BAB I

PENDAHULUAN

A. Latar Belakang

Itik merupakan hewan penghasil daging, telur dan juga bulu. Daging dan telur itik begitu
banyak digemari oleh banyak masyarakat di seluruh indonesia. Itik bisa hidup dan
berkembangbiak dengan pakan yang sederhana dan memiliki daya adaptasi yang cukup baik.
Pada umumnya masyarakat bisa memelihara itik dengan cara tradisional yaitu dengan
dilepaskan dan ada juga dengan dilepaskan di dalam perkarangan yang dipagar. Ternak itik
juga tergolong mudah dipelihara dan dikenal oleh masyarakat luas.

Upaya pengembangan ternak itik harus dilakukan karena berguna untuk

mempertahankan keberadaan ternak dalam lingkungan setempat dan selain itu ternak itik
mempunyai prospek yang cukup baik karena kebutuhan akan protein hewani akan semangkin
meningkat seiring dengan meningkatnya jumlah penduduk, meningkatnya pendapatan
perkapita dan kesadaran masyarakat untuk mengkonsumsi pangan hewani.

Dikota Payakumbuh, peternak itik telah menunjukan kemampuan untuk bisa menjadi
pengusaha ternak yang dapat diandalkan. Hal ini terlihat dari semakin meningkat dan
berkembangnya populasi ternak itik dan banyak masyarakat di kota payakumbuh yang
mempunyai mata pencarian sebagai peternak itik, baik itu dijadikan pekerja sampingan
maupun tidak.

Agar berhasil dalam usaha beternak itik maka perlu diketahui faktor-faktor yang dapat
mempengaruhi keberhasilan ternak itik petelur. Dengan uraian yang telah penulis tulis dalam
latar belakang Skripsi mini ini, maka penulis akan mengajukan judul dari skripsi mini ini
yaitu “ ANALISIS FAKTOR YANG MEMPENGARUHI KEBERHASILAN TERNAK
ITIK PETELUR DI PAYAKUMBUH”
B. Rumusan Masalah
1. Apakah kualitas bibit mempengaruhi keberhasilan ternak itik petelur?
2. Apakah kualitas pakan mempengaruhi keberhasilan ternak itik petelur?
3. Apakah pemberian pakan yang tepat mempengaruhi keberhasilan ternak itik petelur?
4. Apakah prosedur pemeliharaan yang benar mempengaruhi keberhasilan ternak itik
petelur?
5. Apakah analisa keuangan yang baik mempengaruhi keberhasilan ternak itik petelur?
6. Apakah pengalaman mempengaruhi keberhasilan ternak itik petelur?
C. Tujuan
1. Untuk mengetahui pengaruh kualitas bibit terhadap keberhasilan ternak itik petelur
2. Untuk mengetahui pengaruh kualitas pakan terhadap keberhasilan ternak itik petelur
3. Untuk mengetahui pengaruh pemberian pakan yang tepat terhadap keberhasilan
ternak itik petelur
4. Untuk mengetahui pengaruh prosedur pemeliharaan yang benar terhadap
keberhasilan ternak itik petelur
5. Untuk mengetahui pengaruh analisa keuangan yang baik terhadap keberhasilan ternak
itik petelur
6. Untuk mengetahui pengaruh pengalaman terhadap keberhasilan ternak itik petelur
 BAB II

TINJAUAN LITERATUR

A. Pengertian Analisis Faktor

Analisis faktor mencoba menemukan hubungan antar sejumlah variabel-variabel yang
awalnya saling independent satu dengan yang lainnya, sehingga bisa dibuat satu atau
beberapa kumpulan variabel yang lebih sedikit dari jumlah variabel awal. Kumpulan variabel
tersebut disebut faktor, dimana faktor tersebut tetap mencerminkan variabel-variabel aslinya.
B. Tujuan Analisis Faktor
a. Data Summarization, yaitu mengidentifikasikan adanya hubungan antar variabel
dengan melakukan uji korelasi. Jika korelasi dilakukan antar variabel, analisis
tersebut dinamakan R Factor Analysis. Namun jika korelasi dilakukan antar
responden atau sampel, analisis disebut Q Factor Analysis. Yang juga populer
disebuat Cluster Analysis.
b. Data Reduction, yaitu setelah melakukan korelasi dilakukan proses membuat sebuah
variabel set baru yang dinamakan factor untuk menggantikan sejumlah variabel
tertentu.
Tujuan analisis Faktor, dijelaskan dalam ‘bahasa’ yang sederhana adalah
mengelompokkan sejumlah variabel ke dalam satu atau dua faktor.
C. Jumlah Sampel yang Ideal
Secara umum jumlah sampel yang dianjurkan adalah antara 50 sampai 100 sampel. Atau
bisa pula menggunakan patokan rasio 10:1, dalam arti untuk 1 variabel seharusnya ada 10
sampel.
D. Asumsi Pada Analisis Faktor
Karena prinsip utama analisis faktor adalah korelasi, maka asumsi-asumsi terkait dengan
korelasi yang akan digunakan, yakni:
a. Besar korelasi atau korelasi antar-variabel independent harus cukup kuat, misalkan di
atas 0,5.
b. Besar korelasi parsial, korelasi antar dua variabel dengan menganggap tetap variabel
yang lain, justru harus kecil. Pada SPSS, deteksi terhadap korelasi parsial diberikan
lewat pilihan Anti-Image Correlation.
c. Pengujian seluruh matrik korelasi (korelasi antar-variabel), yang diukur dengan
besaran Bartlett Test Of Sphericity atau Measure Sampling Adequacy (MSA).
 Pengujian ini mengharuskan adanya korelasi yang signifikan di antara paling sedikit
beberapa variabel.
d. Pada beberapa kasus, Asumsi Normalitas dari variabel-variabel atau faktor yang
terjadi sebaiknya dipenuhi.
E. Proses Dasar Analisis Faktor
Proses utama analisis faktor meliputi hal-hal berikut :
a. Menentukan variabel apa saja yang akan dianalisis.
b. Menguji variabel-variabel yang telah ditentukan pada langkah 1 di atas untuk
menentukan variabel-variabel yang dianggap layak untuk masuk tahap analisis
faktor; pengujian menggunakan metode Barlett Test Of Sphericity serta pengukuran
MSA (Measure of Sampling Adequacy).
c. Setelah sejumlah variabel yang memenuhi syarat didapat, kegiatan berlanjut ke
proses inti pada analisis faktor dari variabel-variabel yang telah lolos pada uji
variabel sebelumnya.
d. Interprestasi atas faktor yang telah terbentuk, khususnya memberi nama atas faktor
yang terbentuk tersebut, yang dianggap bisa mewakili variabel-variabel anggota
faktor tersebut.
e. Validasi atau hasil faktor untuk mengetahui apakah faktor yang terbentuk telah valid.
Validasi bisa dilakukan dengan berbagai cara , seperti :
 Membagi sampel awal menjadi dua bagian, lalu membandingkan hasil faktor
sampel satu dengan sampel dua. Jika hasil tidak banyak perbedaan bisa dikatakan
faktor yang terbentukk telah valid
 Dengan melakukan metode Confirmatory Factor Analysis (CFA)dengan cara
Structural Equation Modelling. Proses ini bisa di bantu dengan software khusus
seperti Lisrel.
Berikut dijelaskan lebih jauh kegiatan inti analisis faktor, yakni factoring. Banyak
metode untuk melakukan proses ekstraksi, namun metode yang paling populer digunakan
adalah principal Component Analysis
1. Metode Principal Component Analysis
Metode untuk mengekstraksi faktor ada dua, yaitu principal component analysis (disebut
juga dengaan component analysis) dan common factor analysis. Secara sederhana, sebuah
variabel akan mengelompok ke suatu faktor (yang terdiri atas variabel-variabel yang lainnya
pula) jika variabel tersebut berkorelasi dengan sejumlah variabel lain yang ‘masuk’ dalam
kelompok faktor tertentu. Ketika sebuah variabel berkorelasi dengan variabel lain, variabel
tersebut berbagi varians dengan variabel lain tersebut, dengan jumlah varians dibagi adalah
besar korelasi pangkat dua (R kuadrat).
Varians adalah akar dari deviasi standar; yaitu jumlah penyimpangan data dari rata-
ratanya. Jika dua variabel berkorelasi, pasti ada sejumlah varians yang di bagi bersama
dengan variabel lain.
Dengan demikian, varians total pada sebuah variabel dapat dibagi menjadi tiga bagian
a. Common Variance, yaitu vaians yang dibagi dengan varians lainnya; atau jumlah
varians yang dapat diekstrak dengan proses factoring
b. Spesific Variance, yaitu varians yang berkaitan dengan variabel tertentu saja; jenis
varians ini tidak dapat dijelaskan dengan korelasi hingga menjadi bagian dari
variabel lain; namun varians ini masih berkaitan secara unik dengan satu variabel.
c. Error Variance, yaitu varians yang tidak dapat dijelaskan lewat proses korelasi;
jenis ini muncul karena proses pengambilan data yang salah, pengukuran variabel
yang tidak tepat dan sebagainya.
Dari penjelasan diatas, dapat dikatakan jika sebuah variabel berkorelasi dengan variabel
lain, maka common variance (Communality) akan meningkat. Proses common analysis hanya
berhubungan dengan common variance, sedangkan proses component analysis akan
mengaitkan semua varians tersebut. Pada umumnya, component analysis akan digunakan jika
tujuan utama analisis faktor adalah data reduction, dan beranggapan bahwa jumlah spesific
varians dan error variance lebih kecil.
2. Rotasi Faktor
Setelah satu atau lebih faktor terbentuk, dengan sebuah faktor berisi sejumlah variabel,
mungkin saja sebuah variabel sulit untuk ditentukan akan masuk kedalam factor yang mana.
Atau, jika yang terbentuk dari proses factoring hanya satu factor, bisa saja sebuah variabel
diragukan apakah layak dimassukkan kedalam faktor yang terbentuk atau tidak.untuk
mengatasi hal tersebut, bisa dilakukan proses rotasi (Rotation) pada faktor yang terbentuk
sehingga memperjelas posisi sebuah variabel, akankah dimasukkan pada faktor yang satu
ataukah faktor yang lain.
Sama dengan proses factoring, proses rotasi juga da beberapa macam cara. Beberapa
metode Rotasi yang populer dilakukan :
a. Orthogonal Rotation, yakni memutar sumbu 90 derajat. Proses Rotasi dengan
menggunakan Orthogonal masih bisa dibedakan menjadi : Quartimax, Varimax,
dan Equimax.
 b. Oblique Rotation, yakni memutar sumbu ke kanan, namun tidak harus 90 derajat.
Proses dengan menggunakan metode Oblique masih bisa dibedakan menjadi :
Oblimin, Promax, Orthoblique dan lainnya.
NB : metode varimax paling sering digunakan dalam praktik.
Dengan demikian, urutan dalam proses factoring adalah :
a. Proses factoring dengan menggunakan metode Principal Component.
b. Jika ada keraguan atas hasil yang ada, bisa dilakukan proses Rotasi.
 BAB III

METODELOGI PENELITIAN

A. Jenis dan Sumber Data

1. Jenis data

Jenis data yang digunakan dalam penelitian ini menggunakan dua jenis data, yaitu Data
Kualitatif dan data Kuantitatif, dimana Data Kualitatif adalah data yang dinyatakan dalam
bentuk kata, kalimat, dan gambar. Sedangkan Data Kuantitatif adalah data yang berbentuk
angka, atau data kualitatif yang di angkakan.

2. Sumber Data

Sumber data dari penelitian ini bersumber dari data Primer yaitu data yang dikumpulkan
oleh peneliti secara langsung. Yang memiliki jumlah responden sebanyak 50 orang yang
diambil dari sejumlah masyarakat yang beternak itik.

B. Metode Analisis Data

a. Uji Data
1. Missing Data Analysis
Missing data adalah data yang hilang dan melakukan pengujian terhadap data tsb.
Setelah ditemukan data yang missing kemudian diadakan perlakuan terhadap data yang
missing tersebut.
2. Uji Data Outlier
Data outlier adalah dat yang secara nyata berbeda dengan data-data yang lain.
3. Uji Normalitas Data
Tujuan uji normalitas adalah untuk mengetahui apakah distribusi sebuah data mengikuti
atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Data yang
baik adalah data yang mempunyai pola seperti distribusi normal yakni distribusi tersebut
tidak menceng kekiri atau kekanan.
4. Uji Homoskedastisitas Data
Tujuanya adalah untuk menguji apakah sebuah data mempunyai varians yang sama
diantara anggota data atau grub. Yang seharusnya terjadi adalah varians yang sama
(Homoskedastisitas), sedangkan varians yang beda adalah (heterogeskedastisitas).
 5. Uji Linieritas Data
Linieritas adalah keadaan dimana hubungan antara variabel dependen dengan variabel
independen bersifat linier (garis Lurus) dengan range variabel independen tertentu.
b. Analisis Faktor
1. Menilai Variabel yang layak
Adalah menilai mana saja variabel yang dianggap layak untuk dimasukan dalam analisis
selanjutnya.
2. Proses Factoring Dan Rotasi
Adalah melakukan proses inti analisis faktor, yakni melakukan ekstraksi terhadap
sekumpulan variabel yang ada, sehingga terbentuk satu atau lebih faktor.
3. Validasi Faktor
Adalah melakukan pembagian dua sama banyak data sehingga terbentuk beberapa faktor.
Faktor tersebut diberi nama oleh user yang bisa menggunakan pendapat masing-masing.
4. Faktor Scores
Faktor scores adalah upaya untuk membuat satu atau beberapa variabel yang lebih sedikit
dan berfungsi untuk menggantikan variabel asli yang sudah ada.
5. Analisis Faktor Konfirmatori
Faktor Konfirmatori mengkaji apakah data yang sekarang ada dengan proses factoring
tertentu akan membentuk suatu konstruk. Dan mengetahui apakah variabel-variabel yang ada
tersebut memang terdistribusi sesuai dengan teori atau konsep yang melandasinya.
 BAB IV

ANALISIS DATA DAN PEMBAHASAN

1. ANALISIS DATA
A. Uji Data
1. Missing Data Analysis
Deskripsi Variabel dengan adanya Missing Value :

Univariate Statistics
N Mean Std. Missing No. of Extremesa
Deviation Count Percent Low High
Kualitas_Bibit 50 4,42 ,609 0 ,0 0 0
Kualitas_Pakan 49 4,45 ,503 1 2,0 0 0
Cara_Pemberian_Pakan 49 4,51 ,617 1 2,0 0 0
Prosedur_Pemeliharaan 47 4,36 ,640 3 6,0 0 0
Analisa_Keuangan 48 4,06 ,727 2 4,0 0 0
Pengalaman 49 4,35 ,561 1 2,0 0 0
Keberhasilan_Usaha 50 0 ,0
a. Number of cases outside the range (Q1 - 1.5*IQR, Q3 + 1.5*IQR).
Jika dilihat dalam kolom N, terlihat variasi setiap variabel, tergantung data yang
hilang disetiap variabel. Pada Variabel kualitas bibit dan Keberhasilan Usaha, Konsumen
mengisi seluruh data yaitu 50. Sedangkan kualitas pakan,cara pemberian pakan,dan
pengalaman, dari 50 konsumen hanya 49 data yang terisi penuh sehingga ada 1 data yang
missing. Serta variabel prosedur pemeliharaan ada 3 data yang missing dan variabel analisa
keuangan ada 2 data yang missing. Hal ini juga bisa dilihat dari tabel Missing dibagian count
untuk jumlah data da percent untuk melihat persentase. Dimana untuk variabel kualitas pakan
persentasenya adalah 2%, dan seterusnya.

Dan pada kolom Mean dan standar deviation menunjukan nilai statistik dasar. Untuk
variabel kualitas bibit, dengan 50 konsumen rata-ratanya adalah 4,42 dengan standar deviasi
0.609, dan seterusnya untuk data yang lain.

Summary of Estimated Means

Kualitas_ Kualitas_ Cara_Pemberian_ Prosedur_Peme Analisa_Keuan Pengalaman
Bibit Pakan Pakan liharaan gan
Listwise 4,40 4,48 4,52 4,40 4,07 4,36
All Values 4,42 4,45 4,51 4,36 4,06 4,35
EM 4,42 4,44 4,50 4,37 4,05 4,35
Tabel ini adalah perluasan perhitungan rata-rata dari tabel sebelumnya, dimana ada 3 ukuran :
 Metode listwise, maka rata-rata kualitas bibit 4,40, kualitas pakan 4,48, dst
 All Values, maka rata-rata kualitas bibit 4,42, kualitas pakan 4,45, dst
 EM, Maka rata-rata kualitas bibit 4,42, kualitas pakan 4,44, dst
Tabulasi Silang untuk data Kategori :
Keberhasilan_Usaha
Total 3 4 5
Count 47 2 25 20
Present
Prosedur_Pemeliharaan Percent 94,0 100,0 92,6 95,2
Missing % SysMis 6,0 ,0 7,4 4,8
Indicator variables with less than 5% missing are not displayed.
Untuk variabel prosedur pemeliharaan dari 47 data yang valid, ada 2 data yang
beranggapan netral, 25 beranggapan penting, dan 20 beranggapan sangat penting. Dan dari
data yang missing, 0% beranggapan netral, 7,4% beranggapan penting dan 4,8% beranggapan
sangat penting dan rata-rata persentasenya 6%.
Penyebaran Missing Data :
Missing Patterns (cases with missing values)
Case # % Missing and Extreme Value Patternsa
Missing Missing Kuali Keberhas Cara_Pemb Pengalama Kualitas_ Analisa_Ke Prosedur_Peme
tas_B ilan_Usa erian_Paka n Pakan uangan liharaan
ibit ha n
Nola 1 14,3 S
Erina 1 14,3 S
Shintya 1 14,3 S
Kurniawan 1 14,3 S
Linda 1 14,3 S
Handoko 1 14,3 S
Novel 1 14,3 S
Yogi 1 14,3 S
- indicates an extreme low value, while + indicates an extreme high value. The range used is (Q1 - 1.5*IQR, Q3 +
1.5*IQR).
a. Cases and variables are sorted on missing patterns.
Tabel diatas, pada baris 1 dan 2, responden bernama nola dan erina mempnyai satu
missing data yaitu pada analisa keuangan dan persentase missingnya adalah 14,3%, shintya
juga mempunyai 1 data yang missing yaitu pada variabel pengalaman, dan begitu seterusnya
untuk semua responden.

Tabulated Patterns
Number of Missing Patternsa Complet
Cases e if ...b
Kualitas Keberhasilan Cara_Pemb Pengalam Kualitas_ Analisa_ Prosedur_
_Bibit _Usaha erian_Pakan an Pakan Keuanga Pemelihar
n aan
42 42
2 X 44
1 X 43
3 X 45
1 X 43
1 X 43
a. Variables are sorted on missing patterns.
b. Number of complete cases if variables missing in that pattern (marked with X) are not used.
Angka 42 menyatakan ada 42 konsumen yang valid, artinya tidak ada data yang
missing, sedangkan angka 2 bada baris kedua menyatakan bahwa ada 2 konsumen yg datanya
missing yaitu pada analisa keuangan yaitu Nola dan Erina, dan begitu seterusnya untuk
semua data.
Analisis Metode EM :
EM Correlationsa
Kualitas_ Kualitas_ Cara_Pemb Prosedur_Pe Analisa_Ke Pengalam
Bibit Pakan erian_Pakan meliharaan uangan an
Kualitas_Bibit 1
Kualitas_Pakan ,243 1
Cara_Pemberian_Pakan ,088 ,254 1
Prosedur_Pemeliharaan ,051 ,123 ,333 1
Analisa_Keuangan ,412 ,247 ,152 ,424 1
Pengalaman ,361 ,243 ,313 ,278 ,458 1
a. Little's MCAR test: Chi-Square = 24,300, DF = 25, Sig. = ,502
Jika dilihat dari bagian bawah tabel, terlihat angka MCAR dengan alat analisis Chi-
square adalah 24,3 dengan signifikansi jauh diatas 0.05 maka missing value adalah random
atau acak, maka bisa dilakukan berbagai perlakuan lanjutan.

2. Perlakuan Terhadap Missing Data

Deskripsi Penggantian Missing Value :

Result Variables
Result Variable N of Case Number of Non- N of Valid Creating Function
Replaced Missing Values Cases
Missing First Last

Values
Kualitas_Pakan 1 1 50 50 SMEAN(Kualitas_Pa
1
_1 kan)
Cara_Pemberia 1 1 50 50 SMEAN(Cara_Pembe
2
n_Pakan_1 rian_Pakan)
Prosedur_Peme 3 1 50 50 SMEAN(Prosedur_Pe
3
liharaan_1 meliharaan)
Analisa_Keuan 2 1 50 50 SMEAN(Analisa_Keu
4
gan_1 angan)
5 Pengalaman_1 1 1 50 50 SMEAN(Pengalaman)
Dari tabel diatas, ada 1 data untuk variabel kualitas pakan,cara pemberian pakan,dan
pengalaman yang diganti, dan ada 3 data untuk variabel prosedur pemeliharaan yang diganti,
serta 2 data untuk variabel analisa keuangan yang diganti.
3. Uji Outlier
a) Standarisasi Data
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Kualitas_Bibit 50 3,00 5,00 4,4200 ,60911
Kualitas_Pakan 50 4,00 5,00 4,4480 ,49744
Cara_Pemberian_Pakan 50 3,00 5,00 4,5100 ,61020
Prosedur_Pemeliharaan 50 3,00 5,00 4,3640 ,62032
Analisa_Keuangan 50 3,00 5,00 4,0640 ,71164
Pengalaman 50 3,00 5,00 4,3460 ,55520
Valid N (listwise) 50

Pada kolom Mean dan Standar Diviasi, rata-rata kualitas bibit adalah 4,42 dengan
standar deviasi 0,609, kualitas pakan adalah 4,448 dengan standar deviasi 0,497, rata-rata
cara pemberian pakan 4,51 dan standar deviasi 0,6102, dan begitu selanjutnya untuk semua
variabel.
b) Scatter Plot Data
Scatter Plot antara Kualitas Bibit dengan kualitas Pakan :

Scatter Plot antara kualitas bibit dengan kualitas pakan, dari gambar diatas ada data
yang diduga outlier. Dimana terletak pada bagian paling bawah sebelah kanan, ada konsumen
yang berpendapat bahwa kualitas bibit netral dalam keberhasilan usaha,sedangkan
pendapatnya terhadap kualitas pakan yaitu hampir sangat penting.
Scatter Plot antara cara pemberian pakan dengan kualitas pakan :
 Scatter Plot antara cara pemberian pakan dengan kualitas pakan, dari gambar diatas
ada data yang diduga outlier. Dimana terletak pada bagian paling bawah sebelah kanan, ada
konsumen yang berpendapat bahwa cara pemberian pakan netral dalam keberhasilan
usaha,sedangkan pendapatnya terhadap kualitas pakan yaitu sangat penting.
c) Box Plot
Variabel Kualitas Bibit :

Terlihat tidak ada satupun data kualitas Bibit yang ada diluar Boxplot, dengan
demikian bisa dikatakan tidak ada outlier extrem pada variabel ini.

Variabel Kualitas Pakan :

 Pada Boxplot variabel kualitas pakan juga tidak ada data yang berada diluar Boxplot atau
data yang dikategorikan outlier atau ekstrem.
4. Uji Normalitas Data
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic Df Sig. Statistic df Sig.
Kualitas_Bibit ,310 50 ,000 ,739 50 ,000
Kualitas_Pakan ,356 50 ,000 ,645 50 ,000
a. Lilliefors Significance Correction
Kriteria Pengujian :
 Angka Signifikansi (SIG)>0,05 maka data terdistribusi normal
 Angka Signifikansi (SIG)<0,05 maka data tidak terdistribusi normal
Analisis :
 Untuk variabel kualitas bibit dan kualitas pakan, karena angka signifikansi adalah
0,00 jauh dibawah 0,05 maka kedua data tersebut tidak normal atau tidak bisa
dianggap normal.
 Pada sebaran dari data variabel kualitas bibit, terlihat gerombol sekitar garis uji yang
mengarah ke kanan atas , dan ada data yang terletak jauh dari sebaran data, dengan demikian
data tersebut bisa dikatakan tidak normal.

Terlihat sebaran data dari variabel Kualitas Pakan bergerombol di sekitar garis uji
yang mengarah ke kanan atas, dan ada data yang terletak jauh dari sebaran data, dengan
demikian data tersebut bisa dikatakan tidak normal.
Penanganan Data yang Tidak Normal :
Penulis dalam penanganan data yang tidak normal yaitu dengan menerima apa adanya
data, memang dianggap tidak normal dan tidak melakukan berbagai treatment. Untuk itu, alat
analisis yang dipilih harus diperhatikan, seperti unutk analisis faktor tidak begitu
mementingkan asumsi kenormalan data.
5. Uji Homoskedastisitas Data
Test of Homogeneity of Variancea,b
Levene Statistic df1 df2 Sig.
Based on Mean 1,227 1 46 ,274
Based on Median 1,371 1 46 ,248
Analisa_Keuangan Based on Median and with 1,371 1 45,164 ,248
adjusted df
Based on trimmed mean 1,181 1 46 ,283
Based on Mean 2,059 1 46 ,158
Based on Median ,121 1 46 ,730
Pengalaman Based on Median and with ,121 1 45,538 ,730
adjusted df
Based on trimmed mean 1,449 1 46 ,235
a. Analisa_Keuangan is constant when Keberhasilan_Usaha = 3,00. It has been omitted.
b. Pengalaman is constant when Keberhasilan_Usaha = 3,00. It has been omitted.
Kriteria Pengujian :
 Jika Probabilitas (SIG) > 0,05, Maka Ho diterima
 Jika probabilitas (SIG) < 0,05, maka Ho ditolak
Ket : Ho maksudnya kedua varians populasi adalah identik
 Hi maksudnya kedua varians populasi adalah tidak identik
Keputusan :
Pada variabel analisa keuangan dengan dasar mean didapat angka signifikansi
0,274,karena besar dari 0,05 maka Ho diterima. Dan pada variabel pengalaman dengan
dasar mean didapat angka SIG 0,158 dan besar dari 0,05 yang berarti Ho diterima.

6. Uji Linearitas data

ANOVA Table

Sum of df Mean F Sig.

Squares Square

(Combined) 2,845 2 1,423 5,169 ,009

Keberhasilan_U Between Groups Linearity 2,711 1 2,711 9,850 ,003

saha * Deviation from Linearity ,135 1 ,135 ,489 ,488

Kualitas_Bibit Within Groups 12,935 47 ,275

Total 15,780 49

Dari tabel diatas dapat diketahui hubungan antara kualitas bibit dengan keberhasilan
usaha memiliki tingkat signifikansi 0,009, artinya tidak ada hubungan antara kualitas bibit
dengan keberhasilan usaha. Suatu variabel independent dikatakan berhubungan dengan
variabel dependent jika memiliki tingkat signifikansi >0,5.

ANOVA Table

Sum of df Mean F Sig.

Squares Square

(Combined) 1,795 2 ,898 3,017 ,059

Between
Keberhasilan_Us Linearity 1,661 1 1,661 5,583 ,022
Groups
aha * Deviation from Linearity ,134 1 ,134 ,450 ,506
Kualitas_Pakan Within Groups 13,985 47 ,298

Total 15,780 49

Dari tabel dapat diketahui bahwa tidak ada hubungan antara kualitas pakan dengan
keberhasilan usaha karena tingkat signifikansi nya lebih kecil yaitu 0,059 < 0,5.

ANOVA Table

Sum of df Mean F Sig.

Squares Square
 (Combined) 1,649 3 ,550 1,789 ,162

Keberhasilan_Us Between Linearity 1,018 1 1,018 3,314 ,075

aha * Groups Deviation from ,631 2 ,315 1,027 ,366

Cara_Pemberian Linearity
_pakan Within Groups 14,131 46 ,307

Total 15,780 49

Dari tabel daiatas, terlihat bahwa tidak ada hubungan antara cara pemberian pakan
dengan keberhasilan usaha karena tingkat signifikansi nya kecil dari 0,5 yaitu 0,162.

ANOVA Table

Sum of df Mean F Sig.

Squares Square

(Combined) 1,103 3 ,368 1,152 ,338

Keberhasilan_Us Between
Linearity 1,066 1 1,066 3,342 ,074
aha * Groups
Deviation from Linearity ,036 2 ,018 ,057 ,945
Prosedur_Pemeli
Within Groups 14,677 46 ,319
haraan
Total 15,780 49

Dari tabel anova diatas juga terlihat tidak ada hubungan antara prosedur pemeliharaan
dengan keberhasilan usaha, karena angka signifikan nya lebih kecil yaitu 0,338 < 0,5.

ANOVA Table

Sum of df Mean F Sig.

Squares Square
(Combined) 3,205 3 1,068 3,909 ,014

Keberhasilan_Us Between Linearity 3,181 1 3,181 11,635 ,001

aha * Groups Deviation from ,025 2 ,012 ,046 ,955

Analisa_Keuanga Linearity
n Within Groups 12,575 46 ,273

Total 15,780 49

Dari tabel diatas terlihat bahwa tidak ada hubungan antara analisa keuangan dengan
keberhasilan usaha karena angka signifikannya kecil yaitu 0,14 < 0,5.

ANOVA Table

Sum of df Mean F Sig.

Squares Square

Between (Combined) 6,575 3 2,192 10,953 ,000

Groups Linearity 5,882 1 5,882 29,397 ,000
 Deviation from ,693 2 ,346 1,731 ,188
Linearity

Keberhasilan_Us Within Groups 9,205 46 ,200

aha * Total 15,780 49
Pengalaman
Dari tabel diatas juga memperlihatkan tidak ada hubungan antara pengalaman dengan
keberhasilan usaha karena angka SIG nya sangat kecil yaitu 0,00 < 0,5.

B. Analisis Faktor
1. Menilai Variabel yang Layak
Factor Analysis :
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,674
Approx. Chi-Square 47,111
Bartlett's Test of Sphericity Df 15
Sig. ,000
Angka KMO and Barlett’s Test adalah 0,674 dengan signifikansi 0,000, karena angka
tesebut diatas 0,5 dan SIG jauh dibawah 0,05 maka variabel dan sampel yang ada sebenarnya
sudah bisa dianalisis dengan analisis faktor.
Anti Imaage Matrices :
Anti-image Matrices
Kualitas Kualitas Cara_Pemb Prosedur_Pe Analisa_K Pengal
_Bibit _Pakan erian_Pakan meliharaan euangan aman
Kualitas_Bibit ,763 -,081 ,000 ,116 -,213 -,153
Kualitas_Pakan -,081 ,878 -,153 ,025 -,092 -,056
Anti-image Cara_Pemberian_Pakan ,000 -,153 ,805 -,213 ,068 -,169
Covariance Prosedur_Pemeliharaan ,116 ,025 -,213 ,729 -,258 -,034
Analisa_Keuangan -,213 -,092 ,068 -,258 ,600 -,183
Pengalaman -,153 -,056 -,169 -,034 -,183 ,693
Kualitas_Bibit ,671a -,098 ,000 ,156 -,315 -,211
a
Kualitas_Pakan -,098 ,786 -,182 ,032 -,127 -,072
Anti-image Cara_Pemberian_Pakan ,000 -,182 ,638a -,278 ,098 -,226
Correlation Prosedur_Pemeliharaan ,156 ,032 -,278 ,597a -,390 -,048
Analisa_Keuangan -,315 -,127 ,098 -,390 ,647a -,284
Pengalaman -,211 -,072 -,226 -,048 -,284 ,756a
a. Measures of Sampling Adequacy(MSA)
Pada bagian Anti-image correlation yang bertanda a yang berarah dari diagonal dari
kiri atas ke kanan bawah. Seperti angka MSA untuk variabel kualitas bibit adalah 0,671, dan
untuk kualitas pakan 0,786, vraiabel cara pemberian pakan 0,638 dan begitu seterusnya,
karena angka MSA dari semua variabel > 0,5 maka variabel masih bisa diprediksi dan bisa
dianalisis lebih lanjut.

2. Proses Factoring dan Rotasi

Communalities :
Communalities
Initial Extraction
Kualitas_Bibit 1,000 ,736
Kualitas_Pakan 1,000 ,267
Cara_Pemberian_Pakan 1,000 ,600
Prosedur_Pemeliharaan 1,000 ,643
Analisa_Keuangan 1,000 ,616
Pengalaman 1,000 ,561
Extraction Method: Principal Component Analysis.
Dari tabel diatas, untuk variabel kualitas bibit adalah 0,736, hal ini berarti 73,6%
varians dari variabel kualitas bibit bisa dijelaskan oleh faktor yang terbentuk dan variabel
kualitas pakan adalah 0,267 yang berarti 26,7% varians dari variabel kualitas pakan dapat
dijelaskan oleh faktor yg terbentuk, demikian seterusnya untuk variabel lainya, dengan
ketentuan bahwa semakin besar cummunalities sebuah variabel, berarti semakin erat
hubunganya dengan faktor yang terbentuk.
Total Variance Explained :
Total Variance Explained
Componen Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
t Total % of Cumulativ Total % of Cumulative % Total % of Cumulative
Variance e% Variance Variance %
1 2,363 39,390 39,390 2,363 39,390 39,390 1,935 32,246 32,246
2 1,061 17,681 57,071 1,061 17,681 57,071 1,490 24,825 57,071
3 ,901 15,021 72,093
4 ,718 11,961 84,053
5 ,560 9,329 93,382
6 ,397 6,618 100,000
Extraction Method: Principal Component Analysis.
Ada 6 component yg dimasukan dalam analisis faktor. Dengan varianf faktor pertama
39,39 dan varians faktor kedua 17,68. Total kedua faktor tersebut adalah 57,07 dan dengan
total eigenvalues 2,36 yang diurutkan dari yang terbesar sampai terkecil. Proses factoring
seharusnya berhenti pada dua faktor saja karena faktor ketiga angka eigenvalues sudah
dibawah 1 yaitu 0,901.
 Scree Plot :

Dari grafik terlihat dari faktor satu ke faktor dua mengalami penurunan yang cukup
tajam, dan begitu juga 2 ke 3, garis masih menurun namun dengan slope yang lebih kecil.
Dan pada faktor 4 sudah dibawah angka 1 dari sumbu eigenvalues. Hal ini menunjukan
bahwa dua faktor adalah paling bagus untuk meringkas ke-enam variabel.
Component Matrixa
Component
1 2
Kualitas_Bibit ,576 -,636
Kualitas_Pakan ,510 -,083
Cara_Pemberian_pakan ,537 ,558
Prosedur_Pemeliharaan ,587 ,546
Analisa_Keuangan ,768 -,163
Pengalaman ,740 -,116
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
Tabel ini menunjukan bahwa korelasi antara variabel kualitas bibit dengan faktor 1
adalah 0,576 (kuat karena diatas 0,5). Korelasi antara variabel kualitas bibit dengan faktor 2
adalah -0,636 (lemah karena dibawah 0,5) , dan krelasi antara variabel kualitas pakan dengan
faktor 1 adalah 0,510 (kuat karena diatas 0,5), serta korelasi antara kualitas pakan dengan
faktor 2 -0,083 (lemah karena berada dibawah 0,5), dan begitu seterusnya untuk korelasi
variabel yang lain.

Rotated Component Matrixa

Component
1 2
 Kualitas_Bibit ,837 -,191
Kualitas_Pakan ,466 ,225
Cara_Pemberian_pakan ,120 ,765
Prosedur_Pemeliharaan ,168 ,784
Analisa_Keuangan ,723 ,307
Pengalaman ,673 ,329
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
Dari tabel diatas, korelasi antara kualitas bibit dengan faktor 1 yang seblumnya 0,576
(kuat) dengan rotasi yang lebih di perkuat lagi yaitu 0,837. Dan korelasi kualitas bibit dengan
faktor 2 (lemah) dengan rotasi yang di perkecil lagi yaitu -0,191. Dan begitu juga dengan
variabel yang lain. Pada rotated komponen matrix, jika rotasi antar variabel dengan suatu
faktor kuat maka akan diperkuat lagi oleh rotated component matrix, dan begitu jyga
sebaliknya, jika rotasi antar variabel dengan faktor lemah maka akan diperlemah lagi oleh
rotated component matrix.
Component Transformation Matrix
Component 1 2
1 ,819 ,574
2 -,574 ,819
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
Perhatikan angka-angka yang ada pada diagonal, antara komponen 1 dengan 1 dan
komponen 2 dengan 2, terlihat kedua angka jauh diatas 0, 5 yaitu 0,819, 0,819. Hal ini
membuktikan bahwa kedua faktor yang terbentuk sudah tepat karena mempunyai korelasi
yang tinggi.

3. Validasi Faktor
a). Analisis faktor untuk kasus 1 sampai 25
Component Matrixa
Component
1 2 3
Zscore(Kualitas_Bibit) ,406 ,736 -,338
Zscore(Kualitas_Pakan) ,250 ,583 ,666
 Zscore(Cara_Pemberian_pakan) ,544 ,110 ,388
Zscore(Prosedur_Pemeliharaan) ,619 -,562 ,250
Zscore(Analisa_Keuangan) ,812 -,292 -,057
Zscore(Pengalaman) ,698 ,116 -,500
Extraction Method: Principal Component Analysis.
a. 3 components extracted.
Dari tabel diatas , angka faktor loading kualitas bibit dengan komponen 1 kecil dari
0,55 yaitu 0,406. Sedangkan kualitas bibit dengan komponen 2 melewati angka 0,55 yaitu
0,736 dan begitu juga kualitas bibit dengan komponen 3 yaitu -0,338.Hal ini berarti
terbentuk sebuah faktor tanpa adanya reduksi faktor lain.
b). Analisis faktor kasus untuk nomor 26-50
Component Matrixa
Component
1 2
Zscore(Kualitas_Bibit) ,569 -,531
Zscore(Kualitas_Pakan) ,622 ,015
Zscore(Cara_Pemberian_pakan) ,532 ,677
Zscore(Prosedur_Pemeliharaan) ,547 ,514
Zscore(Analisa_Keuangan) ,748 -,416
Zscore(Pengalaman) ,835 -,045
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
Dari tabel diatas terlihat bahwa angka faktor dari kualitas bibit besar dari 0,55 yaitu
0,569 dan sementara kualitas bibit dengan komponen 2 kecil dari 0,55 yaitu -0,531. Dan
begitu untuk variabel selanjutnya.

4. Analisis Faktor Konfirmatory

Communalities :
Communalities
Initial Extraction
Kualitas_Bibit 1,000 ,985
Kualitas_Pakan 1,000 ,991
Cara_Pemberian_pakan 1,000 ,985
Prosedur_Pemeliharaan 1,000 ,974
Analisa_Keuangan 1,000 ,955
Pengalaman 1,000 ,867
Keberhasilan_Usaha 1,000 ,885
Extraction Method: Principal Component Analysis.
Dari tabel daiatas dapat diketahui bahwa angka korelasi antara variabel kualitas bibit
dengan faktor 1 adalah 0,985, dan variabel kulitas pakan dengan faktor 1 adalah 0,991, dan
begitu seterusnya untuk variabel lain. Semua angka korelasi sudah lebih dari 0,5 yang
menunjukan variabel-variabel telah dapat diekstraksi ke faktor tertentu.
Rotation Matrix :
Rotated Component Matrixa
Component
1 2 3 4 5 6
Kualitas_Bibit ,946
Kualitas_Pakan ,970
Cara_Pemberian_pakan ,959
Prosedur_Pemeliharaan ,940
Analisa_Keuangan ,870
Pengalaman ,824
Keberhasilan_Usaha ,850
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 6 iterations.
Dari tabel diatas, dapat diketahui bahwa kualitas bibit dimasukan kedalam 1 faktor
yaitu pada kolom 2. Sedangkan kualitas pakan dimasukan kedalam 1 faktor juga yaitu pada
kolom 4, dan variabel pengalaman dan keberhasilan usaha dimasukan kedalam satu faktor
juga yaitu pada kolom 1, dan begitu seterusnya.

Total Variance Matrix :

Total Variance Explained
Compo Initial Eigenvalues Extraction Sums of Squared Rotation Sums of Squared Loadings
nent Loadings
Total % of Cumulati Total % of Cumulative Total % of Cumulative %
Variance ve % Variance % Variance
1 2,871 41,020 41,020 2,871 41,020 41,020 1,566 22,378 22,378
2 1,089 15,552 56,571 1,089 15,552 56,571 1,031 14,723 37,101
3 ,902 12,885 69,456 ,902 12,885 69,456 1,027 14,674 51,775
4 ,736 10,510 79,967 ,736 10,510 79,967 1,023 14,616 66,391
5 ,618 8,823 88,790 ,618 8,823 88,790 1,020 14,576 80,968
6 ,427 6,098 94,888 ,427 6,098 94,888 ,974 13,920 94,888
7 ,358 5,112 100,000
Extraction Method: Principal Component Analysis.
Dari tabel diatas, dari semua faktor membentuk 94,89% dan lebih besar
dibandingkan dengan 50% maka hal ini tergolong cukup bagus.
2. PEMBAHASAN
Berdasarkan analisis faktor yang telah penulis lakukan diatas maka didapat 73,6%
varians dari variabel kualitas bibit, kualitas pakan sebesar 26,7%, cara pemberian pakan
sebesar 60%, prosedur pemeliharaan 64,3%, Analisa keuangan 61,6%, dan pengalaman
56,1% dapat dijelaskan oleh faktor yang terbentuk.
 Ada 6 component yg dimasukan dalam analisis faktor. Dengan varianf faktor pertama
39,39 dan varians faktor kedua 17,68. Total kedua faktor tersebut adalah 57,07 dan dengan
total eigenvalues 2,36 yang diurutkan dari yang terbesar sampai terkecil. Proses factoring
seharusnya berhenti pada dua faktor saja karena faktor ketiga angka eigenvalues sudah
dibawah 1 yaitu 0,901.
Pada analisis rotation matrix, dapat diketahui bahwa kualitas bibit dimasukan kedalam 1
faktor yaitu pada kolom 2. Sedangkan kualitas pakan dimasukan kedalam 1 faktor juga yaitu
pada kolom 4, cara pemberian paka dimasukan kedalam 1 faktor yaitu kolom 5, prosedur
pemeliharaan juga dimasukan pada 1 faktor yaitu kolom 3, analisa keuangan dimasukan
kedalam 1 faktor yaitu kolom 6, dan variabel pengalaman dan keberhasilan usaha dimasukan
kedalam satu faktor juga yaitu pada kolom 1. Berdasarkan tes total variance matrix, dari
semua faktor membentuk 94,89% dan lebih besar dibandingkan dengan 50% maka hal ini
tergolong cukup bagus.

3. KEBIJAKAN
Berdasarkan analisis faktor yang telah penulis lakukan maka penulis mengambil
kesimpulan penelitian bahwa kualitas bibit dan pengalaman merupakan faktor yang sangat
penting dan paling berpengaruh dalam menentukan keberhasilan usaha beternak itik di
payakumbuh.
Kebijakan yang penulis ambil berdasarkan hasil penelitian ini adalah karena semua
faktor membentuk 94,89% pada tes variance matrix maka semua faktor merupakan penentu
dari keberhasilan usaha beternak itik dipayakumbuh. namun peternak lebih dianjurkan untuk
lebih mengutamakan faktor pengalaman dan kualitas bibit karena faktor tersebut adalah
faktor yang paling penting dalam keberhasilan beternak itik.