Post on 27-Jan-2016
description
UNIVERSITAS JEMBERFAKULTAS PERTANIANJURUSAN SOSIAL EKONOMI PERTANIANLABORATORIUM EKONOMI PERTANIAN
TUGAS PRAKTIKUM
NAMA : FITRI MELINDA
NIM : 121510601042
SHIFT : VI
ACARA : SPSS REGRESI LINIER BERGANDA
TANGGAL PRAKTIKUM : 22 MARET 2014
TANGGAL PENYERAHAN : 29 MARET 2014
ASISTEN : 1. NILA WAHYU PERMANA
2. LORIZA GEVI ANGGASASI
3. APRIYANTO DWI LAKSONO
4. DEWI CHURVA K.S
5. RIZALDY GHAFFAR AL.R
I. DATA DAN PERMASALAHAN
I.1 Data
I.1.1 Uji Regresi Berganda Banyak Variabel Bebas
Pemerintah Kabupaten Dairi Provinsi Sumatera Utara akan mendata
tingkat pendapatan petani kopi daerah tersebut dengan berbagai faktor yang
mempengaruhinya. Faktor-faktor tersebut antara lain luas lahan yang dimiliki,
usia petani, pendidikan, serta lama pengalaman dalam bertani. Berikut adalah data
tingkat pendapatan petani dengan keempat faktor yang mempengaruhinya:
Petani Sample
Luas Lahan (Ha)
Umur Petani
(Tahun)Pendidikan
(Tahun)
Pengalaman Bertani (Tahun)
Pendapatan (ribu rp)
1 0.16 37 6 25 8002 0.26 56 9 42 1,3003 0.96 67 9 55 4,8004 0.76 63 12 45 3,8005 0.74 60 12 37 3,7006 0.76 56 9 41 3,8007 0.56 50 6 37 2,8008 0.64 56 7 44 3,3609 0.92 60 12 45 4,600
10 0.84 57 12 42 4,20011 0.68 55 6 41 3,57012 0.96 55 12 33 4,80013 0.8 62 6 50 4,00014 0.66 43 8 31 3,30015 0.82 47 12 33 4,10016 1.04 66 12 45 5,20017 1.08 60 12 45 5,13018 1.06 60 12 43 5,30019 1.06 62 12 44 5,30020 1.08 64 9 50 5,67021 0.2 50 12 30 1,02522 0.3 62 9 48 1,50023 0.42 65 6 53 2,20524 0.44 59 6 46 2,20025 0.22 50 8 36 1,10026 0.32 56 6 44 1,60027 0.22 50 12 30 1,100
28 0.16 42 9 27 80029 0.4 63 9 48 2,00030 0.34 55 6 41 1,615
I.2 Permasalahan
Seberapa besar atau jauh hubungan luas lahan yang dimiliki, usia petani,
pendidikan, serta lama pengalaman dalam bertani berpengaruh terhadap tingkat
pendapatan petani kopi di Kabupaten Dairi Provinsi Sumatera Utara?
II. FLOWCHART
III. OUTPUT
III.1 Uji Regresi Berganda Banyak Variabel Bebas
3.1.1 Metode ENTER
Descriptive Statistics
Mean Std. Deviation N
pendapatan 56.4358 202.12841 30
luas .1667 .37905 30
umur 56.2667 7.42286 30
pendidikan 9.2667 2.51798 30
pengalaman 41.0333 7.65859 30
Correlations
pendapatan luas umur pendidikan pengalaman
Pearson Correlation pendapatan 1.000 -.115 -.612 -.188 -.532
luas -.115 1.000 .376 .385 .259
umur -.612 .376 1.000 .181 .910
pendidikan -.188 .385 .181 1.000 -.140
pengalaman -.532 .259 .910 -.140 1.000
Sig. (1-tailed) pendapatan . .272 .000 .160 .001
luas.272 . .020 .018 .083
umur .000 .020 . .170 .000
pendidikan .160 .018 .170 . .230
pengalaman .001 .083 .000 .230 .
N pendapatan 30 30 30 30 30
luas 30 30 30 30 30
umur 30 30 30 30 30
pendidikan 30 30 30 30 30
pengalaman 30 30 30 30 30
Variables Entered/Removedb
Model Variables EnteredVariables Removed Method
1 pengalaman, pendidikan, luas, umura
. Enter
a. All requested variables entered.
b. Dependent Variable: pendapatan
Model Summaryb
Model R R Square Adjusted R SquareStd. Error of the
Estimate
1 .638a .407 .312 167.70687
a. Predictors: (Constant), pengalaman, pendidikan, luas, umur
b. Dependent Variable: pendapatan
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 481681.044 4 120420.261 4.282 .009a
Residual 703139.849 25 28125.594
Total 1184820.893 29
a. Predictors: (Constant), pengalaman, pendidikan, luas, umur
b. Dependent Variable: pendapatan
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1145.003 286.438 3.997 .000
luas 99.538 94.827 .187 1.050 .304 .751 1.332
umur -16.983 15.366 -.624 -1.105 .280 .075 13.414
pendidikan -12.190 19.768 -.152 -.617 .543 .391 2.555
pengalaman
-.892 14.825 -.034 -.060 .952 .075 13.291
a. Dependent Variable: pendapatan
Collinearity Diagnosticsa
Model Dimension Eigenvalue Condition Index
Variance Proportions
(Constant) luas umur pendidikan pengalaman
1 1 4.174 1.000 .00 .01 .00 .00 .00
2 .753 2.354 .00 .76 .00 .00 .00
3 .061 8.290 .00 .03 .00 .29 .01
4 .011 19.832 .77 .20 .00 .19 .04
5 .001 71.771 .23 .00 .99 .52 .95
a. Dependent Variable: pendapatan
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value -1.5165E2 421.1805 56.4358 128.87859 30
Residual -2.86249E2 5.02089E2 .00000 155.71192 30
Std. Predicted Value -1.615 2.830 .000 1.000 30
Std. Residual -1.707 2.994 .000 .928 30
a. Dependent Variable: pendapatan
3.1.2 Metode BACKWARD
Descriptive Statistics
Mean Std. Deviation N
pendapatan 56.4358 202.12841 30
luas .1667 .37905 30
umur 56.2667 7.42286 30
pendidikan 9.2667 2.51798 30
pengalaman 41.0333 7.65859 30
Correlations
pendapatan luas umur pendidikan Pengalaman
Pearson Correlation
pendapatan 1.000 -.115 -.612 -.188 -.532
luas -.115 1.000 .376 .385 .259
umur -.612 .376 1.000 .181 .910
pendidikan -.188 .385 .181 1.000 -.140
pengalaman -.532 .259 .910 -.140 1.000
Sig. (1-tailed)
pendapatan . .272 .000 .160 .001
luas .272 . .020 .018 .083
umur .000 .020 . .170 .000
pendidikan .160 .018 .170 . .230
pengalaman .001 .083 .000 .230 .
N pendapatan 30 30 30 30 30
luas 30 30 30 30 30
umur 30 30 30 30 30
pendidikan 30 30 30 30 30
pengalaman 30 30 30 30 30
Variables Entered/Removedb
Model Variables EnteredVariables Removed Method
1 pengalaman, pendidikan, luas, umura
. Enter
2
. pengalaman
Backward (criterion: Probability of F-to-remove >= ,100).
3
. pendidikan
Backward (criterion: Probability of F-to-remove >= ,100).
4
. luas
Backward (criterion: Probability of F-to-remove >= ,100).
a. All requested variables entered.
b. Dependent Variable: pendapatan
Model Summarye
Model R R Square Adjusted R SquareStd. Error of the
Estimate
1 .638a .407 .312 167.70687
2 .638b .406 .338 164.46202
3 .624c .390 .344 163.66795
4 .612d .374 .352 162.72926
a. Predictors: (Constant), pengalaman, pendidikan, luas, umur
b. Predictors: (Constant), pendidikan, luas, umur
c. Predictors: (Constant), luas, umur
d. Predictors: (Constant), umur
e. Dependent Variable: pendapatan
ANOVAe
Model Sum of Squares df Mean Square F Sig.
1 Regression 481681.044 4 120420.261 4.282 .009a
Residual 703139.849 25 28125.594
Total 1184820.893 29
2 Regression 481579.205 3 160526.402 5.935 .003b
Residual 703241.687 26 27047.757
Total 1184820.893 29
3 Regression 461566.518 2 230783.259 8.615 .001c
Residual 723254.375 27 26787.199
Total 1184820.893 29
4 Regression 443358.174 1 443358.174 16.743 .000d
Residual 741462.718 28 26480.811
Total 1184820.893 29
a. Predictors: (Constant), pengalaman, pendidikan, luas, umur
b. Predictors: (Constant), pendidikan, luas, umur
c. Predictors: (Constant), luas, umur
d. Predictors: (Constant), umur
e. Dependent Variable: pendapatan
Coefficientsa
Model
Unstandardized CoefficientsStandardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1145.003 286.438 3.997 .000
luas 99.538 94.827 .187 1.050 .304 .751 1.332
umur -16.983 15.366 -.624 -1.105 .280 .075 13.414
pendidikan -12.190 19.768 -.152 -.617 .543 .391 2.555
pengalaman -.892 14.825 -.034 -.060 .952 .075 13.291
2 (Constant) 1150.083 268.420 4.285 .000
luas 99.130 92.754 .186 1.069 .295 .755 1.325
umur -17.867 4.444 -.656 -4.021 .000 .857 1.167
pendidikan -11.316 13.155 -.141 -.860 .398 .850 1.176
3 (Constant) 1058.837 245.380 4.315 .000
luas 71.336 86.524 .134 .824 .417 .859 1.164
umur -18.026 4.418 -.662 -4.080 .000 .859 1.164
4 (Constant) 993.692 230.977 4.302 .000
umur -16.657 4.071 -.612 -4.092 .000 1.000 1.000
a. Dependent Variable: pendapatan
Collinearity Diagnosticsa
Model Dimension EigenvalueCondition
Index
Variance Proportions
(Constant) luas umur pendidikan Pengalaman
1 1 4.174 1.000 .00 .01 .00 .00 .00
2 .753 2.354 .00 .76 .00 .00 .00
3 .061 8.290 .00 .03 .00 .29 .01
4 .011 19.832 .77 .20 .00 .19 .04
5 .001 71.771 .23 .00 .99 .52 .95
2 1 3.219 1.000 .00 .02 .00 .01
2 .734 2.095 .00 .76 .00 .00
3 .041 8.890 .03 .06 .07 .94
4 .007 21.487 .96 .16 .92 .05
3 1 2.279 1.000 .00 .06 .00
2 .714 1.787 .00 .82 .00
3 .007 17.694 1.00 .12 1.00
4 1 1.992 1.000 .00 .00
2 .008 15.484 1.00 1.00
a. Dependent Variable: pendapatan
Excluded Variablesd
Model Beta In t Sig.Partial
Correlation
Collinearity Statistics
Tolerance VIF Minimum Tolerance
2 pengalaman -.034a -.060 .952 -.012 .075 13.291 .075
3 pengalaman .221b .586 .563 .114 .163 6.121 .150
pendidikan -.141b -.860 .398 -.166 .850 1.176 .755
4 pengalaman .146c .397 .694 .076 .171 5.836 .171
pendidikan -.080c -.519 .608 -.099 .967 1.034 .967
luas .134c .824 .417 .157 .859 1.164 .859
a. Predictors in the Model: (Constant), pendidikan, luas, umur
b. Predictors in the Model: (Constant), luas, umur
c. Predictors in the Model: (Constant), umur
d. Dependent Variable: pendapatan
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value -1.2235E2 377.3683 56.4358 123.64551 30
Residual -2.74124E2 5.05919E2 .00000 159.89897 30
Std. Predicted Value -1.446 2.596 .000 1.000 30
Std. Residual -1.685 3.109 .000 .983 30
a. Dependent Variable: pendapatan
3.1.3 Metode FORWARD
Descriptive Statistics
Mean Std. Deviation N
pendapatan 56.4358 202.12841 30
luas .1667 .37905 30
umur 56.2667 7.42286 30
pendidikan 9.2667 2.51798 30
pengalaman 41.0333 7.65859 30
Correlations
pendapatan luas umur pendidikan pengalaman
Pearson Correlation
pendapatan 1.000 -.115 -.612 -.188 -.532
luas -.115 1.000 .376 .385 .259
umur -.612 .376 1.000 .181 .910
pendidikan -.188 .385 .181 1.000 -.140
pengalaman -.532 .259 .910 -.140 1.000
Sig. (1-tailed) pendapatan . .272 .000 .160 .001
luas .272 . .020 .018 .083
umur .000 .020 . .170 .000
pendidikan .160 .018 .170 . .230
pengalaman .001 .083 .000 .230 .
N pendapatan 30 30 30 30 30
luas 30 30 30 30 30
umur 30 30 30 30 30
pendidikan 30 30 30 30 30
pengalaman 30 30 30 30 30
Variables Entered/Removeda
Model Variables EnteredVariables Removed Method
1
umur .
Forward (Criterion: Probability-of-F-to-enter <= ,050)
a. Dependent Variable: pendapatan
Model Summaryb
Model R R Square Adjusted R SquareStd. Error of the
Estimate
1 .612a .374 .352 162.72926
a. Predictors: (Constant), umur
b. Dependent Variable: pendapatan
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 443358.174 1 443358.174 16.743 .000a
Residual 741462.718 28 26480.811
Total 1184820.893 29
a. Predictors: (Constant), umur
b. Dependent Variable: pendapatan
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 993.692 230.977 4.302 .000
umur -16.657 4.071 -.612 -4.092 .000 1.000 1.000
a. Dependent Variable: pendapatan
Excluded Variablesb
Model Beta In t Sig.Partial
Correlation
Collinearity Statistics
Tolerance VIF Minimum Tolerance
1 luas .134a .824 .417 .157 .859 1.164 .859
pendidikan -.080a -.519 .608 -.099 .967 1.034 .967
pengalaman .146a .397 .694 .076 .171 5.836 .171
a. Predictors in the Model: (Constant), umur
b. Dependent Variable: pendapatan
Collinearity Diagnosticsa
ModelDimension Eigenvalue Condition Index
Variance Proportions
(Constant) umur
1 1 1.992 1.000 .00 .00
2 .008 15.484 1.00 1.00
a. Dependent Variable: pendapatan
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value -1.2235E2 377.3683 56.4358 123.64551 30
Residual -2.74124E2 5.05919E2 .00000 159.89897 30
Std. Predicted Value -1.446 2.596 .000 1.000 30
Std. Residual -1.685 3.109 .000 .983 30
a. Dependent Variable: pendapatan
3.1.4 Metode STEPWIS
Descriptive Statistics
Mean Std. Deviation N
pendapatan 56.4358 202.12841 30
luas .1667 .37905 30
umur 56.2667 7.42286 30
pendidikan 9.2667 2.51798 30
pengalaman 41.0333 7.65859 30
Correlations
pendapatan luas umur pendidikan pengalaman
Pearson Correlation
pendapatan 1.000 -.115 -.612 -.188 -.532
luas -.115 1.000 .376 .385 .259
umur -.612 .376 1.000 .181 .910
pendidikan -.188 .385 .181 1.000 -.140
pengalaman -.532 .259 .910 -.140 1.000
Sig. (1-tailed) pendapatan . .272 .000 .160 .001
luas .272 . .020 .018 .083
umur .000 .020 . .170 .000
pendidikan .160 .018 .170 . .230
pengalaman .001 .083 .000 .230 .
N pendapatan 30 30 30 30 30
luas 30 30 30 30 30
umur 30 30 30 30 30
pendidikan 30 30 30 30 30
pengalaman 30 30 30 30 30
Variables Entered/Removeda
Model Variables EnteredVariables Removed Method
1
umur .
Stepwise (Criteria: Probability-of-F-to-enter <= ,050, Probability-of-F-to-remove >= ,100).
a. Dependent Variable: pendapatan
Model Summaryb
Model R R Square Adjusted R SquareStd. Error of the
Estimate
1 .612a .374 .352 162.72926
a. Predictors: (Constant), umur
b. Dependent Variable: pendapatan
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 443358.174 1 443358.174 16.743 .000a
Residual 741462.718 28 26480.811
Total 1184820.893 29
a. Predictors: (Constant), umur
b. Dependent Variable: pendapatan
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 993.692 230.977 4.302 .000
umur -16.657 4.071 -.612 -4.092 .000 1.000 1.000
a. Dependent Variable: pendapatan
Excluded Variablesb
Model Beta In t Sig.Partial Correlation
Collinearity Statistics
Tolerance VIFMinimum Tolerance
1 luas .134a .824 .417 .157 .859 1.164 .859
pendidikan -.080a -.519 .608 -.099 .967 1.034 .967
pengalaman .146a .397 .694 .076 .171 5.836 .171
a. Predictors in the Model: (Constant), umur
b. Dependent Variable: pendapatan
Collinearity Diagnosticsa
ModelDimension Eigenvalue Condition Index
Variance Proportions
(Constant) umur
1 1 1.992 1.000 .00 .00
2 .008 15.484 1.00 1.00
a. Dependent Variable: pendapatan
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value -1.2235E2 377.3683 56.4358 123.64551 30
Residual -2.74124E2 5.05919E2 .00000 159.89897 30
Std. Predicted Value -1.446 2.596 .000 1.000 30
Std. Residual -1.685 3.109 .000 .983 30
a. Dependent Variable: pendapatan
3.1.5 Metode REMOVE
Descriptive Statistics
Mean Std. Deviation N
pendapatan 56.4358 202.12841 30
luas .1667 .37905 30
umur 56.2667 7.42286 30
pendidikan 9.2667 2.51798 30
pengalaman 41.0333 7.65859 30
Correlations
pendapatan luas umur pendidikan Pengalaman
Pearson Correlation
pendapatan 1.000 -.115 -.612 -.188 -.532
luas -.115 1.000 .376 .385 .259
umur -.612 .376 1.000 .181 .910
pendidikan -.188 .385 .181 1.000 -.140
pengalaman -.532 .259 .910 -.140 1.000
Sig. (1-tailed)
pendapatan . .272 .000 .160 .001
luas .272 . .020 .018 .083
umur .000 .020 . .170 .000
pendidikan .160 .018 .170 . .230
pengalaman .001 .083 .000 .230 .
N pendapatan 30 30 30 30 30
luas 30 30 30 30 30
umur 30 30 30 30 30
pendidikan 30 30 30 30 30
pengalaman 30 30 30 30 30
Variables Entered/Removedc
Model Variables EnteredVariables Removed Method
1 pengalaman, pendidikan, luas, umura
. Enter
2.a
umur, luas, pengalaman, pendidikanb
Remove
a. All requested variables entered.
b. All requested variables removed.
c. Dependent Variable: pendapatan
Model Summary
Model R R Square Adjusted R SquareStd. Error of the
Estimate
1 .638a .407 .312 167.70687
2 .000b .000 .000 202.12841
a. Predictors: (Constant), pengalaman, pendidikan, luas, umur
b. Predictor: (constant)
ANOVAc
Model Sum of Squares df Mean Square F Sig.
1 Regression 481681.044 4 120420.261 4.282 .009a
Residual 703139.849 25 28125.594
Total 1184820.893 29
2 Regression .000 0 .000 . .b
Residual 1184820.893 29 40855.893
Total 1184820.893 29
a. Predictors: (Constant), pengalaman, pendidikan, luas, umur
b. Predictor: (constant)
c. Dependent Variable: pendapatan
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1145.003 286.438 3.997 .000
luas 99.538 94.827 .187 1.050 .304 .751 1.332
umur -16.983 15.366 -.624 -1.105 .280 .075 13.414
pendidikan -12.190 19.768 -.152 -.617 .543 .391 2.555
pengalaman -.892 14.825 -.034 -.060 .952 .075 13.291
2 (Constant) 56.436 36.903 1.529 .137
a. Dependent Variable: pendapatan
Collinearity Diagnosticsa
Model Dimension Eigenvalue Condition Index
Variance Proportions
(Constant) luas umur pendidikan pengalaman
1 1 4.174 1.000 .00 .01 .00 .00 .00
2 .753 2.354 .00 .76 .00 .00 .00
3 .061 8.290 .00 .03 .00 .29 .01
4 .011 19.832 .77 .20 .00 .19 .04
5 .001 71.771 .23 .00 .99 .52 .95
2 1 1.000 1.000 1.00
a. Dependent Variable: pendapatan
Excluded Variablesb
Model Beta In t Sig. Partial Correlation
Collinearity Statistics
Tolerance VIF Minimum Tolerance
2 luas -.115a -.613 .545 -.115 1.000 1.000 1.000
umur -.612a -4.092 .000 -.612 1.000 1.000 1.000
pendidikan -.188a -1.012 .320 -.188 1.000 1.000 1.000
pengalaman -.532a -3.324 .002 -.532 1.000 1.000 1.000
a. Predictor: (constant)
b. Dependent Variable: pendapatan
IV. INTERPRETASI
IV.1 Uji Regresi Berganda Banyak Variabel Bebas
4.1.1 Metode ENTER
Analisis :
A. Output bagian Pertama dan Kedua
Rata-rata Pendapatan (n=30) adalah Rp. 56,4358 juta dengan standar deviasi
Rp. 202,128 juta.
Luas lahan rata-rata (n=30) adalah 0,1667 Ha dengan standar deviasi 0,37905
Ha.
Rata-rata umur petani (n=30) adalah 9,2 tahun dengan standar deviasi 2,51
tahun.
Besar hubungan antarva variable Pendapatan dengan Luas lahan yang
dihitung dengan koefisien korelasi adalah -0,115, sedangkan variabel
Pendapatan dengan Umur petani adalah -0,612. Besar hubungan antar
variable Pendapatan dengan Tingkat Pendidikan petani yang dihitung
dengan koefisien korelasi adalah -0,188, sedangkan variabel Pendapatan
dengan Pengalaman petani adalah -0,532. Secara teoritis, karena korelasi
antara Pendapatan dan Luas lahan lebih besar, maka variabel Luas lahan lebih
berpengaruh terhadap Pendapatan dibanding umur, tingkat pendidikan, dan
pengalaman petani.
Terjadi korelasi yang cukup kuat antara variabel Luas lahan dengan umur
petani, yaitu 0,376. Hal ini menandakan adanya multikolinieritas, atau
korelasi di antara variabel bebas.
Tingkat signifikansi koefisien korelasi variabel Pendapatan dengan luas
lahan sebesar 0,272. Oleh karena probabilitas jauh diatas 0,05, maka korelasi
di antara variabel Pendapatan dengan umur tidak nyata. Tingkat signifikansi
koefisien korelasi variabel Pendapatan dengan umur sebesar 0,000. Oleh
karena probabilitas jauh dibawah 0,05, maka korelasi di antara variabel
Pendapatan dengan umur petani sangat nyata. Tingkat signifikansi koefisien
korelasi variabel Pendapatan dengan pendidikan sebesar 0,016. Oleh karena
probabilitas jauh dibawah 0,05, maka korelasi di antara variabel Pendapatan
dengan Pendidikan sangat nyata. Tingkat signifikansi koefisien korelasi
variabel Pendapatan dengan pengalaman sebesar 0,001. Oleh karena
probabilitas dibawah 0,05, maka korelasi di antara variabel Pendapatan
dengan Pengalaman sangat nyata.
B. Output bagian ketiga dan keempat
Tabel VARIABLES ENTERED menunjukkan bahwa tidak ada variabel
yang dikeluarkan (removed), atau dengan kata lain kedua variabel bebas
dimasukkan dalam perhitungan regresi.
Angka R square adalah 0,407. Hal ini berarti 40,7 % Pendapatan petani
dapat dijelaskan dengan variabel luas lahan, umur petani, pendidikn dan
pengalaman petani. Sedangkan sisanya 59,3% dijelaskan oleh sebab-sebab
yang lain.
Standar Error of Estimate adalah 167,70 atau Rp. 16,77 juta (satuan
yang dipakai adalah variabel dependen, atau dalam hal ini adalah
Pendapatan Petani). Perhatikan pada analisis sebelumnya, bahwa standar
deviasi Luas lahan adalah Rp. 0,379 juta, yang lebih kecil dari Standard error
of estimate yang sebesar Rp. 16,77 juta. Oleh karena lebih besar dari
standar deviasi Luas lahan, maka model regresi tidak lebih bagus dalam
bertindak sebagai prediktor Luas lahan daripada rata-rata Luas lahan itu
sendiri.
C. Output bagian kelima dan keenam
Dari uji ANOVA atau F test, dipakai F hitung adalah 4,282 dengan
tingkat signifikansi 0,009. Oleh karena probabilitas (0,009) jauh lebih kecil
dari 0,05, maka model regresi dapat dipakai untuk memprediksi
Pendapatan Petani, atau dapat dikatakan Luas lahan, umur, pendidikan, dan
pengalaman petani berpengaruh terhadap Pendapatan.
Tabel selanjutnya menggambarkan persamaan regresi :
Y = 1145,003 + 99,538 X1 – 16,983 X2 -12,190 X3 -0,892 X4
Dimana :
Y = Pendapatan X3 = Pendidikan
X1 = Luas Lahan X4 = Pengalaman
X2 = Umur
Konstanta sebesar 1145,003 menyatakan bahwa jika tidak ada lahan,
umur, tingkat pendidikan dan pengalaman maka Pendapatan adalah –Rp
1145,003 juta.
Koefisien regresi X1 sebesar 99,538 menyatakan bahwa setiap penambahan
(karena tanda +) sebesar 1 Ha, luas lahan akan meningkatkan Pendapatan
sebesar Rp. 99,538 juta
Koefisien regresi X2 sebesar -16,983 menyatakan bahwa setiap penambahan
(karena tanda -) 1 tahun, umur petani akan meningkatkan Pendapatan sebesar
-Rp. 16,983 juta
Koefisien regresi X3 sebesar -12,190 menyatakan bahwa setiap peurunan
(karena tanda -) 1 tahun, tingkat pendidikan akan menurunkan Pendapatan
sebesar -Rp. 12,190 juta
Koefisien regresi X4 sebesar -0,892 menyatakan bahwa setiap peurunan
(karena tanda -) 1 tahun, tingkat pendidikan akan menurunkan Pendapatan
sebesar -Rp. 0,982
Uji t untuk menguji signifikansi konstanta dan variabel dependen
(pendapatan). Disini akan diberi contoh uji koefisien regresi dari
variabel promosi.
Hipotesis:
H0 = Koefisien regresi tidak signifikan
H1 = Koefisien regresi signifikan
Pengambilan Keputusan
Jika probabilitas > 0,05, maka H0 diterima.
Jika probabilitas < 0,05, maka H1 ditolak.
Keputusan :
Variabel Luas lahan: Terlihat bahwa pada kolom sig/significance
adalah 0,304, atau probabilitas jauh diatas 0,05, maka H0 diterima, atau
koefisien regresi tidak signifikan, atau luas lahan tidak berpengaruh
secara signifikan terhadap Pendapatan.
Variabel Umur: Terlihat bahwa pada kolom sig/significance adalah
0,280, atau probabilitas diatas 0,05, maka H0 diterima, atau koefisien
regresi tidak signifikan, atau umur petani tidak berpengaruh secara
signifikan terhadap Pendapatan.
Variabel Tingkat pendidikan: Terlihat bahwa pada kolom
sig/significance adalah 0,543, atau probabilitas diatas 0,05, maka H0
diterima, atau koefisien regresi tidak signifikan, atau umur petani tidak
berpengaruh secara signifikan terhadap Pendapatan.
Variabel Pengalaman bertani: Terlihat bahwa pada kolom
sig/significance adalah 0,952, atau probabilitas diatas 0,05, maka H0
diterima, atau koefisien regresi tidak signifikan, atau pegalaman bertani
tidak berpengaruh secara signifikan terhadap Pendapatan.
4.1.2 Metode BACKWARD
A. Output bagian pertama dan kedua
1. Descriptive
o Rata-rata pendapatan (n=30), adalah Rp 56,4358 juta dengan standar
deveiasi Rp 202,128
o Rata-rata luas lahan adalah 0,1667 Ha dengan standar deviasi 0,37905 Ha
o Rata-rata umur adalah 56,2667 tahun dengan standar deviasi 7,42286
tahun.
o Rata-rata pendidikan adalah 9,2667 tahun dengan standar deviasi 2,51798
tahun.
2. Correlation
o Besar hubungan antara variabel pendapatan dengan variabel bebPas,
dengan diurutkan dari terbesar ke terkecil :
Luas lahan = 0,115 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Umur = 0,612 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Pendidikan = 0,188 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Pengalaman = 0,532 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
o Hal ini menunjukkan keempat variabel bebas mempunyai korelasi yang
lemah (dibawah 0,5).
B. Output bagian ketiga dan keempat
1. Adjusted R Square
Pada model 1 terlihat Adj. R Square adalah 0,407. Pada model 2, dengan
mengeluarkan variabel pengalaman, maka Adj R Square menjadi 0,406 atau
terjadi penurunan. Demikian seterusnya akan terjadi penurunan pada model final
ke 4.
2. Sandard Error of Estimate
Terjadi penurunan pada Standard Error of Estimate darai 167,70 pada model
1, menjadi 162,729 pada model ke 4. Maka model regresi lebih bagus bertindak
sebagai prediktor Pendapatan daripada rata-rata Pendapatan itu sendiri.
C. Output bagian kelima dan keenam
Dari uji ANOVA atau F test, diperoleh F hitung untuk model 4 atau model
yang dipakai adalah 16,743 dengan tingkat signifikansi 0,000. Oleh karena
probabilitas jauh lebih kecil dari 0,05, maka model regresi dapat dipakai untuk
memprediksi Pendapatan.
1. Collinearity Statistic
Pada model 2 untuk variabel pengalaman, diperoleh besar tolerance adalah
0,075. Hal ini berarti R2 adalah 1-0.750 atau 0,250. Hal ini berarti hanya 25%
variabilitas Pengalaman dapat dijelaskan oleh prediktor (variabel bebas) yang lain.
VIF = 1/TOLERANCE
Misal, pada model 2 : VIF = 1/0,750 = 1,333. Jika nilai VIF lebih besar dari
5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel
bebas yang lainnya. Jadi variabel Pengalaman tidak mempunyai persoalan
multikolinearitas dengan variabel bebas lainnya.
2. Menggambarkan persamaan Regresi
Pada model 3, pada kolom Unstandardized Coefficient, didapat persamaan:
Y=1058,837 + 71,336X1 -18,026X2
Dimana :
Y=pendapatan
X1= luas
X2 = umur
o Konstanta sebesar 1058,837 menyatakan bahwa jika tidak ada luas lahan
dan tingkat umur yang ditentukan oleh pemerintah, maka Pendapatan adalah
Rp 1.058,837 juta.
o Koefisien regresi X1 sebesar 71,336 menyatakan bahwa setiap penambahan
(karena tanda +) Rp 1,- luas lahan akan meningkatkan Pendapatan sebesar
Rp 71,336 juta.
o Koefisien regresi X2 sebesar 18,026 menyatakan bahwa setiap penambahan
(karena tanda -) 1 tahun tingkat umur yang ditentukan akan meningkatkan
pendapatan sebesar -18,026.
Pengambilan keputusan
Jika probabilitas > 0,05 maka H0 diterima
Jika probabilitas < 0,05 maka H0 ditolak
Keputusan
Terlihat bahwa pada kolom Sig adalah 0,0000 atau probabilitas jauh
dibawah 0,05 maka H0 ditolak, atau koefisien regresi signifikansi, atau umur
benar-benar berpengaruh secara signifikan terhadap pendapatan.
D. Output bagian ketujuh
Pada model 1, terlihat nilai variabel bebas 3 dan 4 mempunyai nilai Eigen
yang mendekati 0, hal ini berarti ada dugaan terjadi problem multikolinearitas
yaitu korelasi antara variabel 3 dan 4.
E. Output bagian kedelapan
Pada model 1 dacari variabel bebas dengan t hitung terkecil, yang didapat
variabel Pengalaman, maka variabel Pengalaman dikeluarkan (exclude).
4.1.3 Metode FORWARD
A. Output bagian pertama
1. Descriptive
o Rata-rata pendapatan (n=30), adalah Rp 56,4358 juta dengan standar deveiasi
Rp 202,128
o Rata-rata luas lahan adalah 0,1667 Ha dengan standar deviasi 0,37905 Ha
o Rata-rata umur adalah 56,2667 tahun dengan standar deviasi 7,42286 tahun.
o Rata-rata pendidikan adalah 9,2667 tahun dengan standar deviasi 2,51798
tahun.
2. Correlation
o Besar hubungan antara variabel pendapatan dengan variabel bebas, dengan
diurutkan dari terbesar ke terkecil :
Luas lahan = 0,115 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Umur = 0,612 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Pendidikan = 0,188 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Pengalaman = 0,532 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
o Hal ini menunjukkan keempat variabel bebas mempunyai korelasi yang
lemah (dibawah 0,5).
B. Output bagian ketiga dan keempat
1. Adjusted R Square
Adjusted pada model 1 adalah sebesar 0,352.
2. Standard Error of Estimate
Standard Error of Estimate adalah sebesar 162,729.
C. Output bagian kelima dan keenam
1. Menggambarkan persamaan regresi
Y= 993,692 – 16,657X1
Y = Pendapatan
X1 = Umur
o Konstanta sebesar 993,692 menyatakan bahwa jika tidak ada tingkat umur
yang ditentukan pemerintah, maka Pendapatan adalah Rp 993,692 juta.
o Koefisien regresi X1 sebesar 16,657 menyatakan bahwa setipa penambahan
(karena tanda -) 1 tahun Umur akan meningkatkan Pendapatan sebesar
16,657 tahun.
Berdasarkan probabilitas
Jika probabilitas > 0,05 maka H0 diterima
Jika probabilitas < 0,05 maka H0 ditolak
Keputusan
Terlihat bahwa kolom Sig adalah 0,0000 atau probabilitas di bawah 0,05,
maka H0 ditolak atau koefisien regresi signifikan.
D. Output ketujuh
Pada model 1 terlihat nilai variabel bebas 2 mempunyai nilai Eigen yang
mendekati 0. Hal ini berarti ada dugaan terjadi problem multikolinearitas.
E. Output bagian delapan
Variabel bebas yang tidak layak dimasukkan dalam model regresi adalah
variabel Umur.
4.1.4 Metode STEPWISE
A. Output bagian pertama
1. Descriptive
o Rata-rata pendapatan (n=30), adalah Rp 56,4358 juta dengan standar deveiasi
Rp 202,128
o Rata-rata luas lahan adalah 0,1667 Ha dengan standar deviasi 0,37905 Ha
o Rata-rata umur adalah 56,2667 tahun dengan standar deviasi 7,42286 tahun.
o Rata-rata pendidikan adalah 9,2667 tahun dengan standar deviasi 2,51798
tahun.
2. Correlation
o Besar hubungan antara variabel pendapatan dengan variabel bebas, dengan
diurutkan dari terbesar ke terkecil :
Luas lahan = 0,115 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Umur = 0,612 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Pendidikan = 0,188 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Pengalaman = 0,532 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
o Hal ini menunjukkan keempat variabel bebas mempunyai korelasi yang
lemah (dibawah 0,5).
B. Output bagian ketiga dan keempat
1. Adjusted R Square
Adjusted pada model 1 adalah sebesar 0,352.
2. Standard Error of Estimate
Standard Error of Estimate adalah sebesar 162,729.
C. Output bagian kelima dan keenam
Menggambarkan persamaan regresi
Y= 993,692 – 16,657X1
Y = Pendapatan
X1 = Umur
o Konstanta sebesar 993,692 menyatakan bahwa jika tidak ada tingkat umur
yang ditentukan pemerintah, maka Pendapatan adalah Rp 993,692 juta.
o Koefisien regresi X1 sebesar 16,657 menyatakan bahwa setipa penambahan
(karena tanda -) 1 tahun Umur akan meningkatkan Pendapatan sebesar
16,657 tahun.
Berdasarkan probabilitas
Jika probabilitas > 0,05 maka H0 diterima
Jika probabilitas < 0,05 maka H0 ditolak
Keputusan
Terlihat bahwa kolom Sig adalah 0,0000 atau probabilitas di bawah 0,05,
maka H0 ditolak atau koefisien regresi signifikan.
D. Output ketujuh
Pada model 1 terlihat nilai variabel bebas 2 mempunyai nilai Eigen yang
mendekati 0. Hal ini berarti ada dugaan terjadi problem multikolinearitas.
E. Output bagian delapan
Variabel bebas yang tidak layak dimasukkan dalam model regresi adalah
variabel Umur.
4.1.5 Metode REMOVE
A. Output bagian pertama dan kedua
1. Descriptive
o Rata-rata pendapatan (n=30), adalah Rp 56,4358 juta dengan standar
deveiasi Rp 202,128
o Rata-rata luas lahan adalah 0,1667 Ha dengan standar deviasi 0,37905 Ha
o Rata-rata umur adalah 56,2667 tahun dengan standar deviasi 7,42286
tahun.
o Rata-rata pendidikan adalah 9,2667 tahun dengan standar deviasi 2,51798
tahun.
2. Correlation
o Besar hubungan antara variabel pendapatan dengan variabel bebas, dengan
diurutkan dari terbesar ke terkecil :
Luas lahan = 0,115 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Umur = 0,612 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Pendidikan = 0,188 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
Pengalaman = 0,532 (tanda ‘-‘ menunjukkan arah hubungan berlawanan).
o Hal ini menunjukkan keempat variabel bebas mempunyai korelasi yang
lemah (dibawah 0,5).
B. Output bagian ketiga dan keempat
1. Adjusted R Square
Pada model 1 terlihat Adj. R Square adalah 0,312. Pada model 2, dengan
mengeluarkan variabel pengalaman, maka Adj R Square menjadi 0,312 atau
terjadi penurunan. Demikian seterusnya akan terjadi penurunan pada model final
ke 4.
2. Sandard Error of Estimate
Terjadi kenaikan pada Standard Error of Estimate dari 167,70 pada model 1,
menjadi 202,128 pada model ke 2. Maka model regresi tidak lebih bagus
bertindak sebagai prediktor Pendapatan daripada rata-rata Pendapatan itu sendiri.
F. Output bagian kelima dan keenam
Dari uji ANOVA atau F test, diperoleh F hitung untuk model 1 atau model
yang dipakai adalah 4,282 dengan tingkat signifikansi 0,009. Oleh karena
probabilitas jauh lebih kecil dari 0,05, maka model regresi dapat dipakai untuk
memprediksi Pendapatan.
3. Collinearity Statistic
Pada model 2 untuk variabel umur, diperoleh besar tolerance adalah 0,075.
Hal ini berarti R2 adalah 1-0.750 atau 0,250. Hal ini berarti hanya 25% variabilitas
Umur dapat dijelaskan oleh prediktor (variabel bebas) yang lain.
VIF = 1/TOLERANCE
Misal, pada model 2 : VIF = 1/0,750 = 1,333. Jika nilai VIF lebih besar dari
5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel
bebas yang lainnya. Jadi variabel Pengalaman tidak mempunyai persoalan
multikolinearitas dengan variabel bebas lainnya.
4. Menggambarkan persamaan Regresi
Pada model 1, pada kolom Unstandardized Coefficient, didapat persamaan:
Y=1145,003 + 99,538X1 -16,983X2-12,190 X3-0,892
Dimana :
Y=pendapatan
X1= luas X3 = pendidikan
X2 = umur X4 = pengalaman
o Konstanta sebesar 1145,003 menyatakan bahwa jika tidak ada luas lahan
dan tingkat umur yang ditentukan oleh pemerintah, maka Pendapatan adalah
Rp 1.145,003 juta.
o Koefisien regresi X1 sebesar 99,538 menyatakan bahwa setiap penambahan
(karena tanda +) Rp 1,- luas lahan akan meningkatkan Pendapatan sebesar
Rp 99,538 juta.
o Koefisien regresi X2 sebesar 16,983 menyatakan bahwa setiap penambahan
(karena tanda -) 1 tahun tingkat umur yang ditentukan akan meningkatkan
pendapatan sebesar 16,983.
Pengambilan keputusan
Jika probabilitas > 0,05 maka H0 diterima
Jika probabilitas < 0,05 maka H0 ditolak
Keputusan
Terlihat bahwa pada kolom Sig adalah 0,0000 atau probabilitas jauh
dibawah 0,05 maka H0 ditolak, atau koefisien regresi signifikansi, atau umur
benar-benar berpengaruh secara signifikan terhadap pendapatan.
G. Output bagian ketujuh
Pada model 1, terlihat nilai variabel bebas 4 dan 5 mempunyai nilai Eigen
yang mendekati 0, hal ini berarti ada dugaan terjadi problem multikolinearitas
yaitu korelasi antara variabel 4 dan 5.
H. Output bagian kedelapan
Pada model 2 dicari variabel bebas dengan t hitung terkecil, terlihat tidak
ada variabel yang dikeluarkan.