Isi(1)

BAB I

PENDAHULUAN

1.1 Usaha Tani Tebu

Tanaman tebu merupakan tanaman yang sangat peka

terhadap perubahan unsur-unsur iklim. Oleh karena

itu, waktu tanam dan panen harus diperhatikan agar

tebu dapat membentuk gula secara optimal. Tanaman

tebu banyak membutuhkan air selama masa pertumbuhan

vegetatifnya dan membutuhkan sedikit air pada masa

pertumbuhan generatifnya (Mubyarto dan Damayanti,

1991). Tanaman tebu (Saccharum officinarum L) adalah satu

anggota familia rumput-rumputan (Graminae) yang

merupakan tanaman asli tropika basah, namun masih

dapat tumubh baik dan berkembang di daerah

subtropika, pada berbagai jenis tanah dari daratan

rendah hingga ketinggian 1.400 m diatas permukaan

laut (dpl). Tanaman tebu telah dikenal sejak

beberapa abad yang lalu oleh bangsa Persia, Cina,

India dan kemudian menyusul bangsa Eropa yang

memanfaatkan sebagai bahan pangan benilai tinggi

yang dianggap sebagai emas putih, yang secara

berangsur mulai bergeser kedudukan bahan pemanis

alami seperti madu.

Budidaya tebu adalah proses pengelolaan

lingkungan tumbuh tanaman sehingga tanaman dapat

tumbuh dengan optimum dan dicapai hasil yangMETODE KUANTITATIF |Dwi Intan Fitriani

(105040101111126)1

diharapkan. Variabel yang sangat penting dalam

proses budi daya tanaman tebu adalah keadaan lahan,

agroklimat, waktu tanam, teknik budi daya, proporsi

tebu pertama dan tebu keras serta panen (tebang dan

angkut). Terdapat dua cara penanaman tebu, yaitu di

lahan sawah dengan sistem reynoso (cara pengolahan

tanah sawah untuk tanaman tebu) dan di lahan tegalan

dengan sistem tebu lahan kering.

Komoditas tebu sudah memperoleh perhatian yang

besar sebagai komoditas komersial (high value

commodity) sejak pemerintah Hindia Belanda.

Kebijakan penanaman tebu tersebut terus dilanjutkan

oleh pemerintahan Indonesia melalui Perusahaan

Negara Perkebunan dan perkebunan-perkebunan besar

swasta di Luar Jawa. Dalam perkembangannya tanaman

tebu juga diusahakan oleh petani rakyat melalui

kebijakan pemerintah tentang Tebu Rakyat

Intensifikasi (TRI) dengan sistem glebangan

(pergiliran area) tanam. Namun, dewasa ini

pengusahaan tebu rakyat relatif hanya berkembang di

wilayah Jawa Timur dan sebagian kecil Jawa Tengah.

Analisis usahatani tebu digambarkan sebagai

berikut, dalam suatu sistem agribisnis memiliki

keterkaitan antara subsistem-subsistem lainnya

seperti sarana produksi (pembibitan, pupuk), dan

alat serta mesin. Pada kesempatan ini akan lebih

diperinci mengenai usahatani pembibitan tebu,METODE KUANTITATIF |Dwi Intan Fitriani

(105040101111126)2

pembibitan tebu pada umumnya berbeda dengan

pembibitan yang lain dimana areal luas pembibitan

tebu ini relatif luas. Hal ini dikarenakan satu ha

kebun bibit datar akan menghasilkan bibit hanya

sekitar 7-8 ha tanaman. Hal ini juga menjadi salah

satu penyebab harga bibit tebu relatif mahal, yaitu

sekitar Rp. 1,5 sampai 1,7 juta per ha tanaman.

Usaha pembibitan tebu termasuk usaha yang

menguntungkan. Pada tabel 1 dibawah ini secara garis

besar dideskripsikan analisis usahatani untuk usaha

pembibitan dengan skala 1 ha. komponen biaya

terbesar adalah pengolahan tanah dan pemeliharaan

yang mencapai Rp. 5,6 juta atau sekitar 42,6% dari

total biaya. Total biaya usahatani secara

keseluruhan adalah sekitar Rp. 13,155 juta (Tabel

1).

Dengan rata-rata produksi sekitar 650 kw bibit

tebu dengan harga Rp. 27.500 per kw, maka total

penerimaan mencapai Rp. 17,875 juta. Dengan

penerimaan tersebut, nilai B/C ratio adalah 1,35.

Hal ini berarti bahwa usaha pembibitan tebu secara

finansial cukup layak untuk dikembangkan.

Uraian Nilai (Rp) Proporsi

(%)Biaya

Pengolahan tanah dan

pemeliharaan, dan seleksi

5.600.000

2.000.000

42,6

15,2

METODE KUANTITATIF |Dwi Intan Fitriani(105040101111126)

3

Bibit untuk KBD

Pupuk

Herbisida

Sewa lahan

Total Biaya

810.000

245.000

4.500.000

13.155.000

6,2

1,9

34,2

100.0

Penerimaan Petani (Produksi =

650 kw, @27.500)

17.875.000

B/C ratio 1,36

1.2 Tujuan

1. Mahasiswa mampu mengetahuai, memahami serta

mengaplikasikan model double logaritma dan dummy

independet variabel non linier

2. Mahasiswa mampu menggunakan model double

logaritma dan dummy independent dengan persamaan

non linier variabel pada suatu kasus

permasalahan

3. Mahasiswa mampu mengintepretasikan suatu hasil

analisis software SPSS mengenai model duble

logaritma dan dummy independent variabel dengan

persamaan non linier


4

BAB II

METODE

2.1 Ekonometrik Teori Tentang Linier

Persamaan regresi adalah persamaan matematik

yang memungkinkan peramalan nilai suatu peubah tak

bebas (dependent variabel) dari nilai peubah bebas

(independent variabel). Analisis regresi merupakan

suatu metode yang 4digunakan untuk menganalisis

hubungan antar variabel. Hubungan tersebut dapat

digambarkan dalam bentuk persamaan yang

menghubungkan variabel terikat Y dengan satu atau

lebih variabel bebas X1,X2,...,Xn. Jika hanya

terdapat satu variabel bebas, maka model yang


5

diperoleh disebut model regresi linier sederhana,

sedangkan jika variabel bebas bebas yang digunakan

lebih dari satu, model yang diperoleh disebut model

regresi linier ganda.

Model regresi linier sederhana dituliskan sebagai

berikut:

Yi = β1 +β2Xi + ui ; i = 1,2,....,N

Dimana N merupakan banyaknya observasi

2.2 Double logaritma

Model tidak linier mempunyai berbagai macam

bentuk fungsionl. Untuk yang pertama akan dipelajari

suatu model yang disebut model log-log. Pada

prinsipnya model ini merupakanhasil transformasi

dari suatu model tidak linier menjadi model linier,

dengan jalan membuat model dalam bentuk logaritma.

Untuk memudahkan pemahaman, proses transformasi

tidak dijabarkan dengan pendekatan teori statistik

matematik, tetapi akan digunakan pendekatan empiris,

dengan memanfaatkan contoh model yang ada dalam

memanfaatkan contoh model yang ada dalam teori

ekonomi.

Menurut suatu teori ekonomi, hubungan antara

kuantitas yang diminta dan harga suatu komoditas

mempunyai bentuk sebagai berikut ;

Y = β1Xβ2eu


6

Dimana :

Y : kuantitas (Variabel endogenous)

X : harga (variabel exogenous)

β1, β2 : parameter-parameter

u : error/sesatan

Dari bentuk modelnya sudah dapat dipastikan

bahwa model tersebut bukanlah merupakan model

regresi linier. Model tersebut merupakan model yang

tidak linier baik variabel maupun parameternya. Akan

tetapi, model tersebut dapat ditransformasikan

sehingga parameternya berbetuk linier dengan tujuan

agar teori-teori yang dibahas pada bab sebelumnya

dapat digunakan, dari cara mengestimasi koefisien

regresi, sampai dengan cara mengintepretasikan model

yang didapat. Sebagaimana yang telah dijelaskan

diatas bahwa model log-log merupakan hasil

transformasi ke dalam bentuk logaritma, maka model

tersebut diatas harus ditransformasikan ke dalam

bentuk logaritma pula. Hasil dari transformasi

tersebut dapat dilihat sebagai berikut:

lnY = Ln β1 + β2 LnX + u

apabila variabel-variabel tersebut didefinisikan

kembali, maka diperoleh model sebagai berikut:


7

Y* = β1* + β2 * X* + u*

Dengan ,

Y* : lnY

β1* : ln β1

β2 * : β2

X* : lnX

u* : u

Terlihat bahwa model yang baru didefiniskan ini

sesungguhnya merupakan model regresi linier dengan

variabel dan parameter yang berbentuk linier. Dengan

demikian β1* dan β2* dapat ditaksir dengan

menggunakan metode yang digunakan untuk mengestimasi

parameter regresi sederhana, yaitu OLS (Ordinary

Least Square). Salah stau hal yang menarik dari

model log-log dalam aplikasinya adalah slope β2

dalam model lnY = Ln β1 + β2 LnX + u menyatakan

ukuran elastisitas Y terhadap X, yaitu ukuran

persentasi perubahan dalam Y bila diketahui

perubahan persentasi X. Dengan perkataan lain, bila

Y menyatakan kuantitas yang diminta dan X menyatakan

harga komoditas per unit, maka β2 menyatakan

elastisitas harga dari permintaan.

Hal lain yang dapat diperhatikan dalam model

log-log adalah koefisien elastisitas antara Y dan X


8

selalu konstan. Artinya, bila ln X berubah 1 unit,

perubahan ln Y akan selalu sama meskipun elastisitas

tersebut diukur pada ln X yang mana saja. Oleh

karena itu, model ini disebut juga model elastisitas

konstan.

2.3 Tahapan Analisis

2.3.1 Tahapan Analisis Regresi Linear

Gambar 1. Tahapan Analisis Regresi Linear


9

Buka Ms.Excel & SPSS

Masukan datapada ms.

Salin data &pindahkan ke

Buka variableview pada

Ada 2 view dalam SPSS :

1. Data viewUntuk memasukan data yang dianalisis.

2. Variable view

Klik Analyzepada toolbar

Munculjendela baru

Pilih Linear

Klik

a. Membuat data menjadi linear di SPSS dengan cara:

Gambar.2 Tahapan Analisis Regresi NonLinear


10

Masukkanvariabel Di,TK, ZA, Bibit

untukindependent

Klik Ok

Tulis ln(BIBIT) dinumeric expension

Muncul jendelabaru pada SPSS

Tulis (LnBIBIT,LnTK, LnZA,

LnPROD) di target

Klik compute

Klik ok

Klik Transform padatoolbar

b. Analisis Regresi non linear


11

Masukkanvariabel

independent

Munculjendela baru

Pilih Linear

Klik

Klik Ok

Klik Analyzepada toolbar

BAB III

HASIL DAN PEMBAHASAN

3.1 Data Table 1. Data Pengaruh Input Saprodi Terhadap Jumlah

Produksi

No

.

Bibit

(Kw)ZA (Kw)

TK

(HKSP)

Di

(1=kelompok,

0=tidak)

Produks

i

Bibit ZA TK Di Prod

1 33,33 8,33 121,00 0 500

2 150,00 21,13 287,00 1 1600

3 140,85 21,13 278,87 1 1972

4 150,00 35,21 220,69 1 1750

5 24,00 13,79 140,80 0 1080

6 83,33 13,16 220,69 0 1096

7 49,12 7,02 170,18 0 789

8 69,44 16,67 194,44 0 903

9 60,00 15,52 124,00 0 900

10 103,45 15,52 155,17 0 966

11 130,00 31,50 210,50 1 2050

12 103,45 11,11 137,93 0 1034

13 172,41 30,23 186,21 0 1207


12

14 72,09 9,30 127,91 0 837

15 34,97 13,99 162,24 0 734

16 83,33 11,11 252,78 0 972

17 15,00 17,00 196,50 0 850

18 32,17 12,59 155,24 0 699

19 60,00 24,14 210,50 1 1750

20 22,35 11,17 173,74 0 740

21 45,00 11,11 150,00 0 900

22 52,63 7,89 145,00 0 614

23 140,85 7,04 160,56 0 1197

24 117,19 15,63 150,00 0 1172

25 31,01 15,50 126,36 0 620

26 140,00 12,00 290,14 1 1100

27 41,96 16,78 184,62 1 979

28 50,88 16,78 126,32 0 1053

29 92,98 14,04 156,14 0 1140

30 169,01 7,04 210,50 0 1127

31 62,00 16,00 178,00 1 1300

32 172,41 21,01 258,62 0 1207

33 327,59 34,48 424,14 1 1552


13

34 120,69 17,24 290,14 0 1379

35 62,50 23,44 210,50 1 1328

36 190,00 20,69 172,00 0 1200

37 244,76 34,97 367,61 1 2937

38 186,05 35,21 290,14 1 1860

39 183,10 35,21 290,14 1 2113

40 106,90 24,14 220,69 1 1655

41 42,02 21,01 220,69 1 1541

42 155,17 20,69 220,69 1 1379

43 139,53 30,23 210,50 0 1512

44 224,14 24,14 290,14 1 1552

45 105,26 24,14 290,14 1 2368

46 23,33 12,50 182,00 0 1133

47 85,00 17,00 168,00 1 950

48 204,23 21,13 220,69 1 2254

49 104,65 35,21 351,16 1 1593

50 209,30 13,95 195,35 0 1163

51 138,89 8,33 255,56 0 917

52 211,27 35,21 340,85 1 2394

53 320,69 24,14 220,69 1 2069


14

54 315,00 21,13 240,35 1 2750

3.2 Regresi Non Linier Pada Dummy Intersep

Tabel 2. Nilai Adjusted R Square Intersep

Model Summary

Mode

l R

R

Square

Adjusted

R Square

Std.

Error of

the

Estimate

1 .878a .771 .752 .19820

a. Predictors: (Constant), Di,

lnbibit, lnZA, lnTK

Nilai Di

Di = 1 artinya petani yang mengikuti kelompok tani


15

Di = 0 artinya petani yang tidak mengikuti kelompok

tani

Dari tabel diatas menunjukkan bahwa semua variable

independen (lnbibit, lnZA dan lnTK) berpengaruh sebesar

75,2% pada variable dependen (lnproduksi), dan sisanya

24,8% dipengaruhi oleh faktor lain yang tidak ada dalam

tiga variable tersebut dan tidak digunkan dalam model

tersebut. R2 yang diperoleh dari hasil summary diatas

sebesar 0,771, hak ini berarti Ln produksi tersebut

mampu dijelaskan oleh variable ln TK Ln bibit Ln ZA dan

Di sebesar 77,1 % dan 22,9 % dijelaskan oleh variable

lain diluar model.

Tabel 3. Nilai F Intersep (uji F)

ANOVAb

Model

Sum of

Squares Df

Mean

Square F Sig.

1 Regressi

on

6.466 4 1.616 41.148 .000a

Residual 1.925 49 .039

Total 8.390 53

a. Predictors: (Constant), Di, lnbibit, lnZA, lnTK

b. Dependent Variable: lnPROD

Dari hasil analisis diatas menunjukkan F hitung

adalah 41,148. Sedangkan untuk nilai signifikan atau

probabilitas adalah kurang dari 0,05 yaitu dengan nilai


16

signifikan 0,00. Serta dan degree of freedom untuk df1

= 4 dan df2 = 49, maka didapat dari tabel (dalam buku

statistic) f table sebesar 2.56. Karena f hitung 41.148

> f-tabel (0.05) = 2.56, maka H0 ditolak dan H1

diterima.

Sehingga hal ini menunjukkan variabel bebas

LnTK, LnZA, LnBibit, Di signifikan memberikan

kontribusi terhadap variabel dependent Lnproduksi,

dapat diartikan bahwa variabel bebas tersebut secara

bersama-sama memberikan pengaruh secara nyata terhadap

variabel Lnproduksi.

Tabel 4. Nilai Koefisien Intersep (Uji t)


17

Coefficientsa

Model

UnstandardizedCoefficients

StandardizedCoefficients

T Sig.BStd.Error Beta

1 (Constant)

4.704 .617 7.621 .000

LNBBT .186 .046 .350 4.049 .000

LNZA .281 .083 .327 3.366 .001

LNTK .126 .135 .095 .932 .356

Di .240 .07 9 .302 3.049 .004

a. Dependent Variable: LNPROD

Dari hasil pada table Coefficients diatas dapat

dilihat hasil dari T hitung variable bebas Di adalah

sebesar 3.049 dengan signifikansi 0.004, karena

signifikansi Di < 0.05 maka hal ini berarti bahwa

secara parsial variable Di memberikan pengaruh secara

nyata terhadap variable Lnproduksi. Sedangkan pda

Variable Lnbibit dihasilkan T hitung sebesar 4.049

dengan signifikansi 0.000 < 0,05 maka hal ini berarti

bahwa secara parsial variable Lnbibit memberikan

pengaruh secara nyata terhadap variable Lnproduksi.

Untuk t hitung yang dihasilkan variable LnZA

sebesar 3.366 dengan tingkat signifikansi sebesarMETODE KUANTITATIF |Dwi Intan Fitriani

(105040101111126)18

0.001, karena signifikansi T < 0.05 maka secara parsial

variable LnZA memberikan pengaruh secara nyata terhadap

variable Lnproduksi. Dari t hitung yang dihasilkaan

variable LnTK menunjukkan angka sebesar 0.932 dengan

tingkat signifikansi 0.356, karena tingkat signifikansi

0.356 > 0.05 maka dapat diartikan bahwa secara parsial

variable LnTK tidak signifikan atau tidak memberikan

pengaruh secara nyata terhadap variable produksi.

Nilai untuk koefisien B yang ditampilkan merupakan

gambaran yang berfungsi untuk membuat model persamaan

garis y = a + bx. Nilai B untuk variabel Constant (atau

a) adalah 4.704 dengan nilai-p 0.000, nilai B untuk

variable Lnbibit (atau B1 (Lnbibit)) adalah 0.186

dengan nilai –p 0.000, nilai B untuk variable LnZA

(atau B2 ( LnZA)) adalah 0.281 dengan nilai –p 0.001,

nilai B untuk variable LnTK (B3 LnTK) adalah sebesar

0.126 dengan nilai –p 0.356, nilai B untuk variable

Di(B4 Di) adalah sebesar 0.240 dengan nilai –p 0.004

maka persamaan garis lurus yang kita peroleh dari

hasil analisis diatas adalah:

Y=e(α0+β3Di)+x1

b1+x2b2

Y=e(4.704 + 0.126 Di) + Lnbibit 0.186 + LnZA0.281

a. Jika Di=1, maka (Dummy Intersep) petani yang ikut

kelompok tani adalah:

Y=e(4.714+(0.126*1))+Lnbibit 0.186+LnZA0.281


19

Y=e(4.830)+Lnbibit 0.186+LnZA0.281

b. Jika Di=0, maka (Dummy Intersep) petani yang tidak

ikut kelompok tani adalah:

Y=e(4.714+(0.126*0))+Lnbibit 0.186+LnZA0.281

Y=e4.714+Lnbibit 0.186+LnZA0.281

Pada Model regresi antara petani yang bergabung

dalam kelompok tani dan petani yang tidak begabung

dalam kelompok tani, memberikan nilai intersep dan

kemiringan yang berbeda. Dari persamaan diatas maka

dapat interpretasikan bahwa petani yang bergabung

menjadi anggota kelompok tani akan memproleh produksi

tebu yang lebih tinggi dibandingkan dengan petani yang

tidak bergabung menjadi anggota kelompok tani.

3.3 Dummy Slope Bibit

Tabel 5. Nilai Adjusted R Slope BibitModel Summary

Model R R Square

Adjusted R

Square

Std. Error of

the Estimate

1 .878a .771 .752 .19820

a. Predictors: (Constant), lnBibitDi, lnbibit, lnZA,

lnTK







20

tersebut. Sedangkan R2 yang ditampilkan dalam model

summary tersebut adalah sebesar 0.771 artinya bahwa

variable bebas yang ada didalam model mampu menjelaskan

model lnproduksi sebesar 77.1% dan sisanya sebesar

22.9% dijelaskan oleh variable lain diluar model.

Tabel 6. Nilai F Slope Bibit (uji F)ANOVAb

Model

Sum of

Squares df Mean Square F Sig.

1 Regression 6.466 4 1.616 41.147 .000a

Residual 1.925 49 .039

Total 8.390 53

a. Predictors: (Constant), lnBibitDi, lnbibit, lnZA, lnTK





signifikan 0,00 dan degree of freedom untuk df1 = 4 dan

df2 = 49, maka didapat dari tabel (dalam buku


> f-tabel (0.05) = 2.56, maka maka H0 ditolak dan H1

diterima.

. Sehingga hal ini menunjukkan variabel bebas





21



Tabel 7. Nilai Koefisien Slope Bibit (uji t)

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients

t Sig.B Std. Error Beta

1 (Constant) 4.823 .639 7.553 .000

Lnbibit .170 .046 .321 3.684 .001

lnZA .279 .084 .325 3.340 .002

lnTK .117 .136 .088 .855 .396

lnBibitDi .052 .017 .322 3.049 .004

a. Dependent Variable: lnPROD

Berdasarkan pada table Coefficients diatas dapat

dilihat hasil T hitung variable bebas Lnbibit adalah

sebesar 3.684 dengan signifikansi 0.001, karena

signifikansi Lnbibit < 0.05 maka secara parsial

variable Lnbibit memberikan pengaruh secara nyata

terhadap variable Lnproduksi.

Dari t hitung yang dihasilkan variable LnZA

sebesar 3.340 dengan tingkat signifikansi sebesar

0.002, karena signifikansi T < 0.05 maka secara parsial

variable LnZA memberikan pengaruh secara nyata terhadap

variable Lnproduksi. Pada t hitung yang dihasilkaan

variable LnTK menunjukkan angka sebesar 0.855 dengan

tingkat signifikansi 0.396, karena tingkat signifikansi

0.396 > 0.05 maka dapat diartikan bahwa secara parsial


22

variable LnTK tidak signifikan atau tidak memberikan

pengaruh secara nyata terhadap variable produksi.

Nilai dari koefisien B yang ditampilkan merupakan

gambaran untuk membuat model persamaan garis y = a +

bx. Nilai B untuk variabel Constant (atau a) adalah

4.823 dengan nilai-p 0.000, nilai B untuk variable

Lnbibit (atau B1 (Lnbibit)) adalah 0.170 dengan nilai –

p 0.001, nilai B untuk variable LnZA (atau B2 ( LnZA))

adalah 0.279 dengan nilai –p 0.002, nilai B untuk

variable LnTK (B3 LnTK) adalah sebesar 0.117 dengan

nilai –p 0.396, nilai B untuk variable lnBBTDi (B4

lnBBTDi) adalah sebesar 0.052 dengan nilai –p 0.004

maka persamaan garis lurus yang kita peroleh dari

hasil analisis diatas adalah:

Y = eα0 x1 (β1+β4Di) x2β2 x3

β3

Y = e4.823.bibit (0.170+0.052Di).ZA0.279.TK0.117

a. Jika Di=1, maka (Dummy slope bibit) petani yang

ikut kelompok tani adalah:

Produksi tebu =

e4.823.bibit(0.170+(0.052*1)).ZA0.279.TK0.117

Produksi tebu = e4.823.bibit(0.170+0.052).ZA0.279.TK0.117

Produksi tebu = e4.823.bibit0.222.ZA0.279.TK0.117

b. Jika Di=0, maka (Dummy slope bibit) petani yang

tidak ikut kelompok tani adalah:


23

Produksi tebu =

e4.823.bibit(0.170+(0.052*0)).ZA0.279.TK0.117

Produksi tebu = e4.823.bibit(0.170+0)ZA0.279.TK0.117

Produksi tebu = e4.823.bibit0.170.ZA0.279.TK0.117

Berdasarkan kedua persamaan diatas dapat

diinterpretasikan bahwa petani yang ikut dalam kelompok

tani memiliki nilai elastisitas yang lebih tinggi jika

dibandingkan dengan petani yang tidak ikut kelompok

tani. Petani yang ikut kelompok tani mempunyai tingkat

elastisitasitas sebesar 22.2%, artinya setiap petani

yang bergabung dalam kelompok tani setiap melakukan

penambahan penggunaan bibit sebesar satu persen akan

mengakibatkan perubahan peningkatan produksi tebu

22.2%.

Petani yang tidak ikut dalam kelompok tani

mempunyai tingkat elastisitas sebesar 17.0%, artinya

setiap petani yang tidak ikut dalam kelompok tani

apabila melakukan penambahan penggunaan bibit sebesar 1

persen akan mengakibatkan perubahan peningkatan

produksi tebu 17.0 %.

3.4 Dummy Slope ZA

Tabel 8. Nilai Adjusted R Squre Slope ZA


24

Model Summary

Model R R Square

Adjusted R

Square

Std. Error of

the Estimate

1 .879a .773 .755 .19704

a. Predictors: (Constant), lnZADi, lnbibit, lnZA,

lnTK






tersebut. Pada R2 yang ditampilkan dalam model summary

tersebut adalah sebesar 0.773 artinya bahwa variable

bebas yang ada didalam model mampu menjelaskan model

lnproduksi sebesar 77.3% dan sisanya sebesar 22.7%

dijelaskan oleh variable lain diluar model.

Tabel 9. Nilai F Slope ZA (uji F)ANOVAb

Model

Sum of


1 Regression 6.488 4 1.622 41.775 .000a

Residual 1.902 49 .039

Total 8.390 53

a. Predictors: (Constant), lnZADi, lnbibit, lnZA, lnTK






25




> f-tabel (0.05) = 2.56, maka maka H0 ditolak dan H1

diterima.

. Sehingga hal ini menunjukkan variabel tenaga

kerja, bibit, dan ZA dan variable produksi memiliki

hubungan yang berpengaruh secara nyata dan signifikan.

Tabel 10. Nilai Koefisien Slope ZA (uji t)Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients


1 (Constant) 4.864 .636 7.645 .000

Lnbibit .185 .046 .350 4.065 .000

lnZA .255 .086 .297 2.950 .005

lnTK .108 .136 .081 .795 .430

lnZADi .083 .026 .336 3.159 .003


Dari hasil diatas dapat dilihat dari nilai t dan

nilai sig, apabila nilai signifikansi atau tingkat

probabilitas kurang dari 5% maka signifikan sedangkan

apabila lebih dari 5% tidak signifikan. Apabila t

hitung lebih besar dari t tabel maka terima Ha dan

tolak Ho sedangkan apabila t hitunglebih kecil daripada

t hitung maka terima Ho tolak Ha.


26

3.5 Dummy Slope TK

Tabel 11. Nilai Adjusted R Squre Slope TK

Model Summary

Model R R SquareAdjusted RSquare

Std. Error ofthe Estimate

1 .877a .770 .751 .19864

a. Predictors: (Constant), lnTKDi, lnbibit, lnZA, lnTK

Dari tabel diatas menunjukkan bahwa sem8ua

variable independen (lnbibit, lnZA dan lnTK)

berpengaruh sebesar 75,1% pada variable dependen

(lnproduksi), dan sisanya 24,9% dipengaruhi oleh faktor

lain yang tidak ada dalam tiga variable tersebut dan

tidak digunkan dalam model tersebut. Sedangkan R2 yang

ditampilkan dalam model summary tersebut adalah sebesar

0.770 artinya bahwa variable bebas yang ada didalam

model mampu menjelaskan model lnproduksi sebesar 77%

dan sisanya sebesar 23% dijelaskan oleh variable lain

diluar model.

Tabel 12. Nilai F Slope TK (uji F)


27

ANOVAb

ModelSum ofSquares df Mean Square F Sig.

1 Regression 6.457 4 1.614 40.912 .000a

Residual 1.933 49 .039

Total 8.390 53

a. Predictors: (Constant), lnTKDi, lnbibit, lnZA, lnTK

b. Dependent Variable: lnPRODDari hasil analisis diatas menunjukkan F hitung





statistic) f table sebesar 2.56.

. Sehingga hal ini menunjukkan variabel bebas






Tabel 13. Nilai Koefisien Slope TK (Uji T)


28

Coefficientsa

Model




1 (Constant) 4.797 .638 7.524 .000

Lnbibit .185 .046 .350 4.038 .000

lnZA .280 .084 .326 3.335 .002

lnTK .109 .138 .082 .789 .434

lnTKDi .044 .015 .310 3.006 .004

a. Dependent Variable: lnPRODDari hasil diatas dapat dilihat dari nilai t dan







3.6 Dummy Slope Kombinasi TK dan Bibit

Tabel 14. Nilai Adjusted R Squre Kombinasi TK dan BibitModel Summary

Model R R Square

Adjusted R

Square

Std. Error of

the Estimate

1 .878a .771 .747 .20024

a. Predictors: (Constant), lnTKDi, lnbibit, lnZA,

lnTK, lnBibitDi





29

25,3 % dipengaruhi oleh faktor lain yang tidak ada

dalam tiga variable tersebut dan tidak digunkan dalam

model tersebut.

Tabel 15. Nilai F Kombinasi TK dan Bibit (uji F)ANOVAb

Model

Sum of


1 Regression 6.466 5 1.293 32.249 .000a

Residual 1.925 48 .040

Total 8.390 53

a. Predictors: (Constant), lnTKDi, lnbibit, lnZA, lnTK, lnBibitDi





signifikan 0,00. Sehingga hal ini menunjukkan

variabel tenaga kerja, bibit, dan ZA dan variable

produksi memiliki hubungan yang berpengaruh secara

nyata dan signifikan.

Tabel 16. Nilai Koefisien Kombinasi TK Dan Bibit (Uji

T)


30

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients


1 (Constant) 4.823 .645 7.476 .000

Lnbibit .172 .055 .325 3.143 .003

lnZA .279 .085 .325 3.297 .002

lnTK .115 .140 .087 .825 .413

lnBibitDi .046 .098 .285 .465 .644

lnTKDi .005 .086 .037 .061 .951


Dari hasil diatas dapat dilihat dari nilai t dan







3.7 Perbandingan Regresi Non Linear Pada Dummy Variabel

Tabel 17. Pemilihan Model Sesuai Teori Ekonomi

Adj R2 F hitung Teoriekonomi

Intersep 0.752 41.148 Tidaksesuai

Slop bibit 0.752 41.147 Sesuai

Slope TK 0.751 40.912 Tidak


31

sesuai

Slope ZA 0.755 41.775 Tidaksesuai

Kombinasi antara TK danBibit

0.747 32.249 Tidaksesuai

Intrepetasi :

Pada model intersep α0 sebesar 0.752 besarnya sama

dengan besarnya variable Y tidak sesuai karena

slope intersep tidak berpengaruh terhadap

prpduktifitas petani namun hanya berpengaruh pada

produksi tebu, oleh karena itu intersep tidak

sesuai pada model produksi tebu.

Slope ZA (lnZA) tidak memiliki pengaruh yang

signifikan terhadap produktifitas oleh karena itu

tidak dilakukan regresi.

Slope bibit (lnbibit) mempunyai nilai signifikasi

sebesar 0,001 sehingga kurang dari nilai ketetapan

signifikasi sebesar 0,05. Oleh karena itu slope

bibit atau model tersebut dapat diterima karena

memiliki taraf kepercayaan sebesar 99.99% sehingga

memiliki pengaruh nyata terhadap produktifitas

petani. Berikut pengujian dummy independent bibit:

Y = eα0 x1 (β1+ β4Di) x2

β2 + x3 β3


32

Prod = eα0 Bibit(β1+ β4Di) ZA β2 + TK β3

Prod = eα0 Bibit(β1+ β4Di) ZA β2 + TK β3

Prod = e4,823Bibit(0,170+ Di) ZA0,279+ TK0,117

Jika, Di = 1, maka


Prod = e4,823Bibit(0,170+ 0,052 . 1) ZA 0,279 + TK 0,117

Prod = e4,823Bibit(0,170+ 0,052) ZA 0,279 + TK 0,117

Prod = e4,823Bibit0,222 ZA 0,279 + TK 0,052

Dari perhitungan tersebut dapat disimpulkan bahwa

setiap penambahan bibit sebesar 1 maka akan

menambah produktifitas sebesar 0,222.

Jika, Di = 0, maka


Prod = e4,823Bibit(0,170+0,052 .0) ZA0,279+ TK0,117

Prod = e4,823Bibit0,170 ZA0,279+ TK0,117

Jika tidak ada penambahan bibit atau tetap (0)

maka mempengaruhi produktivitas sebesr 0,117.

Slope TK( lnTK) memiliki nilai signifikasi atau

probabilitas sebesar 0,396 sedangkan ketetapan

yang harus dipenuhi adalah kurang dari 0,05 oleh

karena itu slope TK tidak dapat djadikan model

produksi tebu karean nilai signifikan slope TK

lebih besar dari nilai ketetapan.

Pada slope kombinasi lnbibit memiliki nilai

signifikasi 0,03 dan pada lnTK memiliki nilai

signifikasi sebesar 0,414. Dilihat dari nilai


33

signifikasi bibit model ini sesuai karena kurang

dari ketetapan sebesar 0,05 sedangkan dilihat dari

signifikasi TK maka model ini tidak signifikan

karena nilai signifikasi TK lebih besar daripada

nilai ketetapan signifikasi yaitu sebesar 0,05.

Maka dari itu kombinasi antar keduanya tidak dapat

digunakan dalam model produksi tebu.

Dari tabel diatas, kita dapat melihat nilai

Adjusted R Square yang tertinggi secara runtut ialah

sebagai berikut;

1. Dummy Slope ZA dengan nilai 0,755

2. Dummy Intersep dan Dummy slope bibibt

dengan nilai0,752

3. Dummy Slope Tenaga Kerja dengan nilai

0,751

4. Dummy Slope Bibit dan Tenaga Kerja dengan

nilai 0,747

Sedangkan, untuk nilai F yang tertinggi secara

runtut ialah ;

1. Dummy Slope ZA dengan nilai 41.775

2. Dummy Intersep dengan nilai 41.148

3. Dummy Slope bibit dengan nilai 41.147

4. Dummy slope Tenaga kerja dengan nilai

40.912

5. Dummy Slope Bibit dan Tenaga Kerja dengan

nilai 32.249


34

Berdasarkan dari hasil analisis diatas dengan

menggunakan SPSS maka dapat disusun sesuai dengan

urutan nilai yang lebih tinggi dari Adjusted R Square

dan Uji F. Dari hasil yang diperoleh menunjukkan bahwa

antara nilai Adjusted R Square dengan Uji F menunjukkan

adanya kebalikan nilai yang lebih tinggi antara kedua

model terhadap beberapa model pengujian. Sebagai dasar

pedoman untuk menetapkam langkah selanjutnya dalam hal

ini penulis menggunakan nilai dari Adjusted R Square,

karena nilai Adjusted R Square menunjukkan seberapa

besar pengaruhnya antara variabel-variabel tersebut

ketika dimasukkan variabel baru atau dihilangkan

variabel yang ada. Setelah menemukan susunan nilai

tertinggi Adjusted R Square dan nilai F secara runtut,

selanjutnya kita melihat syarat ke tiga yaitu Logika

Ekonomi. Setelah dikaji menurut logika ekonomi atau

teori ekonomi maka yang paling sesuai yang akan dipakai

dan di interpretasikan.

3.8 Rata-Rata Data Observasi dan Rata-Rata Data Prediksi

Tabel 17. Data Observasi Rata-Rata

Jika

kita mencari data dengan teknik penelusuran atau


35

Variabel Non kelompoktani

Kelompoktani

Bibit 2652.14 3753.14ZA 425.49 609.14TK 5336.88 6211.07Produksi 29642.00 42796.00Rata-rata 7611.10 13341.34

observasi langsung maka dapat diketahui bahwa rata-

rata petani yang mengikuti kelompok tani lebih banyak

dari petani yang tidak mengikuti kelompok tani. Ini

dapat diketahui dengan mengelompokkan terlebih dahulu

petani yang mengikuti kelompok tani, lalu menjumlahkan

setiap variabel yang mempengaruhi produksi. Setelah

diketahui berapa banyak output yang dihasilkan dengan

penggunaan inputnya, lalu dijumlahkan semuanya dan

dibagi sebanyak variabel yang digunakan untuk

mengetahui rata-ratanya.

Data yang diperoleh dari responden sebanyak 54

orang, ada 24 orang yang bergabung menjadi anggota

kelompok tani dan sebanyak 30 orang sisanya tidak

bergabung dalam kelompok tani. Jika dilihat dari data

observasi diatas maka dapat diketahui bahwa penggunaan

input produksi berupa bibit,ZA, TK dari petani yang

bergabung dalam kelompok tani lebih tinggi jika

dibandingkan dengan petani yang tidak bergabung dalam

kelompok tani. Hal tersebut merupakan factor yang

menjadi penyebab tingkat produksi petani kelompok tani

jauh lebih tinggi dibanding petani non kelompok tani.

Hal ini terbukti dari hasil tersebut terlihat

rata-rata petani yang mengikuti kelompok tani sebanyak

13341.34 dan yang tidak mengikuti kelompok tani

sebanyak 7611.10. Terlihat bahwa ini linier dengan

perhitungan dengan menggunakan SPSS yang menunjukkan

peningkatan hasil produksi jika petani bergabung dengan


36

kelompok tani. Sehingga ini juga berpengaruh pada

peningkatan jumlah petani yang mengikuti kelompok tani

dan sesuai dengan data .

Tabel 18. Data Prediksi Rata-Rata

Variabel Non kelompoktani

Kelompoktani

LNBibit 126.4223 118.3580LNZA 79.3703 74.6237LNTK 155.1008 132.1973LNProduksi 207.7432 176.9101Rata-rata 142.1592 125.5223

Berdasarkan data prediksi yang di hasilkan diatas

penggunaan input produksi berupa bibit, ZA, dan TK

oleh petani yang bergabung dalam kelompok tani lebih

sedikit jika dibandingkan dengan penggunaan input

produksi yang digunakan oleh petani yang tidak

bergabung dalam kelompok tani. Hal tersebut merupakan

factor yang menjadi penyebab tingkat produksi petani

kelompok tani jauh lebih rendah jika dibandingkan

dengan petani non kelompok tani.

Berdasarkan data dari tabel diatas petani yang

mengikuti kelompok tani memiliki nilai rata-rata

produksi yang lebih rendah yaitu sebesar 125,5223

dibandingkan petani yang tidak mengikuti kelompok tani

yaitu dengan nilai rat-rata sebesar 142,1592. Dengan

hasil data seperti tersebut maka kesimpulannya adalah

hal tersebut tidak sesuai dengan teori ekonomi yang ada


37

yaitu apabila mengikuti kelompok tani maka akan lebih

mempunyai produksi lebih besar dibandingkan tidak

mengikutu kelompok tani.

KESIMPULAN

Dari berbagai cara yang digunakan (intersep, slope

ZA, slope Bibit, slope TK dan kombinasi bibit dan

TK) terdapat satu model yang cocok digunakan dalam

produksi tebu yaitu slope bibit. Dengan perhitungan

dummy independent bibit, diperoleh hasil perhitungan

tersebut bahwa setiap penambahan bibit sebesar 1

maka akan menambah produktifitas sebesar 0,222.

Sedangkan jika tidak ada penambahan bibit atau tetap

(0) maka mempengaruhi produktivitas sebesr 0,117.

Berdasarkan data observasi rata-rata


38

Berdasarkan data tabel diatas dari petani yang


produksi lebih besar yaitu 13341,34 dibanding dengan

petani yang tidak mengikuti kelompok tani dengan

nilai sebesar 7611,10. Hal tersebut dapat disebabkan

karena dengan mengikuti kelompok tani akan dapat

memperoleh pengetahuan lebih banyak dibandingkan

dengan tidak mengikuti kelompok tani sehingga dapat

mengaplikasikannya dapat produksi tebu.

Berdasarkan data prediksi rata-rata

Berdasarkan data dari tabel diatas petani yang


produksi yang lebih rendah yaitu sebesar 125,5223

dibandingkan petani yang tidak mengikuti kelompok

tani yaitu dengan nilai rat-rata sebesar 142,1592.

Dengan hasil data seperti tersebut maka

kesimpulannya adalah hal tersebut tidak sesuai

dengan teori ekonomi yang ada yaitu apabila

mengikuti kelompok tani maka akan lebih mempunyai

produksi lebih besar dibandingkan tidak mengikutu

kelompok tani.


39

DAFTAR PUSTAKA

Dinas Perkebunan, 2004. Teknologi Peningkatan Produktivitas Tebu

Rakyat dan Pengenalan Varietas Unggul Harapan di

Sumatera Utara. Proyek Pengembangan Pangan

Areal Perkebunan Sumatera Utara. Medan.

Djalal, Nachrowi dkk. 2002. Penggunaan Teknik Ekonometri

Pendekatan Populer dan Praktis Dilengkapi Teknik

Analisis dan Pengolahan data dengan Menggunakan

Paket Program SPSS. Jakarta : PT.

RajaGrafindo Persada

KPPBUMN, 2013. Seleksi Pengawasan dan Konsultasi 4.Daur Kehidupan

Tebu.

hhtp://www.kppbumn.depkeu.go.id/industria

lprofile/PK4/profil % 20

Tebu-1-files/page0011.html. Diakses

Tanggal 23 Maret 2013

Lains, Alfian. 2002. Ekonometrika Teori dan Aplikasi Jilid I. Jakarat Pustaka LP3ES Indonesia

Rahmat, M. 1999. Profil Tebu Rakyat di Jawa Timur. JAE Vol. II/

No. 2/ Okt 1992. Hal. 39 – 57.

Soentoro, Novi I, Abdul Muis SA. 1999. Usahatani dan Tebu

Rakyat Intensifikasi di Jawa. Ekonomi Gula di

Indonesia. IPB. Hal. 69 – 130.


40

LAMPIRAN

Dummy Intersep

REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT lnPROD /METHOD=ENTER lnBBT lnZA lnTK Di.

Variables Entered/Removed

ModelVariablesEntered

VariablesRemoved Method

1 Di, lnBBT, lnZA, lnTKa

. Enter

a. All requested variables entered.

Model Summary


Std. Errorof the

Estimate

1 .878a .771 .752 .19820

a. Predictors: (Constant), Di, lnBBT, lnZA, lnTK


41

ANOVAb


1 Regression 6.466 4 1.616 41.148 .000a

Residual 1.925 49 .039

Total 8.390 53

a. Predictors: (Constant), Di, lnBBT, lnZA, lnTK


Coefficientsa

Model




1 (Constant) 4.704 .617 7.621 .000

lnBBT .186 .046 .350 4.049 .000

lnZA .281 .083 .327 3.366 .001

lnTK .126 .135 .095 .932 .356

Di .240 .079 .302 3.049 .004


Slope Bibit


42




1 lnBBTDi, lnBBT, lnZA,lnTKa

. Enter


Model Summary


Std. Errorof the

Estimate

1 .878a .771 .752 .19820

a. Predictors: (Constant), lnBBTDi, lnBBT, lnZA, lnTK

ANOVAb


1 Regression 6.466 4 1.616 41.147 .000a

Residual 1.925 49 .039

Total 8.390 53

a. Predictors: (Constant), lnBBTDi, lnBBT, lnZA, lnTK



43

Coefficientsa

Model




1 (Constant) 4.823 .639 7.553 .000

lnBBT .170 .046 .321 3.684 .001

lnZA .279 .084 .325 3.340 .002

lnTK .117 .136 .088 .855 .396

lnBBTDi .052 .017 .322 3.049 .004


Slope Tenaga Kerja




1 lnTKDi, lnBBT, lnZA,lnTKa

. Enter


Model Summary


Std. Errorof the

Estimate

1 .877a .770 .751 .19864

a. Predictors: (Constant), lnTKDi, lnBBT, lnZA, lnTK


44

ANOVAb


1 Regression 6.457 4 1.614 40.912 .000a

Residual 1.933 49 .039

Total 8.390 53

a. Predictors: (Constant), lnTKDi, lnBBT, lnZA, lnTK


Coefficientsa

Model




1 (Constant) 4.797 .638 7.524 .000

lnBBT .185 .046 .350 4.038 .000

lnZA .280 .084 .326 3.335 .002

lnTK .109 .138 .082 .789 .434

lnTKDi .044 .015 .310 3.006 .004


Dummy Kombinasi




1 lnBBTDi, lnBBT, lnZA,lnTK, lnTKDia

. Enter



45

Model Summary


Std. Errorof the

Estimate

1 .878a .771 .747 .20024

a. Predictors: (Constant), lnBBTDi, lnBBT, lnZA, lnTK, lnTKDi

ANOVAb


1 Regression 6.466 5 1.293 32.249 .000a

Residual 1.925 48 .040

Total 8.390 53

a. Predictors: (Constant), lnBBTDi, lnBBT, lnZA, lnTK, lnTKDi


Coefficientsa

Model




1 (Constant) 4.823 .645 7.476 .000

lnBBT .172 .055 .325 3.143 .003

lnZA .279 .085 .325 3.297 .002

lnTK .115 .140 .087 .825 .413

lnTKDi .005 .086 .037 .061 .951

lnBBTDi .046 .098 .285 .465 .644



46


47

Isi(1)

Documents

Transcript of Isi(1)