korelasi antar variabel. Agar analisis faktor menjadi tepat, variabel-variabel yang dikumpulkan harus berkorelasi. Dilakukan perhitungan matriks korelasi . Matriks korelasi digunakan sebagai input analisis faktor. Korelasi antar Variabel Universitas Sumatera Utara 3. Menghitung nilai karakteristik (eigen value) Perhitungan nilai karakteristik (eigen value) , dimana perhitungan ini berdasarkan persamaan karakteristik : dengan = matriks korelasi = matriks identitas = eigen value Eigen value adalah jumlah varian yang dijelaskan oleh setiap faktor. 4. Menghitung vektor karakteristik (eigen vector) Penentuan vektor karakteristik (eigen vector) yang bersesuaian dengan nilai karakteristik (eigen value), yaitu dengan persamaan : dengan = eigen vector 5. Menentukan Banyaknya Faktor Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor yaitu, penentuan secara a priori, penentuan berdasarkan pada eigen value, penentuan berdasarkan Screen plot, penentuan berdasarkan persentase varians, penentuan berdasarkan Split-Half Reliability, dan penentuan berdasarkan uji signifikan. a. Penentuan Secara A priori Kadang-kadang karena adanya dasar teori atau pengalaman sebelumnya, peneliti sudah dapat menentukan banyaknya faktor yang akan diekstraksi. Hampir sebagaian besar program komputer memungkinkan peneliti untuk menentukan banyaknya faktor yang diinginkan dengan pendekatan ini. b. Penentuan Berdasarkan Eigen value Pada pendekatan ini, hanya faktor dengan eigenvalue lebih besar dari satu yang dipertahankan. Eigen value merepresentasikan besarnya sumbangan dari faktor terhadap varians seluruh variabel aslinya. Hanya faktor dengan Universitas Sumatera Utara varians lebih besar dari satu yang dimasukkan dalam model. Faktor dengan varians lebih kecil dari satu tidak lebih dari variabel asli, sebab variabel yang dibakukan (distandarisasi) yang berarti rata-ratanya nol dan variansinya satu. c. Penentuan Berdasarkan Screen Plot Screen Plot merupakan plot dari nilai eigen value terhadap banyaknya faktor dalam ekstraksinya. Bentuk plot yang dihasilkan, digunakan untuk menentukan banyaknya faktor. Biasanya plot akan berbeda antara slope tegak faktor, dengan eigen value yang besar dan makin kecil pada sisa faktor yang tidak perlu diekstraksi. d. Penentuan Berdasarkan Persentase Varians Dalam pendekatan ini, banyaknya faktor yang diekstraksi ditentukan berdasarkan persentasi kumulatif varians mencapai tingkat yang memuaskan peneliti. Tingkat persentase kumulatif yang memuaskan peneliti tergantung kepada permasalahannya. Sebagai petunjuk umum bahwa ekstraksi faktor dihentikan kalau kumulatif persentase varians sudah mencapai paling sedikit 60% atau 75% dari seluruh varians variabel asli. e. Penentuan Split-Half Reliability Sampel dibagi menjadi dua, dan analissi faktor diaplikasikan kepada masingmasing bagian. Hanya faktor yang memiliki faktor loading tinggi antar dua bagian itu yang akan dipertahankan. f. Penentuan Berdasarkan Uji Signifikan Dimungkinkan untuk menentukan signifikansi statistik untuk eigen valuenya terpisah dan mempertahankan faktor-faktor yang berdasarkan uji statistik eigen value- nya signifikan pada α = 5% atau α = 1%. Penentuan banyaknya faktor dengan cara ini memiliki kelemahan, khususnya pada ukuran sampel yang besar misalnya diatas 100 responden, banyak faktor yang menunjukkan uji signifikan, walaupun dari pandangan praktis banyak faktor yang mempunyai sumbangan terhadap seluruh varians hanya kecil. Universitas Sumatera Utara 6. Menghitung matriks faktor loading Matriks loading factor ( ) diperoleh dengan mengalikan matriks eigen vector ( ) dengan akar dari matriks eigen value (L). Atau dalam persamaan matematis ditulis 7. √ . Melakukan Rotasi Faktor Sebuah output penting dari analisis faktor adalah matriks faktor atau disebut juga sebagai matriks faktor pola. Matriks faktor mengandung koefisien yang digunakan untuk mengekspresikan variabel yang dibakukan (distandarisasi) dinyatakan dalam faktor. Koefisien-koefisien tersebut, atau faktor loadings, merupakan korelasi antara faktor dengan variabelnya. Sebuah koefisien dengan nilai absolut yang besar mengindikasikan bahwa faktor dan variabel berkorelasi kuat. Koefisien tersebut bisa digunakan untuk menginterpretasi faktor. Walaupun matriks faktor awal atau unrotated factor matrix mengindikasikan hubungan antara faktor dengan variabel individu tertentu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang bisa diekstraksi, hal ini disebabkan karena faktor berkorelasi dengan banyaknya variabel atau sebaliknya variabel tertentu masih banyak berkorelasi dengan banyak faktor. Dalam merotasi faktor, diharapkan setiap faktor memiliki loading faktor atau koefisien yang tidak nol, atau signifikan hanya untuk beberapa variabel. Atau, diharapkan setiap variabel memiliki faktor loadings signifikan hanya dengan sedikit faktor, atau kalau mungkin dengan sebuah faktor. Rotasi tidak berpengaruh terhadap komunalitas dan persentase total varians yang dijelaskan. Namun demikian, rotasi berpengaruh terhadap persentase varians dari setiap faktor. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation, varimax rotation, dan oblique rotation. Orthogonal rotation adalah kalau sumbu dipertahankan tegak lurus sesamanya (bersudut 90 derajat). Yang paling banyak digunakan adalah varimax rotation, yaitu rotasi ortogonal dengan meminimumkan banyaknya variabel yang memiliki loadings tinggi pada sebuah faktor, sehingga lebih mudah menginterpretasi faktor. Rotasi ortogonal menghasilkan faktor-faktor Universitas Sumatera Utara yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dipertahankan harus tegak lurus sesamanya (bersudut 90 derajat) dan faktorfaktor berkorelasi. Kadang-kadang, mentoleransi korelasi antar faktor-faktor bisa menyederhanakan matriks pola faktor. Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat. 8. Interpretasi Faktor Interpretasi dipermudah dengan mengidentifikasi variabel yang loading-nya besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterpretasikan menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Cara lain yang bisa digunakan adalah melalui pivot variabel dengan faktor loading sebagai koordinat. Variabel yang berada pada akhir sebuah sumbu adalah variabel yang memiliki loadings tinggi hanya pada faktor yang bersangkutan, sehingga bisa digunakan untuk menginterpretasi faktor. Variabel yang berada di dekat titik origin memiliki loading yang rendah terhadap kedua faktor. Variabel yang tidak berada di dekat sumbu mengindikasi bahwa variabel tersebut berkorelasi dengan kedua faktor. Jika sebuah faktor tidak bisa secara jelas didefinisikan dalam batas variabel awalnya, maka disebut faktor umum. 9. Menentukan Ketepatan Model (model fit) Langkah terakhir dalam analisis faktor adalah menetukan ketepatan model (model fit). Asumsi dasar yang digunakan dalam analisis faktor adalah korelasi terobservasi dapat menjadi atribut dari faktor atau komponen. Untuk itu, korelasi terobservasi dapat direproduksi melalui estimasi korelasi antara variabel terhadap faktor. Selisih antara korelasi dari data observasi dengan korelasi reproduksi dapat digunakan dengan mengukur ketepatan model. Selisih tersebut disebut sebagai residuals. Jika banyak residual yang besar (residual > 0,05), berarti model faktor yang dihasilkan tidak tepat sehingga model perlu dipertimbangkan kembali. Universitas Sumatera Utara BAB 1 PENDAHULUAN 1.1 Latar Belakang Kentang merupakan salah satu komoditas sayuran yang memiliki peran penting dalam pemenuhan kebutuhan pangan masyarakat. Kentang (Solanum tuberosum L) merupakan tanaman yang tidak berkayu, bentuknya sesungguhnya menyemak dan bersifat menjalar. Kentang tidak hanya membutuhkan makan yang banyak tetapi juga membutuhkan air yang banyak pula tetapi bukan berarti tanah menjadi becek. Kebutuhan air kentang dicukupi dengan cara penyiramannya. Penyiraman ini hanya dilakukan bila tanah kelihatan kering. Dalam hal ini untuk tepatnya dilakukan pengukuran kelembaban tanahnya, bila kelembabannya kurang dari yang diperlukan maka diperlukan penyiraman. Tergolong dalam suku terung-terungan (Solanaceae) varietasnya banyak sekali, diantaranya adalah Solanum Adigenum L, dan Solanum Demissum L. Varietas ini tahan terhadap penyakit layu. Kentang yang banyak ditanam orang pada garis besarnya mempunyai 3 golongan, yaitu: kentang kuning, kentang putih, kentang merah dan dapat dijadikan perdagangan internasional. Kentang termasuk ke dalam 35 komoditas unggulan nasional yang mendapat prioritas pengembangan oleh pemerintah (Puslitbang, 2011). Kentang yang memiliki nama latin Solanum tuberosum L merupakan tanaman sayuran semusim yang berbentuk semak atau perdu, serta berumur pendek. Kentang merupakan komoditi sayur yang dapat meningkatkan perekonomian karena sesuai dengan yang dapat dilihat, bahwa semakin meningkatnya penduduk maka permintaan kebutuhan untuk ini meningkat juga dan komoditi ini adalah salah satu komoditi tanaman petani yang diekspor ke luar khususnya ke Eropa. Tanaman kentang mempunyai beberapa peranan strategi yaitu sumber bahan makanan terutama sebagai sumber karbohidrat bagi masyarakat, sumber pendapatan dan kesempatan kerja, serta kesempatan berusaha dan juga sebagai Universitas Sumatera Utara komoditas potensial ekspor yang menghasilkan devisa Negara. Kentang banyak sekali kegunaannya yaitu dimasak berbagai masakan, tepung, pergedel, keripik, dan dapat digunakan sebagai pengganti nasi sumber mineral (fasfor, besidan kalium) mengandung vitamin B, vitamin C dan sedikit A. Daging umbi kentang dapat dipergunakan untuk menghaluskan kulit dan menyembuhkan kulit mata yang bengkak. Bagi penderita Diabetes Mellitus diharuskan makan kentang sebagai pengganti nasi. Tanaman ini berasal dari Amerika Selatan serta beberapa daerah di Amerika Tengah. Kentang masuk ke Indonesia pada tahun 1794 di daerah sekitar Cimahi, Bandung, yang kemudian pada tahun 1811 disebar ke daerah Karo, Sumatera Utara ( Setiadi, 2007). Kabupaten Karo memiliki luas wilayah 2.127,25 km2 yang terdiri dari pemukiman penduduk 174,22 km2 dan lahan pertanian 1.953,03 km2. Kabupaten ini berlokasi di dataran tinggi Karo, Bukit Barisan Sumatera Utara. Terletak sejauh 77 km dari kota Medan, Ibu Kota Provinsi Sumatera Utara. Wilayah Kabupaten Karo terletak di dataran tinggi dengan ketinggian antara 600 sampai 1.400 meter di atas permukaan laut. Karena berada di ketinggian tersebut, Tanah Karo Simalem mempunyai iklim yang sejuk dengan suhu berkisar antara 16oC sampai 17°C. Dataran tinggi karo ini bisa ditemukan indahnya nuansa alam pegunungan dengan udara yang sejuk dan berciri khas daerah buah dan sayur. Letak tanah karo yang berada di dataran tinggi maka jenis tanaman disini adalah tanaman kering sehingga tanaman yang ada hultikutural (bemacam macam). Potensi yang ada di Tanah Karo terdiri dari komoditas sayur-sayuran, buah-buhan dan bunga-bungaan. Kabupaten Karo terdiri dari 17 kecamatan, salah satunya adalah kecamatan Naman Teran yang merupakan daerah penghasil kentang. Pada tahun 2011 penghasilan terbesar kentang dari semua kecamatan di tanah karo adalah kecamatan Naman Teran sebesar 22,584 ton (Badan Pusat Statistika Kabupaten Karo, 2011). Kecamatan Naman Teran merupakan salah satu dari 17 kecamatan yang ada di Kabupaten Karo dengan Ibu kota kecamatan di desa Naman yang berjarak 20 km dari Kabanjahe sebagai ibukota kabupaten dan 97 km dari Medan ibu kota propinsi. Kecamatan Naman Teran dengan luas ± 87,82 km2 berada pada ketinggian rata - rata 700 – 1420 m diatas permukaan laut dengan temperatur Universitas Sumatera Utara 160C -170C. Dengan batas wilayah sebelah timur berbatasan dengan kecamatan Merdeka, sebelah Barat berbatasan dengan Kecamatan Tiganderket, sebelah Utara berbatsan dengan Kabupaten Langkat dan Deli Serdang dan sebelah Selatan berbatasan dengan Kecamatan Payung dan Simpang Empat. Penghasilan terbesar dari kecamatan ini adalah dari hasil pertanian, adapun tanaman yang ada di kecamatan ini adalah produksi sayur-sayuran yaitu buncis, cabe, kol bunga, kubis, lbu siam, sawi, terong, tomat dan kentang. Pada tahun 2008 dari 17 kecamatan di kabupaten Karo ada 3 kecamatan yang menjadi daerah Kawasan Strategis Kabupaten (KSK) yakni kecamatan Berastagi, Naman Teran dan Merdeka. KSK adalah sutu kawasan yang dikembangkan untuk mengurangi kesenjangan antara daerah dan diandalkan sebagai motor penggerak ekonomi bagi kawasan sekitarnya dan diharapkan memiliki produk unggulan yang kompetitif baik di pasar domistik maupun pasar global. Kecamatan Naman Teran adalah Kawasan Strategis Kabupaten (KSK) yaitu kentang dari semua kecamatan di kabupaten karo. Dari pemahaman di atas bahwa kentang memiliki peminat yang banyak. Untuk itu cara meningkatkan produksi kentang dapat dianalisis dengan analisis faktor supaya mendapatkan hasil faktor-faktor yang paling dominan mempengaruhi hasil produksi. Analisis faktor bertujuan untuk mengelompokan sejumlah variabel kedalam satu atau dua faktor. Misalkan ada 10 variabel, mungkin saja ada beberapa variabel yang mempunyai kesamaan atau dapat dikelompokan sehingga 10 variabel tersebut dapat diekstraksi menjadi tiga faktor. Variabel- variabel tersebut akan dianalisis sehingga diperoleh faktor yang dominan dan korelasi antara satu variabel dengan variabel yang lain. Analisis faktor digunakan untuk mengetahui faktor-faktor yang dominan yang dapat mempengaruhi hasil produksi hasil panen pertaniaan di tanah Karo untuk komoditas tanaman kentang. Untuk itu, penulis ingin menganalisis faktor faktor yang mempengaruhi hasil produksi kentang Kecamatan Naman Teran, kabupaten Karo. Universitas Sumatera Utara Dari permasalahan di atas maka penulis memilih judul: Analisis Faktor yang Mempengaruhi Hasil Produksi Kentang (Studi Kasus: Petani Kentang Kecamatan Naman Teran). 1.2 Perumusan Masalah Perumusan masalah yang akan diteliti dalam tulisan ini adalah faktor-faktor apa saja dan seberapa besar pengaruh faktor-faktor tersebut mempengaruhi hasil produksi kentang. 1.3 Batasan Masalah Agar pembatasan masalah lebih jelas, maka penulis memberikan batasan yang akan dilakukan yaitu: Analisis yang digunakan adalah analisis faktor. 1. Objek penelitian adalah petani kentang yang bertempat tinggal kecamatan Naman Teran, Kabupaten Karo. 2. Penelitian ini hanya dibatasi 9 variabel yaitu pengaruh pupuk, pupuk kandang, pestisida, penggunaan bibit, luas lahan, jarak tanam antar kentang, kesuburan tanah, tenaga kerja, modal. 3. Iklim di seluruh kecamatan Naman Teran adalah sama artinya iklim tidak merupakan faktor yang mempengaruhi hasil produksi. 1.4 Tinjauan Pustaka Analisis faktor merupakan nama umum yang menunjukan suatu kelas prosedur, utamanya dipergunakaan untuk mereduksi data atau meringkas dari variabel yang banyak diubah menjadi sedikit variabel, misalkan dari 15 variabel yang lama diubah menjadi 4 atau 5 variabel baru yang disebut faktor dan masih memuat Universitas Sumatera Utara sebagai besar informasi yang terkandung dalam variabel asli. Di dalam riset pemasaran pada khususnya riset bidang sosial pada umumnya, akan diperoleh banyak sekali variabel, kebanyakan dari varibel-variabel tersebut berkolerasi sama dan harus diperkecil jumlahnya agar mudah dikelola. Hubungan antara-set dari banyak variabel yang saling terikat (berhubungan) di teliti dan dinyatakan dalam sedikit faktor yang mendasari (Supranto, 2010). Pada dasarnya tujuan Analisis Faktor adalah: 1. Data summarization, yakni mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi. 2. Data reduction, yakni setelah melakukan korelasi, dilakukan proses membuat sebuah variabel set baru yang dinamakan faktor untuk menggantikan sejumlah variabel tertentu (Santoso, 2010). Analisis faktor dipergunakan di dalam situasi berikut: (Supranto, 2010) 1. Mengenali atau mengidentifikasi dimensi yang mendasari (underlying dimensions) atau faktor yang menjelaskan korelasi antara suatu set variabel. Menganalisis faktor berarti mereduksi data/variabel. 2. Menganalisis atau mengidentifikasi suatu set variabel baru yang tidak berkorelasi (independent) yang lebih sedikit jumlahnya untuk menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat selanjutnya, misalnya analisis regresi berganda dan analisis diskriminan. 3. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlah untuk dipergunakan di dalam analisis multivariat selanjutnya. Analisis faktor hampir sama dengan analisis regresi linier berganda, yaitu bahwa setiap variabel dinyatakan sebagai suatu kombinasi linear dari faktor yang mendasari (underlying factors). Jumlah (amount) varian yang di sumbangkan oleh suatu variabel dengan variabel lainya yang tercakup dalam analisis disebut communality. Konvariasi antara variabel yang diuraikan, dinyatakan dalam suatu Universitas Sumatera Utara common factors yang sedikit jumlahnya ditambah dengan faktor yang unik untuk setiap variabel. Jika variabel dibakukan (standardized). Model faktor ditulis sebagai berikut: Keterangan: = Variabel ke- i yang di bakukan (rata-ratanya nol, setandar deviasinya satu) = Koefisien regresial yang dibakukan untuk variable i pada komponen faktor ke- j = Komponen faktor ke- j Vi = Koefisien regresi yang dibakukan untuk variabel ke i pada faktor yang unik ke- i = Faktor unik variabel ke- i = Banyaknya variabel 1.5 Tujuan Penelitian Tujuan dari penelitian ini adalah untuk mengetahui faktor yang dominan mengenai hasil produksi panen kentang sehingga dapat ditanggulangi oleh petani untuk meningkatkan hasil produksi kentang kususnya di Kecamatan Naman Teran. 1.6 Kontribusi Penelitian a. Bagi penulis Menambah wawasan dan memperkaya literatur dalam bidang statistika yang berhubungan dengan analisis faktor, serta pengetahuan mengenai faktor-faktor apa saja yang mempengaruhi hasil produksi kentang. Universitas Sumatera Utara b. Bagi Departemen/Universitas Agar dapat dijadikan sebagai bahan studi kasus bagi pembaca, khususnya kepada mahasiswa, serta dapat memberikan referensi bagi pihak perpustakaan sebagai bahan bacaan yang dapat menambah ilmu pengetahuan. c. Bagi Kecamatan Naman Teran Sebagai bahan referensi bagi petani yang membudidayakan kentang yaitu memberikan gambaran seberapa besar pengaruh faktor-faktor yang mempengaruhi hasil produksi kentang di kecamatan Naman Teran sehingga dapat memaksimalkan hasil tanaman kentang. 1.7 Metodologi Penelitian Adapun metodologi penelitian dalam tulisan ini adalah sebagai berikut: a. Mengumpulkan bahan yang berkaitan dengan faktor-faktor yang mempengaruhi hasil produksi kentang b. Menentukan variabel penelitian dengan membuat kuesioner untuk pemilihan faktor-faktor apa yang mempengaruhi hasil produksi kentang menurut responden berdasarkan faktor-faktor secara umun diatas. c. Mengumpulkan data primer (nilai tiap variabel penelitian) yang bersumber pada hasil kuesioner terhadap responden yang merupakan petani kentang, dengan menggunakan angket. d. Mengolah dan menganalisis data yang diperoleh dengan menggunakan software statistika SPSS a) Menguji Validitas data b) Menguji Reabilitas data c) Menganalisis data dengan menggunakan teknik analisis faktor d) Interpretasi faktor e) Menentukan ketepatan model e. Mengambil Kesimpulan Universitas Sumatera Utara ANALISIS FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI KENTANG (Studi Kasus: Petani Kentang Kecamatan Naman Teran) ABSTRAK Analisis faktor merupakan suatu teknik statistika multivariat yang digunakan untuk mereduksi/meringkas data, dari variabel yang banyak diubah menjadi sedikit variabel. Penelitian ini merupakan Analisis Faktor untuk mengetahui apa saja faktor-faktor yang dominan yang mempengaruhi hasil produksi kentang dengan responden petani kentang di kecamatan Naman Teran. Berdasarkan hasil penelitian diperoleh 3 faktor yang dominan yang dapat mempengaruhi hasil produksi kentang yaitu Cara Pemeliharaan kentang (31,22%), faktor Modal dan luas lahan (14,770%), faktor Pemupukan (11,142%). Ketiga faktor tersebut memberikan proporsi keragaman kumulatif sebesar 57,132% artinya ketiga faktor tersebut dapat mempengaruhi hasil produksi kentang pada saat penelitian dilakukan sebesar 57,132 % dan sisanya dapat dipengaruhi faktor-faktor lainnya yang tidak teridentifikasi oleh model penelitian. Kata kunci : Analisis statistika multivariat, analisi faktor, kentang Universitas Sumatera Utara ANALYSIS OF FACTORS AFFECTING POTATO PRODUCTION (Case Study: Naman Teran District Potato Growers) ABSTRACT Factor analysis is a multivariate statistical technique used to reduce / summarize the data, many of the variables that turned into a bit variable. This study is a factor analysis to determine what are the dominant factors that influence the production of potatoes with potato farmers in the district respondents Naman Teran. Based on the research results obtained by three dominant factors that could affect the outcome of the potato production potato Method Maintenance (31,22%), Capital factor (14,77%), factor Fertilization (11,142%). The third factor gives the cumulative proportion of the diversity of 57,132% means that three factors can affect potato production at the time the study was 57,132% and the rest can be influenced by other factors that were not identified by the research model. Keywords: multivariate statistics, factor analysis, potatoes Universitas Sumatera Utara ANALISIS FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI KENTANG (Studi Kasus: Petani Kentang Kecamatan Naman Teran) SKRIPSI SARTIKA BR PERANGIN 090803003 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2013 Universitas Sumatera Utara ANALISIS FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI KENTANG (Studi Kasus: Petani Kentang Kecamatan Naman Teran) SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains SARTIKA BR PERANGIN 090803003 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2013 Universitas Sumatera Utara PERSETUJUAN Judul : Analisis Faktor yang Mempengaruhi Hasil Produksi Kentang (Studi Kasus: Petani Kentang Kecamatan Naman Teran) Kategori Nama Nomor Induk Mahasiswa Program Studi Departemen Fakultas : : : : : : Skripsi Sartika Br Perangin 090803003 Sarjana (S1) Matematika Matematika Matematika dan Ilmu PengetahuanAlam Universitas Sumatera Utara Disetujui di Medan, Agustus 2013 Komisi Pembimbing : Pembimbing 2, Pembimbing 1, Drs. Pengarapen Bangun, M.Si NIP. 195608151985031005 Drs. Henry Rani Sitepu, M.Si NIP. 195303031983031002 Disetujui Oleh DepartemenMatematika FMIPA USU Ketua, Prof. Dr. Tulus, M.Si. Ph.D NIP.19620901 198803 1 002 Universitas Sumatera Utara PERNYATAAN ANALISIS FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI KENTANG (Studi Kasus: Petani Kentang Kecamatan Naman Teran) SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masingdisebutkan sumbernya. Medan, Agustus 2013 SARTIKA BR PERANGIN 090803003 Universitas Sumatera Utara PENGHARGAAN Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Kuasa atas kasihNya dan setiap pertolonganNya sehingga penulis dapat menyelesaikan skripsi ini dengan judul Analisis Faktor Yang Mempengaruhi Hasil Produksi Kentang (Studi Kasus: Petani Kentang Kecamatan Naman Teran). Terimakasih penulis sampaikan kepada Bapak Drs. Henry Rani Sitepu, M.Si, Drs. Pengarapen Bangun M.Si, sebagai Dosen Pembimbing yang telah banyak memberikan arahan, nasehat, motivasi, dan kepercayaan yang diberikan kepada penulis dalam mengerjakan skripsi ini. Terimakasih kepada Bapak Drs. Djakaria Sebayang, M.Si (almarhum) dan Bapak Drs. Gim Tarigan, M.Si sebagai Dosen Pembanding yang banyak memberikan saran dan masukan dalam penyelesaian skripsi ini. Terimakasih kepada Prof. Dr. Tulus, M.Si. Ph.D dan Ibu Dr. Mardiningsih, M.Sc selaku Ketua dan Sekretaris Departemen Matematika, Dr. Sutarman, M.Sc selaku Dekan serta Pembantu Dekan FMIPA USU, seluruh Dosen dan Staff Administrasi Matematika FMIPA. Teristimewa kedua orang tua saya Bapak K. Perangin-angin Keliat (almarhum) dan Ibu N. Br Ginting serta keluarga besar Keliat, atas doa, nasehat, bimbingan, dukungan moril dan materil, yang menjadi sumber motivasi bagi penulis untuk tetap semangat dalam perkuliahan dan penulisan skripsi ini. Dan juga teman-teman seperjuangan di Matematika 2009 serta Instansi Pemerintah dan juga masyarakat di kecamatan Naman Teran yang telah banyak membantu dalam pengumpulan data. Semoga skripsi ini bermanfaat bagi pembaca. Damai sejahtera dari Tuhan senantiasa menyertai kita semua. Medan, Agustus 2013 Penulis Sartika Br Perangin 090803003 Universitas Sumatera Utara ANALISIS FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI KENTANG (Studi Kasus: Petani Kentang Kecamatan Naman Teran) ABSTRAK Analisis faktor merupakan suatu teknik statistika multivariat yang digunakan untuk mereduksi/meringkas data, dari variabel yang banyak diubah menjadi sedikit variabel. Penelitian ini merupakan Analisis Faktor untuk mengetahui apa saja faktor-faktor yang dominan yang mempengaruhi hasil produksi kentang dengan responden petani kentang di kecamatan Naman Teran. Berdasarkan hasil penelitian diperoleh 3 faktor yang dominan yang dapat mempengaruhi hasil produksi kentang yaitu Cara Pemeliharaan kentang (31,22%), faktor Modal dan luas lahan (14,770%), faktor Pemupukan (11,142%). Ketiga faktor tersebut memberikan proporsi keragaman kumulatif sebesar 57,132% artinya ketiga faktor tersebut dapat mempengaruhi hasil produksi kentang pada saat penelitian dilakukan sebesar 57,132 % dan sisanya dapat dipengaruhi faktor-faktor lainnya yang tidak teridentifikasi oleh model penelitian. Kata kunci : Analisis statistika multivariat, analisi faktor, kentang Universitas Sumatera Utara ANALYSIS OF FACTORS AFFECTING POTATO PRODUCTION (Case Study: Naman Teran District Potato Growers) ABSTRACT Factor analysis is a multivariate statistical technique used to reduce / summarize the data, many of the variables that turned into a bit variable. This study is a factor analysis to determine what are the dominant factors that influence the production of potatoes with potato farmers in the district respondents Naman Teran. Based on the research results obtained by three dominant factors that could affect the outcome of the potato production potato Method Maintenance (31,22%), Capital factor (14,77%), factor Fertilization (11,142%). The third factor gives the cumulative proportion of the diversity of 57,132% means that three factors can affect potato production at the time the study was 57,132% and the rest can be influenced by other factors that were not identified by the research model. Keywords: multivariate statistics, factor analysis, potatoes Universitas Sumatera Utara DAFTAR ISI Halaman i ii iii iv v vi viii ix x Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar Isi Daftar Tabel Daftar Gambar Daftar Lampiran BAB 1.Pendahuluan 1.1. Latar Belakang 1.2. Perumusan Masalah 1.3. Batasan Masalah 1.4. Tinjauan Pustaka 1.5. Tujuan Penelitian 1.6. Manfaat Penelitian 1.7. Metodologi Penelitian 1 4 4 4 6 7 7 BAB 2. Landasan Teori 2.1. Faktor – Faktor yang mempengaruhi Kentang 2.2. Populasi dan Sampel 2.3. Teknik Pengumpulan data 2.3.1 Data 2.3.2. Data Menurut Sifatnya 2.3.3. Data Menurut Jenisnya 2.3.4. Data menurut cara memperolehnya 2.4. Metode Pengambilan Sampel 2.5 Teknik Pengukuran Sampel 2.6 Uji Dalam Pengolahan Data 2.6.1 Uji Validitas 2.6.2 Uji Reabilitas 2.7 Analisis Faktor 2.7.1 Pengertiaan Analisis Faktor 2.7.2 Model Analisis Faktor 2.7.3 Statistik Yamg Berkaitan Dengan Analisis Faktor 2.7.4 Langkah Langkah Analisis Faktor 9 10 11 11 12 12 12 13 14 15 15 16 17 17 19 20 22 Universitas Sumatera Utara BAB 3. Hasil dan Pembahasan 3.1. Populasi Sampel dan Teknik Pengambilan Sampel 3.2. Variabel Penelitiaan 3.3. Sumber Data 3.4 Pengolahan Data 3.4.1 Input Data Mentah 3.4.2 Pensekalaan Data Ordinal Menjadi Interval 3.4.3 Uji Validitas Data 3.4.4 Uji reabilitas Data 3.5 Analisis Data 3.5.1 Membentuk Matriks Korelasi 3.5.2 Ekstraksi Faktor 3.5.3 Menentukan Banyak faktor 3.5.4 Melakukan Rotasi Faktor 3.5.5 Interpretasi Faktor 3.5.6 Ketepatan Model 29 29 31 32 32 32 33 36 37 38 38 43 46 48 50 53 BAB 4. Kesimpulan dan Saran 4.1. Kesimpulan 4.2 Saran 55 56 Daftar Pustaka 57 Lampiran 58 Universitas Sumatera Utara DAFTAR TABEL Tabel 3.1 Daftar Jumlah Petani Kentang Kecamatan Naman Teran 2011 Tabel 3.2.Jumlah Sampel setiap Desa Tabel 3.3 Tabel Data Hasil Kuisioner Tabel 3.4 Pensekalaan Variabel 1 Tabel 3.5 Pensekalaan Semua Variabel Tabel 3.6 Uji Validitas Variabel Penelitiaan Tabel 3.7 Contoh Perhitungan korelasi Product Moment Tabel 3.8 Uji reliabilitas Variabel Penelitian Tabel 3.9 Perhitungan Korelasi antara variabel X1 dengan X9 Tabel 3.10 Kaiser Mayer Olkin (KMO) dan Barlett’s Test Tabel 3.11 Nilai Mansure Of Sampling Adequecy (MSA) Tabel 3.12 Komunalitas Tabel 3.13 Intial Egen Value Tabel 3.14 Matriks Faktor Sebelum Dirotasi Tabel 3.15 Matriks Faktor Setelah Dirotasi Tabel 3.16 Variabel pendukung Faktor Pertama Tabel 3.17 Variabel pendukung Faktor kedua Tabel 3.18 selisih (residual) sesudah analisis dan sebelum analisi Halaman 29 30 33 34 35 36 36 38 39 42 42 43 44 48 49 52 52 54 Universitas Sumatera Utara DAFTAR GAMBAR Gambar 2.1 Lanngkah Langkah Dalam Analisis faktor Gambar 3.1 Screen plot Halaman 23 47 Universitas Sumatera Utara DAFTAR LAMPIRAN Lampiran 1 Kuisioner Lampiran 2 Hasil koisioner Lampiran 3 Output SPSS Lampiran 4 Hitung manual Halaman 58 60 66 74 Universitas Sumatera Utara
Informasi dokumen
Analisis Faktor yang Mempengaruhi Hasil Produksi Kentang (Studi Kasus: Petani Kentang Kecamatan Naman Teran) Correlation matrix Matriks Korelasi Communality Komunalitas Eigen value Nilai Eigen Factor loadings Faktor Muatan Factor loading plot Plot Faktor Muatan Factor matrix Faktor Matriks Kaiser - Meyer - Olkin KMO measure of sampling adequency Data Asli Hasil Koisioner Data Hasil Kuisiner Pensekalaan Data Menurut Cara Memperolehnya Dilihat dari Initial Eigen Value Total Menentukan Banyaknya Faktor dengan Scree Plot Ekstraksi Faktor Perhitungan Korelasi Antara Variabel X Interpretasi Faktor Perhitungan Korelasi Antara Variabel X Latar Belakang PEMBAHASAN DAN HASIL Melakukan Rotasi Faktor Perhitungan Korelasi Antara Variabel X Menentukan Ketepatan Model Perhitungan Korelasi Antara Variabel X Metode Pengambilan Sampel PEMBAHASAN DAN HASIL Penentuan Split-Half Reliability Penentuan Berdasarkan Uji Signifikan Penskalaan Data Ordinal Menjadi Data Interval Uji Validitas Percentage of variance Persentase Varians Residuals Penentuan Secara A priori Penentuan Berdasarkan Eigen value Penentuan Berdasarkan Screen Plot Penentuan Berdasarkan Persentase Varians PERHITUNGAN DAN Analisis Faktor yang Mempengaruhi Hasil Produksi Kentang (Studi Kasus: Petani Kentang Kecamatan Naman Teran) Perumusan Masalah Batasan Masalah Tinjauan Pustaka Populasi, Sampel dan Teknik Pengambilan Sampel Variabel Penelitiaan Saran Faktor - Faktor yang Mempengaruhi Hasil Produksi Kentang Sumber Data Kesimpulan PEMBAHASAN DAN HASIL Teknik Pengukuran dan Sampel Barlett’s test of sphericity Tujuan Penelitian Kontribusi Penelitian Metodologi Penelitian
Dokumen baru
Aktifitas terbaru
Penulis
123dok avatar

Berpartisipasi : 2016-09-17

Dokumen yang terkait

Analisis Faktor yang Mempengaruhi Hasil Produ..

Gratis

Feedback