ANALISIS FAKTOR-FAKTOR YANG MEMEPENGARUHI PRODUKSI

BAWANG MERAH DI DESA KUPU KECAMATAN WANASARI

KABUPATEN BREBES

LAPORAN PRAKTIKUM

diajukan sebagai salah satu syarat meyelesaikan Mata Praktikum Analisis Kuantitatif Penelitian
Bisnis pada Laboratorium Komputasi Dan Sistem Informasi Program Studi Agribisnis Fakultas
Pertanian Universitas Jember

Asisten Pembimbing
Lutfiyana

Oleh
Rizka Maulida 181510601081

LABORATORIUM KOMPUTASI DAN SISTEM INFORMASI AGRIBISNIS

 PROGRAM STUDI AGRIBISNIS
FAKULTAS PERTANIAN
UNIVERSITAS JEMBER
2020

UNIVERSITAS JEMBER
FAKULTAS PERTANIAN
JURUSAN SOSIAL EKONOMI PERTANIAN
LABORATORIUM KOMPUTASI DAN SISTEM INFORMASI AGRIBISNIS

LAPORAN PRAKTIKUM

NAMA : RIZKA MAULIDIA

NIM : 181510601081
KELAS : ANALISIS KUANTITATIF H
ACARA : REGRESI NON LINIER
TANGGAL PRAKTIKUM : 15 OKTOBER 2020
ASISTEN : DINA ROFFIDA HAQQI DAQIANUS
GATOT ARIYA DEWANTA
NUR ASFIA AINA HAQUE
LUTFIYANA
AISYA NUR FEBRIYANTI
MOCHAMMAD AGGA RISQI FRIADY
MOHAMMAD ADITYA BUDI PRATAMA
MEGA PUSPITA SARI
A. Data
Desa Kupu adalah salah satu desa yang berpotensi dalam membudidayakan
bawang merah, hal ini sesuai dengan data monografi desa pada kecamatan
Wanasari yang menyatakan bahwa desa Kupu memiliki produktivitas terbesar.
Kecamatan Wanasari yang terdiri dari 20 desa, memiliki produsen bawang merah
yang berproduksi tinggi salah satunya yaitu desa Kupu, sedangkan desa lainnya
memiliki produktivitas yang masih rendah. faktor produksi memberikan
kontribusi terhadap proses produksi yang sedang dijalankan. Pada proses
produksi bawang merah ini ada beberapa faktor yang mempengaruhi produksi
diantaranya yaitu bibit, tenaga kerja, dan pupuk. Sehingga dapat dirumuskan
sebagai berikut:
Y = X1+X2+X3+X4
Y = produksi (kg)
X1 = bibit (kg)
X2 = tenaga kerja (Orang)
X3 = pupuk (kg)

  Pupuk
produksi Tenaga kerja
Bibit  
No
Sampel (kg) (kg) (HOK) (kg)
(Y) (X1) (X2) (X3)
1 1000 300 241 115
2 500 150 184 90
3 1000 300 285 149
4 400 120 201 90
5 1200 300 235 122
6 500 150 169 100
7 550 100 163 45
8 1200 300 267 175
9 350 110 160 135
10 1400 300 225 175
11 2000 260 286 200
12 3100 550 400 450
13 4000 600 405 600
14 1000 250 253 192
15 600 150 165 90
16 800 240 200 130
17 500 150 168 90
18 400 130 180 75
19 500 150 185 85
 20 600 150 170 85
21 4000 600 420 250
22 1200 250 281 192
23 4000 600 433 180
24 1400 300 267 192
25 4000 600 446 280
26 450 150 162 95
27 1400 300 270 200
28 500 155 168 85
29 550 160 179 100
30 200 80 130 47
ln ln tenaga
ln bibit ln pupuk
produksi kerja
6,9078 5,7038 5,4848 4,7449
6,2146 5,0106 5,2149 4,4998
6,9078 5,7038 5,6525 5,0039
5,9915 4,7875 5,3033 4,4998
7,0901 5,7038 5,4596 4,8040
6,2146 5,0106 5,1299 4,6052
6,3099 4,6052 5,0938 3,8067
7,0901 5,7038 5,5872 5,1648
5,8579 4,7005 5,0752 4,9053
7,2442 5,7038 5,4161 5,1648
7,6009 5,5607 5,6560 5,2983
8,0392 6,3099 5,9915 6,1092
8,2940 6,3969 6,0039 6,3969
6,9078 5,5215 5,5334 5,2575
6,3969 5,0106 5,1059 4,4998
6,6846 5,4806 5,2983 4,8675
6,2146 5,0106 5,1240 4,4998
5,9915 4,8675 5,1930 4,3175
6,2146 5,0106 5,2204 4,4427
6,3969 5,0106 5,1358 4,4427
8,2940 6,3969 6,0403 5,5215
7,0901 5,5215 5,6384 5,2575
8,2940 6,3969 6,0707 5,1930
7,2442 5,7038 5,5872 5,2575
8,2940 6,3969 6,1003 5,6348
6,1092 5,0106 5,0876 4,5539
7,2442 5,7038 5,5984 5,2983
6,2146 5,0434 5,1240 4,4427
 6,3099 5,0752 5,1874 4,6052
5,2983 4,3820 4,8675 3,8501
Anti ln
mean
descriptive
9,8169
9,587
9,585
9,4687
Anti ln coefficien
0,002802
B. Output

Descriptive Statistics

Mean Std. Deviation N

ln_produksi 18341,131787 31373,6664093 30

ln_bibit 14574,824377 24822,2132057 30
ln_tenaga_kerja 14545,011940 24628,2333459 30
ln_pupuk 12948,770337 22021,7012205 30

Correlations

ln_produksi ln_bibit ln_tenaga_kerja ln_pupuk

ln_produksi 1,000 1,000 ,997 ,998

ln_bibit 1,000 1,000 ,999 ,999

Pearson Correlation
ln_tenaga_kerja ,997 ,999 1,000 ,998

ln_pupuk ,998 ,999 ,998 1,000

ln_produksi . ,000 ,000 ,000
ln_bibit ,000 . ,000 ,000
Sig. (1-tailed)
ln_tenaga_kerja ,000 ,000 . ,000
ln_pupuk ,000 ,000 ,000 .
ln_produksi 30 30 30 30

ln_bibit 30 30 30 30
N
ln_tenaga_kerja 30 30 30 30

ln_pupuk 30 30 30 30

Variables Entered/Removeda

Model Variables Variables Method

Entered Removed
 ln_pupuk,
1 ln_tenaga_kerja, . Enter
b
ln_bibit

a. Dependent Variable: ln_produksi

b. All requested variables entered.

Model Summaryb

Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate

1 1,000a 1,000 1,000 374,6945196 2,625

a. Predictors: (Constant), ln_pupuk, ln_tenaga_kerja, ln_bibit

b. Dependent Variable: ln_produksi

ANOVAa

Model Sum of Squares df Mean Square F Sig.

28541251079,3 9513750359,77
Regression 3 67763,693 ,000b
25 5

1 Residual 3650295,558 26 140395,983

28544901374,8
Total 29
83

a. Dependent Variable: ln_produksi

b. Predictors: (Constant), ln_pupuk, ln_tenaga_kerja, ln_bibit

Coefficientsa
Model Unstandardized Coefficients Standardized t Sig. Colline
Coefficients

B Std. Error Beta Toleranc

(Constant) -5,878 79,884 -,074 ,942

ln_bibit 1,974 ,069 1,562 28,753 ,000 ,0

1
ln_tenaga_kerja -,611 ,057 -,479 -10,624 ,000 ,0

ln_pupuk -,119 ,066 -,083 -1,804 ,083 ,0

a. Dependent Variable: ln_produksi

Collinearity Diagnosticsa

Model Dimension Eigenvalue Condition Index Variance Proportions

(Constant) ln_bibit ln_tenaga_kerja ln_pupuk

1 1 3,337 1,000 ,03 ,00 ,00 ,00

2 ,661 2,246 ,97 ,00 ,00 ,00

 3 ,001 49,822 ,00 ,00 ,70 ,59

4 ,001 63,860 ,00 1,00 ,30 ,41

a. Dependent Variable: ln_produksi

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value -,351562 83013,742188 18341,131787 31371,6603274 30

Std. Predicted Value -,585 2,061 ,000 1,000 30
Standard Error of Predicted
79,875 345,280 116,605 72,796 30
Value
Adjusted Predicted Value -,668694 83428,859375 18272,921295 31301,5465589 30
Residual -1321,9615479 796,1791382 0E-7 354,7848089 30
Std. Residual -3,528 2,125 ,000 ,947 30
Stud. Residual -3,831 4,160 ,065 1,229 30
Deleted Residual -1558,8651123 3051,9851074 68,2104914 695,0002460 30
Stud. Deleted Residual -5,693 7,055 ,095 1,817 30
Mahal. Distance ,351 23,659 2,900 5,781 30
Cook's Distance ,000 12,259 ,474 2,232 30
Centered Leverage Value ,012 ,816 ,100 ,199 30

a. Dependent Variable: ln_produksi

C. Interpretasi
1) Ouput descriptive statistic
 rata- rata produksi bawang merah pada 30 responden adalah sebesar
9,8169 kg dengan standar deviasi 3137,66641.
 Rata-rata penggunaan bibit pada 30 responden adalah sebesar 9,587 kg
dengan standar deviasi 24822,21321.
 Rata-rata tenaga kerja dalam produksi bawang merah pada 30 responden
sebesesar 9,585 kg dengan standar deviasi 14628,23335.
 Rata-rata penggunaan pupuk dalam produksi bawang merah pada 30
responden adalah sebesar 9,4687 dengan standar deviasi 22021,70122.

2) Input Correlation
Person correlation
 Hubungan antara variabel produksi dengan bibit yang digunakan responden
bernilai positif yaitu sebesar 1 sehingga apabila terjadi kenaikan pada
penggunaan bibit maka akan terjadi kenaikan pada produksi begitu pula
sebaliknya.
 Hubungan antara variabel produksi dengan tenaga kerja bernilai positif
yaitu 0,997 sehingga apabila terjadi kenaikan pada tenaga kerja maka akan
terjadi kenaikan pada produksi begitu pula sebaliknya.
 Hubungan antara variabel produksi dengan penggunaan pupuk bernilai
positif yaitu 0,998 sehingga apabila terjadi kenaikan pada penggunaan pupuk
maka akan terjadi kenaikan pada produksi begitu pula sebaliknya.

Sig (1-tailed)
Uji hipotesis :
H0 = tidak terdapat hubungan signifikan antar variabel
H1 = Terdapat hubungan signifikan antar variabel
Keputusan :
jika sig > 0,05 = H0 Diterima
H1 = ditolak
jika sig < 0,05 = H0 Ditolak
H1 = diterima

 Nilai siginifikasi variabel bibit responden terhadap produksi sebesar 0,000 nilai
tersebut < 0,05 sehingga hubungan yang terjadi antara variabel bibit responden
dan produksi berpengaruh signifikan.
 Nilai siginifikasi variable tenaga kerja terhadap produksi sebesar 0,000 nilai
tersebut < 0,05 sehingga hubungan yang terjadi antara variabel tenaga kerja dan
produksi berpengaruh siginifikan.
 Nilai siginifikasi variable pupuk terhadap produksi sebesar 0,000 nilai tersebut <
0,05 sehingga hubungan yang terjadi antara variabel pupuk dan produksi
berpengaruh siginifikan.

3. Variabel Entered/Removed
Berdasarkan output tersebut diketahui bahwa menggunakan metode enter
menunjukan tidak terdapat variabel yang dikeluarkan atau keseluruhan variabel
yang di analisis dalam perhitungan regresi. Hal ini dapat dilihat bahwa pada
kolom variabel enter terdapat 3 varian bebas yang di analisis
4. Model Summary
 Nilai adjusted R square sebesar 1 % bahwa keragaman varian produksi dapat
dijelaskan oleh variabel bibit, tenaga kerja, pupuk sebesar 1% sedangkan sisanya
99% keragaman varian produksi dijelaskan oleh varian lain di luar model.
 Standar error of the estimate adalah sebesar 374,6945196 rupiah lebih kecil
dari standar deviasi produksi yaitu sebesar 31373,66641 sehingga model regresi
mampu memproduksi variabel produksi.
5. Output ANOVA
Uji hipotesis :
H0 = Variabel bibit, tenaga kerja, pupuk tidak mempengaruhi varian produksi
 H1 = Variabel bibit, tenaga kerja, pupuk mempengaruhi varian produksi
Keputusan :
jika sig> 0,05 = H0 diterima
H1 ditolak
jika sig< 0,05 = H0 ditolak
H1 Diterima

Berdasarkan output ANOVA diketahui nilai F sebesar 67763,693 dengan sig

0,000 dan nilai tersebut <0,05 sehingga H0 Ditolak artinya Variabel bibit, tenaga
kerja, pupuk secara bersama-sama berpengaruh nyata terhadap produksi
sehingga model regresi dapat digunakan untuk memperidiksi variabel produksi.
6. Coefficient
Uji hipotesis :
H0 = Variabel bibit, tenaga kerja, pupuk tidak mempengaruhi varian
produksi

H1 = Variabel bibit, tenaga kerja, pupuk mempengaruhi varian produksi

Keputusan :
jika sig> 0,05 = H0 diterima
H1 ditolak
jika sig< 0,05 = H0 ditolak
H1 Diterima
 Perhitungan analisis untuk varian bibit responden menunjukkan nilai t hitung
sebesar 28,753 dengan sig 0,000 dimana 0,000<0,05 sehingga H0 ditolak artinya
bibit responden secara parsial memiliki pengaruh nyata terhadap produksi.
 Perhitungan analisis untuk varian tenaga kerja responden menunjukkan nilai
t hitung sebesar -10,624 dengan sig 0,000 dimana 0,000<0,05 sehingga H0
ditolak artinya tenaga kerja responden secara parsial memiliki pengaruh nyata
terhadap produksi.
 Perhitungan analisis untuk varian pupuk responden menunjukkan nilai t
hitung sebesar -1,804 dengan sig 0,083dimana 0,083>0,05 sehingga H0 diterima
artinya pupuk responden secara parsial tidak memiliki pengaruh nyata terhadap
produksi.
Model Persamaan
Ln Y= -5,878 + 1,974 lnX1 -0,611 lnX2 -0,119 lnX3
Y = Anti ln(-5,878)X 1b1 X 2b 2 X 3b3
Y = 0,002802X (1,974)
1 X (−0,611)
2 X (−0,119)
3

Interpretasi:
 Variabel X1= Variabel bibit berpengaruh positif dan signifikan pada taraf
nyata pada 0,05. Nilai elastisitas bibit sebesar 1,974 menunjukkan bahwa setiap
 peningkatan atau penambahan bibit sebesar 1% akan meningkatkan produksi
sebesar 1,974% dengan asumsi ceteris paribus
 Variabel X2= Variabel tenaga kerja tidak berpengaruh signifikan pada taraf
nyata pada 0,05. Nilai elastisitas tenaga kerja sebesar -0,611 menunjukkan
bahwa setiap peningkatan atau penambahan tenaga kerja sebesar 1% akan
menurunkan produksi sebesar -0,611 % dengan asumsi ceteris paribus
 Variabel X3= Variabel pupuk berpengaruh positif dan signifikan pada taraf
nyata pada 0,05. Nilai elastisitas pupuk sebesar -0,119 menunjukkan bahwa
setiap peningkatan atau penambahan pupuk sebesar 1% akan menurunkan
produksi sebesar -0,119 % dengan asumsi ceteris paribus
Penentuan Skala Produksi
IRS -> ∑ b > 1
CRS -> ∑ b = 1
DRS -> ∑ b < 1
b1 + b2 + b3 = 1,974 – 0,611- 0,119 = 1,244
interpretasi:
 berdasarkan nilai penjumlahan elastisitas setiap variabel b1, b2, dan b3
adalah 1,244 dimana nilai tersebut > 1, maka termasuk dalam daerah IRS.
7. Asumsi Klasik
Apabila tolerance >0,1 dan VIF kurang dari 10 maka tidak terjadi
multicollinearity diagnostic. Berdasarkan nilai output didasarkan bahwa nilai
tolerance semua variabel bebas >0/1 dan nilai VIF semua variabel >10 maka tidak
terjadi multicollinearity diagnostic.
Scatterplot
Berdasakan output scatterplot menunjukan titik menyebar diatas dan di
bawah titik 0 pada sumbu Y tanpa membentuk pola yang jelas sehingga didalam
model tidak terdapat kesamaan varian dan residual satu pengamatan ke
pengamatan lain.
Histogram
apabila histogram membentuk lonceng maka dapat dikatakan analisis
distribusi normal.
P plot
Berdasarkan output hasil grafik normal p-plot dapat diketahui bahwa titik
menyebar di sekitar garis dan mengikuti garis diagonal sehingga dapat
disimpulkan bahwa nilai residual telah terdistribusi normal.