Hormat Saya
ANGKET/KUESIONER
“ ANALISIS FAKTOR – FAKTOR YANG MEMPENGARUHI
Nama :
Jenis Kelamin : [ ] Laki-laki [ ] Perempuan
Umur.................................tahun
Alamat :
NO Pernyataan SS S TT KS STS
No
X1 X2 X3 X4 X5 X6 X7 X8 X9
Responden
1 5 2 5 2 2 2 2 5 2
2 4 2 4 2 4 2 2 4 2
3 4 3 4 3 4 4 2 2 4
4 5 1 2 2 4 2 1 4 1
5 5 1 2 2 4 2 1 4 4
6 4 2 5 2 4 5 4 4 2
7 5 2 5 4 4 2 4 4 5
8 4 4 3 4 3 4 3 5 2
9 5 4 1 2 2 4 2 2 5
10 5 2 2 1 4 2 1 1 5
11 5 2 2 1 2 2 2 4 2
12 5 1 1 1 2 4 4 4 2
13 4 4 3 3 2 3 3 4 5
14 5 5 4 4 5 3 3 4 5
15 5 4 5 5 5 4 5 4 5
16 5 5 4 3 4 5 3 4 5
17 5 5 4 3 4 5 4 5 4
18 5 4 5 3 3 4 3 4 4
19 4 2 5 2 4 5 4 4 2
20 5 5 5 4 4 5 5 4 4
21 5 2 5 4 4 2 4 4 4
22 4 5 4 4 4 5 5 4 4
23 4 2 5 2 4 5 4 4 2
24 5 2 5 2 4 5 4 4 2
25 5 2 5 2 4 5 4 4 2
26 4 2 4 2 4 5 4 4 2
27 5 4 5 4 4 5 5 5 4
28 5 2 3 3 3 5 5 2 2
29 5 2 4 4 4 2 5 4 2
30 5 3 2 4 4 4 2 4 4
31 5 1 4 2 2 5 5 5 5
32 4 4 2 2 4 4 3 4 4
33 5 4 5 3 3 4 3 5 5
34 5 2 4 4 2 4 2 4 4
35 4 2 4 4 2 4 2 4 4
36 4 2 4 4 2 2 2 4 4
37 5 2 5 4 4 5 4 4 4
38 5 4 5 4 4 4 5 4 4
39 5 2 4 2 2 2 3 3 5
40 5 2 1 1 1 1 2 4 2
41 4 2 1 2 1 3 2 2 1
42 5 4 3 2 2 1 3 4 2
43 5 2 1 2 2 5 2 4 2
44 4 4 1 4 4 2 1 4 4
45 4 2 3 2 5 4 2 2 2
46 4 5 1 4 5 4 4 5 5
47 4 5 1 4 5 4 4 5 5
48 5 2 1 2 4 2 1 4 2
49 4 4 4 4 1 2 1 4 2
50 4 4 4 2 2 2 1 4 2
51 5 5 5 4 4 4 3 3 4
52 5 5 2 2 2 4 2 4 2
53 5 5 4 3 5 5 4 4 4
54 5 5 3 4 2 4 4 5 4
55 4 4 5 1 4 2 2 3 2
56 2 2 4 2 2 5 2 4 2
57 4 4 4 2 2 2 2 4 2
58 5 5 4 2 2 4 1 4 3
59 4 4 4 2 1 4 2 4 2
60 5 5 4 3 2 2 2 4 2
61 5 5 4 4 2 4 1 4 2
62 4 4 4 2 2 5 3 4 2
63 5 5 4 3 2 3 2 4 4
64 5 5 4 2 2 4 2 4 4
65 4 4 4 2 2 2 2 4 2
66 5 5 4 2 2 2 2 4 2
67 2 2 4 2 2 4 1 4 2
68 3 3 4 3 2 3 4 4 2
69 3 3 4 3 2 2 1 4 3
70 2 2 4 3 1 4 1 4 2
71 4 4 4 4 3 3 4 4 3
72 2 2 3 3 2 4 4 4 2
73 3 2 4 4 4 3
74 2 5 4 2 2 4 3 4 3
75 5 4 5 3 4 4 1 4 2
76 4 4 4 3 5 5 4 4 4
77 5 4 3 3 4 4 1 4 2
78 5 4 4 3 4 5 1 2 2
79 3 4 5 4 5 5 5 5 5
80 4 5 5 4 4 4 4 4 4
81 5 3 4 5 4 5 5 4 4
82 5 4 4 4 3 4 5 5 5
83 5 4 2 2 3 3 4 5 5
84 5 4 4 5 3 5 5 5 3
85 5 4 3 3 5 4 4 3 3
86 4 4 3 5 4 5 5 4 3
87 5 4 4 5 5 4 4 3 3
88 5 5 4 5 4 3 4 5 5
89 5 4 4 5 5 4 3 3 3
90 5 5 4 4 3 3 5 4 4
91 5 4 2 2 2 3 3 4 5
92 2 3 4 2 3 1 4 1 3
93 5 5 4 3 5 4 4 5 5
94 5 4 5 4 3 3 4 4 4
95 4 2 2 2 2 4 4 4 4
96 5 4 4 2 4 4 4 4 4
97 5 2 1 2 2 4 4 4 4
98 5 2 1 2 4 2 1 4 5
99 5 1 2 2 2 1 1 4 5
100 4 2 2 2 2 2 2 2 5
B.Data Hasil Kuisiner Pensekalaan
No
X1 X1 X3 X4 X5 X6 X7 X8 X9
respondent
1 3,629 2,221 4,082 2,331 2,254 2,091 1,926 4,966 2,518
2 2,283 2,221 2,870 2,331 3,600 2,091 1,926 3,417 2,518
3 2,283 2,835 2,870 3,190 3,600 3,351 1,926 1,794 3,789
4 3,629 1,000 1,746 2,331 3,600 2,091 1,000 3,417 1,000
5 3,629 1,000 1,746 2,331 3,600 2,091 1,000 3,417 3,789
6 2,283 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518
7 3,629 2,221 4,082 3,906 3,600 2,091 3,047 3,417 4,784
8 2,283 3,352 2,124 3,906 2,949 3,351 2,445 4,966 2,518
9 3,629 3,352 1,000 2,331 2,254 3,351 1,926 1,794 4,784
10 3,629 2,221 1,746 1,000 3,600 2,091 1,000 1,000 4,784
11 3,629 2,221 1,746 1,000 2,254 2,091 1,926 3,417 2,518
12 3,629 1,000 1,000 1,000 2,254 3,351 3,047 3,417 2,518
13 2,283 3,352 2,124 3,190 2,254 2,712 2,445 3,417 4,784
14 3,629 4,409 2,870 3,906 4,730 2,712 2,445 3,417 4,784
15 3,629 3,352 4,082 4,981 4,730 3,351 4,068 3,417 4,784
16 3,629 4,409 2,870 3,190 3,600 4,450 2,445 3,417 4,784
17 3,629 4,409 2,870 3,190 3,600 4,450 3,047 4,966 3,789
18 3,629 3,352 4,082 3,190 2,949 3,351 2,445 3,417 3,789
19 2,283 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518
20 3,629 4,409 4,082 3,906 3,600 4,450 4,068 3,417 3,789
21 3,629 2,221 4,082 3,906 3,600 2,091 3,047 3,417 3,789
22 2,283 4,409 2,870 3,906 3,600 4,450 4,068 3,417 3,789
23 2,283 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518
24 3,629 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518
25 3,629 2,221 4,082 2,331 3,600 4,450 3,047 3,417 2,518
26 2,283 2,221 2,870 2,331 3,600 4,450 3,047 3,417 2,518
27 3,629 3,352 4,082 3,906 3,600 4,450 4,068 4,966 3,789
28 3,629 2,221 2,124 3,190 2,949 4,450 4,068 1,794 2,518
29 3,629 2,221 2,870 3,906 3,600 2,091 4,068 3,417 2,518
30 3,629 2,835 1,746 3,906 3,600 3,351 1,926 3,417 3,789
31 3,629 1,000 2,870 2,331 2,254 4,450 4,068 4,966 4,784
32 2,283 3,352 1,746 2,331 3,600 3,351 2,445 3,417 3,789
33 3,629 3,352 4,082 3,190 2,949 3,351 2,445 4,966 4,784
34 3,629 2,221 2,870 3,906 2,254 3,351 1,926 3,417 3,789
35 2,283 2,221 2,870 3,906 2,254 3,351 1,926 3,417 3,789
36 2,283 2,221 2,870 3,906 2,254 2,091 1,926 3,417 3,789
37 3,629 2,221 4,082 3,906 3,600 4,450 3,047 3,417 3,789
38 3,629 3,352 4,082 3,906 3,600 3,351 4,068 3,417 3,789
39 3,629 2,221 2,870 2,331 2,254 2,091 2,445 2,244 4,784
40 3,629 2,221 1,000 1,000 1,000 1,000 1,926 3,417 2,518
41 2,283 2,221 1,000 2,331 1,000 2,712 1,926 1,794 1,000
42 3,629 3,352 2,124 2,331 2,254 1,000 2,445 3,417 2,518
43 3,629 2,221 1,000 2,331 2,254 4,450 1,926 3,417 2,518
44 2,283 3,352 1,000 3,906 3,600 2,091 1,000 3,417 3,789
45 2,283 2,221 2,124 2,331 4,730 3,351 1,926 1,794 2,518
46 2,283 4,409 1,000 3,906 4,730 3,351 3,047 4,966 4,784
47 2,283 4,409 1,000 3,906 4,730 3,351 3,047 4,966 4,784
48 3,629 2,221 1,000 2,331 3,600 2,091 1,000 3,417 2,518
49 2,283 3,352 2,870 3,906 1,000 2,091 1,000 3,417 2,518
50 2,283 3,352 2,870 2,331 2,254 2,091 1,000 3,417 2,518
51 3,629 4,409 4,082 3,906 3,600 3,351 2,445 2,244 3,789
52 3,629 4,409 1,746 2,331 2,254 3,351 1,926 3,417 2,518
53 3,629 4,409 2,870 3,190 4,730 4,450 3,047 3,417 3,789
54 3,629 4,409 2,124 3,906 2,254 3,351 3,047 4,966 3,789
55 2,283 3,352 4,082 1,000 3,600 2,091 1,926 2,244 2,518
56 1,000 2,221 2,870 2,331 2,254 4,450 1,926 3,417 2,518
57 2,283 3,352 2,870 2,331 2,254 2,091 1,926 3,417 2,518
58 3,629 4,409 2,870 2,331 2,254 3,351 1,000 3,417 3,277
59 2,283 3,352 2,870 2,331 1,000 3,351 1,926 3,417 2,518
60 3,629 4,409 2,870 3,190 2,254 2,091 1,926 3,417 2,518
61 3,629 4,409 2,870 3,906 2,254 3,351 1,000 3,417 2,518
62 2,283 3,352 2,870 2,331 2,254 4,450 2,445 3,417 2,518
63 3,629 4,409 2,870 3,190 2,254 2,712 1,926 3,417 3,789
64 3,629 4,409 2,870 2,331 2,254 3,351 1,926 3,417 3,789
65 2,283 3,352 2,870 2,331 2,254 2,091 1,926 3,417 2,518
66 3,629 4,409 2,870 2,331 2,254 2,091 1,926 3,417 2,518
67 1,000 2,221 2,870 2,331 2,254 3,351 1,000 3,417 2,518
68 1,576 2,835 2,870 3,190 2,254 2,712 3,047 3,417 2,518
69 1,576 2,835 2,870 3,190 2,254 2,091 1,000 3,417 3,277
70 1,000 2,221 2,870 3,190 1,000 3,351 1,000 3,417 2,518
71 2,283 3,352 2,870 3,906 2,949 2,712 3,047 3,417 3,277
72 1,000 2,221 2,124 3,190 2,254 3,351 3,047 3,417 2,518
73 1,576 2,221 2,870 3,906 3,600 2,712 0,000 0,000 0,000
74 1,000 4,409 2,870 2,331 2,254 3,351 2,445 3,417 3,277
75 3,629 3,352 4,082 3,190 3,600 3,351 1,000 3,417 2,518
76 2,283 3,352 2,870 3,190 4,730 4,450 3,047 3,417 3,789
77 3,629 3,352 2,124 3,190 3,600 3,351 1,000 3,417 2,518
78 3,629 3,352 2,870 3,190 3,600 4,450 1,000 1,794 2,518
79 1,576 3,352 4,082 3,906 4,730 4,450 4,068 4,966 4,784
80 2,283 4,409 4,082 3,906 3,600 3,351 3,047 3,417 3,789
81 3,629 2,835 2,870 4,981 3,600 4,450 4,068 3,417 3,789
82 3,629 3,352 2,870 3,906 2,949 3,351 4,068 4,966 4,784
83 3,629 3,352 1,746 2,331 2,949 2,712 3,047 4,966 4,784
84 3,629 3,352 2,870 4,981 2,949 4,450 4,068 4,966 3,277
85 3,629 3,352 2,124 3,190 4,730 3,351 3,047 2,244 3,277
86 2,283 3,352 2,124 4,981 3,600 4,450 4,068 3,417 3,277
87 3,629 3,352 2,870 4,981 4,730 3,351 3,047 2,244 3,277
88 3,629 4,409 2,870 4,981 3,600 2,712 3,047 4,966 4,784
89 3,629 3,352 2,870 4,981 4,730 3,351 2,445 2,244 3,277
90 3,629 4,409 2,870 3,906 2,949 2,712 4,068 3,417 3,789
91 3,629 3,352 1,746 2,331 2,254 2,712 2,445 3,417 4,784
92 1,000 2,835 2,870 2,331 2,949 1,000 3,047 1,000 3,277
93 3,629 4,409 2,870 3,190 4,730 3,351 3,047 4,966 4,784
94 3,629 3,352 4,082 3,906 2,949 2,712 3,047 3,417 3,789
95 2,283 2,221 1,746 2,331 2,254 3,351 3,047 3,417 3,789
96 3,629 3,352 2,870 2,331 3,600 3,351 3,047 3,417 3,789
97 3,629 2,221 1,000 2,331 2,254 3,351 3,047 3,417 3,789
98 3,629 2,221 1,000 2,331 3,600 2,091 1,000 3,417 4,784
99 3,629 1,000 1,746 2,331 2,254 1,000 1,000 3,417 4,784
100 2,283 2,221 1,746 2,331 2,254 2,091 1,926 1,794 4,784
Lampiran 3
N %
Reliability Statistics
Cronbach's Alpha
Based on
Cronbach's Alpha Standardized N of Items
Items
.714 .710 9
Item Statistics
Cronbach's
Scale Mean if Scale Variance Corrected Item- Squared Alpha if Item
Item Deleted if Item Deleted Total Multiple Deleted
Correlation Correlation
Scale Statistics
Communalities
Initial Extraction
df 36
Sig. .000
Compo
nent 1 2 3
Component Matrixa
Component
1 2 3
Component
1 2 3
a. 3 components extracted.
Component
1 2 3
2.S-
Eigenvalue
1.0-
0.5-
O
5 g
Gomponent I\lumber
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Compon
ent Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
VAR00001 1.000 .102 -.005 .077 .174 -.005 .135 .154 .278
VAR00002 .102 1.000 .162 .375 .184 .159 .172 .225 .253
VAR00003 -.005 .162 1.000 .288 .214 .276 .295 .094 -.007
VAR00004 .077 .375 .288 1.000 .383 .261 .381 .205 .253
VAR00005 .174 .184 .214 .383 1.000 .314 .328 .010 .268
VAR00006 -.005 .159 .276 .261 .314 1.000 .456 .198 .031
VAR00007 .135 .172 .295 .381 .328 .456 1.000 .351 .347
VAR00008 .154 .225 .094 .205 .010 .198 .351 1.000 .320
VAR00009 .278 .253 -.007 .253 .268 .031 .347 .320 1.000
Anti-image Matrices
Anti-image Covariance VAR00001 .898 -.024 .021 .033 -.108 .057 -.024 -.074 -.140
VAR00002 -.024 .808 -.060 -.205 -.012 -.053 .063 -.095 -.112
VAR00003 .021 -.060 .832 -.112 -.060 -.076 -.117 -.005 .110
VAR00004 .033 -.205 -.112 .681 -.168 -.011 -.107 -.042 -.040
VAR00005 -.108 -.012 -.060 -.168 .715 -.153 -.060 .162 -.136
VAR00006 .057 -.053 -.076 -.011 -.153 .704 -.225 -.083 .136
VAR00007 -.024 .063 -.117 -.107 -.060 -.225 .592 -.140 -.161
VAR00008 -.074 -.095 -.005 -.042 .162 -.083 -.140 .771 -.159
VAR00009 -.140 -.112 .110 -.040 -.136 .136 -.161 -.159 .701
1 2 3 4 5 6 7 8 9
1 2 3 4 5 6 7 8 9
1 2 3 4 5 6 7 8 9
Matriks loading factor ( ) diperoleh dengan mengalikan matriks eigen vector dengan akar dari matriks eigen value. Atau dalam
persamaan matematis ditulis √ .
AKAR DARI MATRIKS EIGEN VALUE (√ )
1 2 3 4 5 6 7 8 9
1 2 3 4 5 6 7 8 9
Keterangan : Angka yang dicetak tebal adalah nilai factor loading yang memiliki eigen value lebih besar dari satu.
Matriks Rotated Factor Loading diperoleh dengan mengalikan matriks factor loading dengan matriks transformasi (Component Transformation
Matrix). Atau dalam persamaan matematis ditulis sebagai : .
1 2 3
1 2 3 4 5 6 7 8 9
1 2 3 4 5 6 7 8 9 Jumlah
9 0,031329 0,022201 0,020736 0,003364 0,036864 0,037636 0,0625 0,046656 0,022201 0,283487
jumlah 1,669405
KUADRAT MATRIKS KORELASI SEDERHANA
1 2 3 4 5 6 7 8 9 Jumlah
Jumlah 4,350308
∑ ∑
∑ ∑ ∑ ∑
∑
∑ ∑
1. Hipotesis
: Matriks korelasi sederhana merupakan matriks identitas
2. Statistik uji
()
[( ) ]||
3. .
;()()
( )( )
5. Perhitungan
()
(())
[( ) ]()
[ ]( )
( )
6. Kesimpulan :
, maka tolak .
( )( )
Dengan kata lain, matriks korelasi sederhana bukan merupakan
matriks identitas.
D.PERHITUNGAN KOMUNALITAS
Badan Pusat Statistik Karo. 2011. Kabupaten Karo dalam Angka 2011, penerbit
BPS Kabupaten Karo .
Lubis, Ade Fatma et al 2007. Aplikasi SPSS (Statistical Product and Service
Solutions) untuk penyusunan skripsi & tesis, USU Press, Medan.
Soelarso Bambang 1997. Budi Daya Kentng Bebas Penyakit: Penerbit Kanisius,
Yogyakarta.
Singarimbun, Masri dan Sofian effendi. 1987. Metode Penelitian Survai. LP3ES,
Jakarta.
Populasi dalam penelitian ini adalah seluruh petani di kecamatan Naman Teran.
Populasi sasaranya adalah petani kentang yang menanam kentang pada saat
penelitiaan. Data total jumlah petani di kecamatan Naman Teran pada tahun 2011
yang diproleh dari hasil sensus oleh Badan Pusat Statistika adalah sebagai
berikut:
Tabel 3.1 Daftar Jumlah Petani Tahun 2011 di Kecamatan Naman Teran
1 Kuta Gunung 13
2 Sigarang – garang 16
3 Berkah 2
4 Simacem 3
5 Sukanalu 8
6 Kuta tonggal 3
7 Sukandebi 7
8 Naman 7
9 Sukatepu 5
10 Ndeskati 3
11 Kuta mbelin 7
12 Gung pinto 4
13 Kebayaken 3
14 Kuta Rayat 19
Jumlah 100
Sumber: setelah diolah
= Pupuk kandang
= Luas lahan
= Pestisida
= Kesuburan lahan
= Tenaga kerja
= Bibit
= Pupuk
= Modal
3.3 Sumber Data
Dalam penelitiaan ini data yang digunakan adalalah data primer dan data
sekunder. Data primer bersumber dari hasil wawancara terstruktur terhadap
responden denggan menggunakan kuisoner. Kuesioner yang digunakan adalah
kuisioner berstruktur dalam bentuk pernyataan yang telah disertai dengan pilihan
jawaban dalam bentuk sekala.
2 = Tidak setuju
3 = Tidak tahu/Netral
4 = Setuju
5 = Sangat setuju
Penentuan matriks input data mentah yang terdiri 100 sampel responden dan 9
variabel adalah sebagai berikut:
Tabel 3.3 Data Hasil Kuisioner
Nomor
X1 X2 X3 X4 X5 X6 X7 X8 X9
responden
1 5 2 5 2 2 2 2 5 2
2 4 2 4 2 4 2 2 4 2
3 4 3 4 3 4 4 2 2 4
4 5 1 2 2 4 2 1 4 1
5 5 1 2 2 4 2 1 4 4
6 4 2 5 2 4 5 4 4 2
7 5 2 5 4 4 2 4 4 5
8 4 4 3 4 3 4 3 5 2
9 5 4 1 2 2 4 2 2 5
10 5 2 2 1 4 2 1 1 5
11 5 2 2 1 2 2 2 4 2
12 5 1 1 1 2 4 4 4 2
13 4 4 3 3 2 3 3 4 5
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
100 4 2 2 2 2 2 2 2 5
Data mentah secara keseluruhan dapat dilihat di dalam lampiran 1 A.
Dari data mentah hasil kuesioner dibuat suatu matriks data yang telah
dilakukan penskalaan menjadi skala interval. Teknik penskalaan yang digunakan
dalam penelitian ini adalah Methods Successive Interval dengan bantuan
Microsoft Office Excel 2007. Berikut ini adalah perhitungan penskalaan Methods
Successive Interval
Tabel 3.4 Penskalaan Variabel 1
Kategori Nilai
No.
Skor Proporsi Densita Hasil
variab Frekuensi Proporsi Z
Jawaban Kumulatif s {f(z)} Penskala
el
Ordinal an
Jumlah 100
( )
√
( )
( )
√
||
||
Selanjutnya dengan melakukan cara yang sama, maka semua variabel akan
ditransformasikan ke dalam data interval.
X1 X2 X3 X4 X5 X6 X7 X8 X9
1 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
2 1,000 2,221 1,746 2,331 2,254 2,091 1,926 1,794 2,518
3 1,576 2,835 2,124 3,190 2,949 2,712 2,445 2,244 3,277
4 2,883 3,352 2,870 3,906 3,600 3,351 3,047 3,417 3,789
5 3,629 4,409 4,028 4,981 4,730 4,450 4,068 4,966 4,784
Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur
dalam melakukan fungsi ukurnya. Untuk mengetahui valid atau tidak dilihat dari
nilai korelasi hitung dibandingkan dengan tabel korelasi product moment untuk N
= 100 dan α = 5% adalah 0,195. Dari hasil uji validitas, terlihat bahwa seluruh
variabel dinyatakan valid karena nilai r-hitung > r tabel, r-hitung > 0,195. Dari
bantuan SPSS diproleh hasil seperti tablel berikut ini
√{ ∑ (∑ ) }{ ∑ (∑ ) }
( ) (( )( ))
√{ ( ) ( ) }{ ( ) ( ) }
√( )( )
√( )( )
√
Metode analisis data yang digunakan adalah teknik analisis faktor dengan
pendekatan komponen utama. Langkah-langkah dalam analisis faktor adalah
sebagai berikut :
Proses analisis didasarkan pada suatu matriks korelasi antar variabel. Agar
analisis faktor bisa menjadi tepat dipergunakan. Variabel-variabel yang akan
dianalisis harus berkorelasi. Apabila koefisien korelasi antar variabel terlalu kecil
berarti hubungannya lemah, maka metode analisis faktor kurang tepat untuk
dipergunakan. Peneliti mengharapkan selain variabel awal berkorelasi dengan
sesama variabel lainnya juga berkorelasi dengan faktor sebagai variabel terakhir
yang didapat dari variabel-variabel awal.
√{ ∑ (∑ ) }{ ∑ (∑ ) }
(∑ ) (∑ ∑ )
√{ ∑ (∑ ) }{ ∑ (∑ ) }
( ) (( )( ))
√{ ( ) ( ) }{ ( ) ( ) }
√( )( )
√( )( )
√
Dengan perhitungan di atas, maka diperoleh nilai korelasi antara variabel X1
dengan X9 adalah 0,278. Hasil tersebut sesuai dengan output SPSS. Dengan
melakukan cara yang sama dengan di atas atau dengan menggunakan SPSS maka
akan diperoleh korelasi antara variabel.Hasil perhitungannya dapat disajikan
dalam bentuk matriks.
MATRIK KORELASI
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 1 0,102 -0,005 0,077 0,174 -0,005 0,135 0,154 0,278
X2 0,102 1 0,162 0,375 0,184 0,159 0,172 0,225 0,253
X3 -0,005 0,162 1 0,288 0,214 0,276 0,295 0,094 -0,007
X4 0,077 0,375 0,288 1 0,383 0,261 0,381 0,205 0,253
X5 0,174 0,184 0,214 0,383 1 0,314 0,328 0,01 0,268
X6 -0,005 0,159 0,276 0,261 0,314 1 0,456 0,198 0,031
X7 0,135 0,172 0,295 0,381 0,328 0,456 1 0,351 0,347
X8 0,154 0,225 0,094 0,205 0,01 0,198 0,351 1 0,32
X9 0,278 0,253 -0,007 0,253 0,268 0,031 0,347 0,32 1
Pada penelitian ini matriks korelasi yang dibentuk dari data yang diperoleh
untuk mengectahui faktor-faktor yang mempengaruhi hasil produksi kentang
memperlihatkan korelasi yang cukup kuat antara variabel X1 dengan X9 sehingga
diharapkan nantinya bahwa variabel-variabel ini akan berkorelasi dengan faktor
yang sama.
Data mengenai 9 variabel yang berasal dari jawaban 100 orang
responden kemudian dianalisa pada anti image correlation. Uji ini dilakukan
dengan memperhatikan angka KMO MSA. Angka MSA (Measure of Sampling
Adequecy) berkisar antara 0 sampai 1 dengan kriteria : (Santoso, 2005)
MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel lain.
MSA > 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
MSA < 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut.
Df 36
Sig. 0.000
Hasil output SPSS seperti tabel di atas menunjukkan angka KMO dan
Barlett’s test adalah 0,721 lebih besar dari 0,5 dengan signifikansi 0,000 lebih
kecil dari 0,05 maka variabel dan sampel sudah layak untuk dianalisis lebih
lanjut.Perhitungan secara manual nilai KMO dan Barlett’s test dapat dilihat pada
lampiran.
Hipotesis untuk uji diatas adalah :
H0 = sampel belum memadai untuk dianalisis lebih lanjut
H1 = sampel sudah memadai untuk dianalisis lebih lanjut
Kriteria dengan melihat probabilitas (tingkat signifikansi) :
Angka Sig. > 0,05, maka H0 diterima
Angka Sig. < 0,05, maka H0 ditolak
Pada tabel 3.13 menunjukkan nilai eigen value untuk setiap faktor, yang pada
awalnya terdiri dari 9 faktor yaitu sebanyak variabel aslinya. Suatu eigen value
menunjukkan besarnya sumbangan dari faktor terhadap varians seluruh variabel
asli. Kemudian diproses berikutnya dipilih faktor-faktor yang eigen value nya
minimal 1. Ternyata ada 3 faktor atau komponen yang eigen value nya lebih dari
1 yaitu faktor 1, 2, dan 3 masing-masing dengan eigen value nya adalah 2,810;
1,329 dan 1
3.5.3 Menentukan Banyaknya Faktor
Penentuan banyaknya faktor yang dilakukan dalam analisis faktor maksudnya
adalah mencari variabel terakhir yang disebut faktor yang saling tidak berkorelasi,
bebas satu sama lainnya, lebih sedikit jumlahnya daripada variabel awal akan
tetapi dapat menyerap sebagian besar informasi yang terkandung dalam variabel
awal atau yang dapat memberikan sumbangan terhadap varians seluruh variabel.
Untuk menentukan banyaknya faktor dari initial values dilihat dengan metode
pendekatan, hanya faktor dengan eigen value lebih besar dari satu yang
dipertahankan, jika lebih kecil dari satu, faktornya tidak diikutsertakan dalam
model. Suatu eigen value menunjukkan besarnya sumbangan dari faktor terhadap
varians seluruh variabel asli. Hanya faktor dengan varians lebih besar dari satu
yang dimasukkan dalam model.
Berdasarkan tabel 3.13 ternyata diperoleh banyaknya faktor yang dapat
mempengaruhi hasil produksi kentang menurut persepsi penduduk atau asumsi
responden adalah 3, karena ada 3 faktor atau komponen yang eigen value nya
lebih dari 1, yaitu Faktor dengan eigen value 2,810 , Faktor 2 dengan eigen value
1,329 , Faktor 3 dengan eigen value dan 1,003.
Perhitungan secara manualnya untuk mencari nilai ini dapat di lihat di lampiran.
Suatu Scree Plot adalah plot dari eigen value melawan banyaknya faktor yang
bertujuan untuk melakukan ekstraksi agar diperoleh jumlah faktor. Scree plot
berupa suatu kurva yang diperoleh dengan memplot eigen value sebagai sumbu
vertikal dan banyaknya faktor sebagai sumbu horizontal. Bentuk kurva atau
plotnya dipergunakan untuk menentukan banyaknya faktor.
Jika tabel total varians menjelaskan dasar jumlah faktor yang didapat dengan
perhitungan angka, maka scree plot memperlihatkan hal tersebut dengan grafik.
Terlihat bahwa dari sutu ke dua faktor (daris dari sumbu Component 1 ke 2), arah
garis cukup menurun tajam. Kemudian dari 2 ke 3 garis juga menurun. Pada
faktor 4 sudah dibawah angka 1 dari sumbu eigen value. Hal ini menunjukkan
bahwa ada 3 faktor yang mempengaruhi hasil produksi kentang, yang dapat
diekstraksi berdasarkan scree plot.
Output terpenting dalam analisis faktor adalah Matriks Faktor atau yang disebut
juga dengan Komponen Matriks. Matriks faktor memuat koefisien yang
dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam
faktor. Koefisien ini merupakan factor loading, mewakili koefisien korelasi antara
faktor dengan variabel. Koefisien dengan nilai mutlak (absolute) yang besar
menunjukkan bahwa faktor dan variabel sangat terkait. Koefisien dari matriks
faktor dapat dipergunakan untuk menginterpretasi faktor. Matriks faktor atau
matriks komponen dapat dilihat sebagai berikut :
Untuk mengatasi hal tersebut dapat dilakukan proses rotasi pada faktor
yang terbentuk agar memperjelas posisi sebuah variabel, akankah dimasukkan
pada faktor yang satu ataukah ke faktor lainnya. Beberapa metode rotasi yang bisa
digunakan adalah orthogonal rotation, varimax rotation, dan oblique rotation.
Proses rotasi terhadap faktor pada penelitian ini menggunakan metode
varimax rotation. Dan hasil rotasi dapat dilihat pada matriks faktor (setelah
dirotasi) dibawah ini :
Faktor Pertama
Faktor pertama hasil rotasi faktor didukung oleh 5 variabel. Urutan variabel-
variabel tersebut mulai dari nilai bobot paling besar sampai yang paling kecil
adalah dan Bobot masing-masing variabel pendukung faktor pertama
tersebut sesuai dengan tabel berikut.
Tabel 3.16 Variabel yang Mendukung Faktor Pertama
Faktor Kedua
Faktor Ketiga
Faktor ketiga hasil rotasi bahwa hanya 1 variabel yang mendukung yaitu variable
X8 = pemupukan. Variabel ini mempunyai faktor loding sebesar 0,868. Pada
faktor Ketiga interval pemupukan yang mempengaruhi hasil produksi kentang
pada saat diadakan penelitian. Faktor pemupukan ini mempengaruhi hasil
produksi kentang sesuai asumsi petani yang di dapat oleh peneliti yaitu memberi
sumbangan varian sebesar 11,142 %.
Proses akhir dari analisis faktor adalah menguji ketepatan model, dengan
menggunakan output program SPSS. Perbedaan antara korelasi yang diobservasi
(pada matriks korelasi sebelum analisis faktor) dengan korelasi analisis faktor
(yang diestimasi dari matriks faktor) yaitu yang disebut dengan residual. Kalau
banyak residual yang nilainya lebih besar dari 0,05 (residual > 0,05), berarti
model tidak tepat, model dipertimbangkan kembali. Sebaliknya, jika banyak
residual yang nilainya lebih kecil dari 0,05 (residual < 0,05), berarti model sudah
tepat.
x1 x2 x3 x4 x5 x6 x7 x8 x9
x1 -
x2 -0,131 -
x3 0,029 -0,235 -
x4 -0,034 -0,651 -0,437 -
x5 -0,308 -0,199 -0,292 -0,623 -
x6 0,077 -0,229 -0,375 -0,276 -0,529 -
x7 -0,168 -0,081 -0,462 -0,549 -0,42 -0,805 -
x8 -0,243 -0,346 -0,1 -0,263 0,208 -0,311 -0,558 -
x9 -0,455 -0,402 0,151 -0,311 -0,46 0,163 -0,597 -0,536 -
Terlihat pada tabel 3.18, nilai residual yang lebih besar dari 0,05 adalah 4
komponen, (9,3% < 50%). Dengan keadaan residual tersebut diatas, maka model
dapat dinyatakan sudah tepat dan layak untuk digunakan.
BAB 4
4.1 Kesimpulan
Pengolahan data dengan menggunakan analisis faktor pada penelitian ini adalah
untuk mengetahui seberapa besar pengaruh dari faktor faktor yang di
pertimbangkan oleh petani untuk meningkatkan hasil produksi kentang di
kecamatan Naman Teran. Dari penelitian ini maka penulis dapat membuat
kesimpulan-kesimpulan sebagai berikut :
Menurut hasil penelitian diatas ada dua hal yang disampaikan sebagai saran, yaitu
:
1. Pemerintah tanah karo lebih memperhatikan kondisi pertaniaan terutama
dalam penyediaan pupuk dan juga butuh penyuluhan kepada petani untuk
dapat meningkatkan hasil panen pertaniaan
2. Bagi peneliti selanjutnya hasil penelitian ini masih bisa diteruskan dengan
mengembangkan penelitian, seperti menambah variabel-variabel baik yang
bersifat data kualitatif atau data kuantitatif yang dapat mempengaruhi hasil
produksi kentang di Kecamatan Naman Teran.
BAB 2
LANDASAN TEORI
Populasi adalah (population atau universal) adalah keseluruhan elemen, atau unit
penelitian, atau unit analisis yang memiliki ciri atau karakteristik tertentu yang
dijadikan sebagai objek penelitiaan atau menjadi perhatiaan dalam suatu
penelitiaan (Maman Abdurahman, 2011). Dengan demikian populasi tidak
terbatas pada sekelompok orang, tetapi apa aja yang menjadi perhatiaan dalam
suatu permasalahaan.
Populasi adalah kumpulan lengkap dari elemen - elemen yang sejenis akan
tetapi dapat dibedakaan karena karaktristiknya. Misalnya seluruh penduduk
Indonesia, seluruh penduduk propinsi, seluruh karyawan suatu depatemen atau
perusahaan, seluruh mahasiswa perguruan tinggi, seluruh turis, seluruh langganan,
seluruh petani, seluruh desa, seluruh ternak, seluruh kendaraan, seluruh
perkebunan, seluruh pasien, seluruh calon haji, seluruh pasar (Supranto, 2004).
2.3.1 Data
Data merupakan kumpulan fakta atau angka atau segala sesuatu yang dapat
dipercaya kebenaranya sehingga dapat digunakan sebagai dasar menarikan
kesimpulan. Data dapat digolongkan berdasarkan aspek sifat, dimensi waktu, cara
memperoleh dan pengukuranya (Muhidin, 2009).
1. Data Diskrit adalah data yang diperoleh dengan cara menghitung atau
membilang.
1. Data Primer adalah data yang dikumpulkan dan diolah sendiri oleh suatu
organisasi serta diperoleh langsung dari objeknya. Contoh : Pemerintah
melalui Biro Pusat Statistik (BPS) ingin mengetahui jumlah penduduk
Indonesia, maka BPS mengirimkan petugasnya untuk mendatangi secara
langsung rumah tangga- rumah tangga yang ada di Indonesia. Perusahaan
susu “ Segar Jaya “ ingin mengetahui jumlah konsumsi susu yang diminum
oleh masyarakat di Kelurahan Medan Baru, maka petugas dari perusahaan
tersebut secara langsung mendatangi rumah tangga- rumah tangga yang ada
di Kelurahan Medan Baru.
2. Data Sekunder adalah data yang diperoleh dalam bentuk sudah jadi, sudah
dikumpulkan dan diolah oleh pihak lain, biasanya data itu dicatat dalam
bentuk publikasi- publikasi Contoh : Misalkan seorang peneliti memerlukan
data mengenai jumlah pendududk di sebuah kota dari tahun 1980 sampai
1990, maka data itu dapat diperolehnya di BPS.
Pada dasarnya ada dua macam metode pengambilan sampel yaitu pengambilan
sampel secara acak (probability Sampling) dan secara tidak acak (non probability
Sampling)
( )
∑
Keterangan:
= Banyaknya elemen sampel dari strata ke- i
= Banyaknya elemen Strata ke- i
k = Banyaknya strata
n = Jumlah sampel penelitian
2.5 Teknik Pengukuran dan Sampel
Pada teknik penskalaan, banyak sekali jenis skala pengukuran yang telah
dikembangkan, terutama dalam ilmu-ilmu sosial. Namun dalam penelitian ini
skala pengukuran yang digunakan adalah skala Likert. Skala ini dikembangkan
oleh Rensis Likert (1932) untuk mengukur sikap masyarakat dan skalanya
terkenal dengan nama technique of summated rating atau skala Likert. Banyak
faktor yang menyebabkan skala Likert banyak digunakan sebagai berikut :
Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur
dalam melakukan fungsi ukurnya. Suatu test atau instrumen pengukur dapat
dikatakan mempunyai validitas yang tinggi apabila alat ukur tersebut menjalankan
fungsi ukurnya, atau memberikan hasil ukur yang sesuai dengan maksud
dilakukannya pengukuran tersebut. Metode yang yang digunakan untuk menguji
validitas adalah dengan korelasi product moment yang rumusnya sebagai berikut :
√{ ∑ (∑ ) }{ ∑ (∑ ) }
Keterangan :
rxy = koefisien korelasi
X = skor pertanyaan
Y = skor total
n = jumlah sampel
∑
(
) ( )
Keterangan:
= nilai (koefisien) Alpha Cronbach
= banyaknya variabel penelitian
∑ = jumlah varians variabel penelitian
= varians total
Analisis faktor merupakan salah satu prosedur reduksi data serta salah satu alat
untuk menguji alat ukur dalam metode statistic multivariate (Dillon and
Goldstein, 1984). Analisis faktor diartikan sebuah analisis yang mensyaratkan
adanya keterkaitan antar variabel. Pada prinsipnya analisis faktor
menyederhanakan hubungan yang beragam dan kompleks pada variabel yang
diamati dengan menyatukan faktor atau dimensi yang saling berhubungan atau
mempunyai korelasi pada suatu struktur data yang baru yang mempunyai set
faktor lebih kecil. Data-data yang dimasukkan pada umumnya data metrik dan
terdiri dari variabel-variabel dengan jumlah yang besar.
Analisis faktor dapat digunakan di dalam situasi sebagai berikut :
1. Mengenali atau mengidentifikasi dimensi yang mendasari (underlying
dimensions) atau faktor, yang menjelaskan korelasi antara suatu set
variabel.
2. Mengenali atau mengidentifikasi suatu set variabel baru yang tidak
berkorelasi (independent) yang lebih sedikit jumlahnya untuk
menggantikan suatu set variabel asli yang saling berkorelasi di dalam
analisis multivariat selanjutnya, misalnya analisis regresi berganda dan
analisis diskriminan.
3. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu
set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam
analisis multivariat selanjutnya.
Secara matematis, analisis faktor agak mirip dengan analisis regresi, yaitu dalam
hal bentuk fungsi linier. Jumlah varians yang dikontribusi dari sebuah variabel
dengan seluruh variabel lainnya lebih dikelompokkan sebagai komunalitas.
Kovarians diantara variabel dijelaskan terbatas dalam sejumlah kecil komponen
ditambah sebuah faktor unik untuk setiap variabel. Faktor-faktor tersebut tidak
secara eksplisit diamati.
Jika variabel distandarisasi, maka model analisis faktor dapat ditulis sebagai
berikut :
dimana
:
Xi = Variabel ke i yang dibakukan.
Bij = Koefisien regresi yang dibakukan untuk variabel i pada
komponen faktor j.
Fj = Komponen fator ke j.
Vi = Koefisien regresi yang dibakukan untuk variabel ke i pada faktor
yang unik ke i.
µi = Faktor unik variabel ke i.
m = Banyaknya komponen faktor.
Faktor yang unik tidak berkorelasi dengan sesama faktor yang unik dan
juga tidak berkorelasi dengan komponen faktor. Komponen faktor sendiri bisa
dinyatakan sebagai kombinasi linier dari variabel-variabel yang terlihat/
terobservasi hasil penelitian lapangan.
Dimana :
Fi = Perkiraan faktor ke i (didasarkan pada nilai variabel X dengan
koefisiennya Wi ).
Wi = Koefisien nilai faktor ke i.
k = banyaknya variabel
( )
[( ) ] ||
[ ]
n=4→
[ ]
c. Communality (Komunalitas)
Komunalitas adalah jumlah varian yang dikontribusi dari sebuah variabel dengan
seluruh variabel lainnya dalam analisis. Ini juga merupakan proporsi dari varians
yang diterangkan oleh komponen faktor.
dengan
= communality variabel ke-i
= nilai factor loading
Keterangan :
= koefisien korelasi sederhana antara variabel ke- dan ke-
= koefisien korelasi parsial antara variabel ke- dan ke-
∑
∑ ∑
j. Residuals
Residuals adalah selisih antara korelasi yang terobservasi berdasarkan input
correlation matrix dan korelasi hasil reproduksi yang diestimasi dari matriks
faktor.
k. Scree plot
Scree plot adalah sebuah plot dari eigenvalue untuk menentukan banyaknya
faktor.
Merumuskan masalah
1. Merumuskan Masalah
Merumuskan masalah meliputi beberapa kegiatan. Pertama, tujuan analisis
faktor harus diidentifikasi. Variabel yang akan digunakan dalam analisis
faktor harus dispesifikasi berdasarkan penelitian sebelumnya, teori dan
pertimbangan subjektif dari peneliti. Pengukuran variabel berdasarkan skala
interval dan rasio. Besarnya sampel harus tepat, sebagai petunjuk umum
besarnya sampel paling sedikit empat atau lima kali banyaknya variabel.
dengan
= eigen vector
8. Interpretasi Faktor
Interpretasi dipermudah dengan mengidentifikasi variabel yang loading-nya
besar pada faktor yang sama. Faktor tersebut kemudian dapat
diinterpretasikan menurut variabel-variabel yang memiliki loading tinggi
dengan faktor tersebut. Cara lain yang bisa digunakan adalah melalui pivot
variabel dengan faktor loading sebagai koordinat. Variabel yang berada pada
akhir sebuah sumbu adalah variabel yang memiliki loadings tinggi hanya
pada faktor yang bersangkutan, sehingga bisa digunakan untuk
menginterpretasi faktor. Variabel yang berada di dekat titik origin memiliki
loading yang rendah terhadap kedua faktor. Variabel yang tidak berada di
dekat sumbu mengindikasi bahwa variabel tersebut berkorelasi dengan kedua
faktor. Jika sebuah faktor tidak bisa secara jelas didefinisikan dalam batas
variabel awalnya, maka disebut faktor umum.
PENDAHULUAN
Kentang merupakan salah satu komoditas sayuran yang memiliki peran penting
dalam pemenuhan kebutuhan pangan masyarakat. Kentang (Solanum tuberosum
L) merupakan tanaman yang tidak berkayu, bentuknya sesungguhnya menyemak
dan bersifat menjalar. Kentang tidak hanya membutuhkan makan yang banyak
tetapi juga membutuhkan air yang banyak pula tetapi bukan berarti tanah menjadi
becek. Kebutuhan air kentang dicukupi dengan cara penyiramannya. Penyiraman
ini hanya dilakukan bila tanah kelihatan kering. Dalam hal ini untuk tepatnya
dilakukan pengukuran kelembaban tanahnya, bila kelembabannya kurang dari
yang diperlukan maka diperlukan penyiraman.
Kabupaten Karo memiliki luas wilayah 2.127,25 km2 yang terdiri dari
pemukiman penduduk 174,22 km2 dan lahan pertanian 1.953,03 km2. Kabupaten
ini berlokasi di dataran tinggi Karo, Bukit Barisan Sumatera Utara. Terletak
sejauh 77 km dari kota Medan, Ibu Kota Provinsi Sumatera Utara. Wilayah
Kabupaten Karo terletak di dataran tinggi dengan ketinggian antara 600 sampai
1.400 meter di atas permukaan laut. Karena berada di ketinggian tersebut, Tanah
Karo Simalem mempunyai iklim yang sejuk dengan suhu berkisar antara 16oC
sampai 17°C. Dataran tinggi karo ini bisa ditemukan indahnya nuansa alam
pegunungan dengan udara yang sejuk dan berciri khas daerah buah dan sayur.
Letak tanah karo yang berada di dataran tinggi maka jenis tanaman disini adalah
tanaman kering sehingga tanaman yang ada hultikutural (bemacam macam).
Potensi yang ada di Tanah Karo terdiri dari komoditas sayur-sayuran, buah-buhan
dan bunga-bungaan. Kabupaten Karo terdiri dari 17 kecamatan, salah satunya
adalah kecamatan Naman Teran yang merupakan daerah penghasil kentang. Pada
tahun 2011 penghasilan terbesar kentang dari semua kecamatan di tanah karo
adalah kecamatan Naman Teran sebesar 22,584 ton (Badan Pusat Statistika
Kabupaten Karo, 2011).
Kecamatan Naman Teran merupakan salah satu dari 17 kecamatan yang ada di
Kabupaten Karo dengan Ibu kota kecamatan di desa Naman yang berjarak 20 km
dari Kabanjahe sebagai ibukota kabupaten dan 97 km dari Medan ibu kota
propinsi. Kecamatan Naman Teran dengan luas ± 87,82 km2 berada pada
ketinggian rata - rata 700 – 1420 m diatas permukaan laut dengan temperatur
160C -170C. Dengan batas wilayah sebelah timur berbatasan dengan kecamatan
Merdeka, sebelah Barat berbatasan dengan Kecamatan Tiganderket, sebelah Utara
berbatsan dengan Kabupaten Langkat dan Deli Serdang dan sebelah Selatan
berbatasan dengan Kecamatan Payung dan Simpang Empat.
Perumusan masalah yang akan diteliti dalam tulisan ini adalah faktor-faktor apa
saja dan seberapa besar pengaruh faktor-faktor tersebut mempengaruhi hasil
produksi kentang.
Agar pembatasan masalah lebih jelas, maka penulis memberikan batasan yang
akan dilakukan yaitu:
Analisis yang digunakan adalah analisis faktor.
1. Objek penelitian adalah petani kentang yang bertempat tinggal kecamatan
Naman Teran, Kabupaten Karo.
2. Penelitian ini hanya dibatasi 9 variabel yaitu pengaruh pupuk, pupuk kandang,
pestisida, penggunaan bibit, luas lahan, jarak tanam antar kentang, kesuburan
tanah, tenaga kerja, modal.
3. Iklim di seluruh kecamatan Naman Teran adalah sama artinya iklim tidak
merupakan faktor yang mempengaruhi hasil produksi.
Analisis faktor merupakan nama umum yang menunjukan suatu kelas prosedur,
utamanya dipergunakaan untuk mereduksi data atau meringkas dari variabel yang
banyak diubah menjadi sedikit variabel, misalkan dari 15 variabel yang lama
diubah menjadi 4 atau 5 variabel baru yang disebut faktor dan masih memuat
sebagai besar informasi yang terkandung dalam variabel asli. Di dalam riset
pemasaran pada khususnya riset bidang sosial pada umumnya, akan diperoleh
banyak sekali variabel, kebanyakan dari varibel-variabel tersebut berkolerasi sama
dan harus diperkecil jumlahnya agar mudah dikelola. Hubungan antara-set dari
banyak variabel yang saling terikat (berhubungan) di teliti dan dinyatakan dalam
sedikit faktor yang mendasari (Supranto, 2010).
Pada dasarnya tujuan Analisis Faktor adalah:
1. Data summarization, yakni mengidentifikasi adanya hubungan antar
variabel dengan melakukan uji korelasi.
2. Data reduction, yakni setelah melakukan korelasi, dilakukan proses
membuat sebuah variabel set baru yang dinamakan faktor untuk
menggantikan sejumlah variabel tertentu (Santoso, 2010).
Analisis faktor hampir sama dengan analisis regresi linier berganda, yaitu
bahwa setiap variabel dinyatakan sebagai suatu kombinasi linear dari faktor yang
mendasari (underlying factors). Jumlah (amount) varian yang di sumbangkan
oleh suatu variabel dengan variabel lainya yang tercakup dalam analisis disebut
communality. Konvariasi antara variabel yang diuraikan, dinyatakan dalam suatu
common factors yang sedikit jumlahnya ditambah dengan faktor yang unik untuk
setiap variabel. Jika variabel dibakukan (standardized).
Keterangan:
= Variabel ke- i yang di bakukan (rata-ratanya nol, setandar deviasinya
satu)
= Koefisien regresial yang dibakukan untuk variable i pada komponen
faktor ke- j
= Komponen faktor ke- j
Vi = Koefisien regresi yang dibakukan untuk variabel ke i pada faktor yang
unik ke- i
= Faktor unik variabel ke- i
= Banyaknya variabel
Tujuan dari penelitian ini adalah untuk mengetahui faktor yang dominan
mengenai hasil produksi panen kentang sehingga dapat ditanggulangi oleh petani
untuk meningkatkan hasil produksi kentang kususnya di Kecamatan Naman
Teran.
a. Bagi penulis
Menambah wawasan dan memperkaya literatur dalam bidang statistika
yang berhubungan dengan analisis faktor, serta pengetahuan mengenai
faktor-faktor apa saja yang mempengaruhi hasil produksi kentang.
b. Bagi Departemen/Universitas
Agar dapat dijadikan sebagai bahan studi kasus bagi pembaca, khususnya
kepada mahasiswa, serta dapat memberikan referensi bagi pihak
perpustakaan sebagai bahan bacaan yang dapat menambah ilmu
pengetahuan.
ABSTRAK
ABSTRACT
SKRIPSI
SARTIKA BR PERANGIN
090803003
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2013
ANALISIS FAKTOR YANG MEMPENGARUHI
HASIL PRODUKSI KENTANG
(Studi Kasus: Petani Kentang Kecamatan Naman Teran)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
SARTIKA BR PERANGIN
090803003
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2013
PERSETUJUAN
Kategori : Skripsi
Nama : Sartika Br Perangin
Nomor Induk Mahasiswa : 090803003
Program Studi : Sarjana (S1) Matematika
Departemen : Matematika
Fakultas : Matematika dan Ilmu PengetahuanAlam
Universitas Sumatera Utara
Disetujui di
Medan, Agustus 2013
Komisi Pembimbing :
Pembimbing 2, Pembimbing 1,
Disetujui Oleh
DepartemenMatematika FMIPA USU
Ketua,
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masingdisebutkan sumbernya.
SARTIKA BR PERANGIN
090803003
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Kuasa atas kasihNya
dan setiap pertolonganNya sehingga penulis dapat menyelesaikan skripsi ini
dengan judul Analisis Faktor Yang Mempengaruhi Hasil Produksi Kentang (Studi
Kasus: Petani Kentang Kecamatan Naman Teran).
Terimakasih penulis sampaikan kepada Bapak Drs. Henry Rani Sitepu,
M.Si, Drs. Pengarapen Bangun M.Si, sebagai Dosen Pembimbing yang telah
banyak memberikan arahan, nasehat, motivasi, dan kepercayaan yang diberikan
kepada penulis dalam mengerjakan skripsi ini. Terimakasih kepada Bapak Drs.
Djakaria Sebayang, M.Si (almarhum) dan Bapak Drs. Gim Tarigan, M.Si sebagai
Dosen Pembanding yang banyak memberikan saran dan masukan dalam
penyelesaian skripsi ini. Terimakasih kepada Prof. Dr. Tulus, M.Si. Ph.D dan Ibu
Dr. Mardiningsih, M.Sc selaku Ketua dan Sekretaris Departemen Matematika, Dr.
Sutarman, M.Sc selaku Dekan serta Pembantu Dekan FMIPA USU, seluruh
Dosen dan Staff Administrasi Matematika FMIPA. Teristimewa kedua orang tua
saya Bapak K. Perangin-angin Keliat (almarhum) dan Ibu N. Br Ginting serta
keluarga besar Keliat, atas doa, nasehat, bimbingan, dukungan moril dan materil,
yang menjadi sumber motivasi bagi penulis untuk tetap semangat dalam
perkuliahan dan penulisan skripsi ini. Dan juga teman-teman seperjuangan di
Matematika 2009 serta Instansi Pemerintah dan juga masyarakat di kecamatan
Naman Teran yang telah banyak membantu dalam pengumpulan data. Semoga
skripsi ini bermanfaat bagi pembaca. Damai sejahtera dari Tuhan senantiasa
menyertai kita semua.
Sartika Br Perangin
090803003
ANALISIS FAKTOR YANG MEMPENGARUHI
HASIL PRODUKSI KENTANG
(Studi Kasus: Petani Kentang Kecamatan Naman Teran)
ABSTRAK
ABSTRACT
Halaman
Persetujuan i
Pernyataan ii
Penghargaan iii
Abstrak iv
Abstract v
Daftar Isi vi
Daftar Tabel viii
Daftar Gambar ix
Daftar Lampiran x
BAB 1.Pendahuluan
1.1. Latar Belakang 1
1.2. Perumusan Masalah 4
1.3. Batasan Masalah 4
1.4. Tinjauan Pustaka 4
1.5. Tujuan Penelitian 6
1.6. Manfaat Penelitian 7
1.7. Metodologi Penelitian 7
Daftar Pustaka 57
Lampiran 58
DAFTAR TABEL
Halaman
Tabel 3.1 Daftar Jumlah Petani Kentang Kecamatan Naman Teran 2011 29
Tabel 3.2.Jumlah Sampel setiap Desa 30
Tabel 3.3 Tabel Data Hasil Kuisioner 33
Tabel 3.4 Pensekalaan Variabel 1 34
Tabel 3.5 Pensekalaan Semua Variabel 35
Tabel 3.6 Uji Validitas Variabel Penelitiaan 36
Tabel 3.7 Contoh Perhitungan korelasi Product Moment 36
Tabel 3.8 Uji reliabilitas Variabel Penelitian 38
Tabel 3.9 Perhitungan Korelasi antara variabel X1 dengan X9 39
Tabel 3.10 Kaiser Mayer Olkin (KMO) dan Barlett’s Test 42
Tabel 3.11 Nilai Mansure Of Sampling Adequecy (MSA) 42
Tabel 3.12 Komunalitas 43
Tabel 3.13 Intial Egen Value 44
Tabel 3.14 Matriks Faktor Sebelum Dirotasi 48
Tabel 3.15 Matriks Faktor Setelah Dirotasi 49
Tabel 3.16 Variabel pendukung Faktor Pertama 52
Tabel 3.17 Variabel pendukung Faktor kedua 52
Tabel 3.18 selisih (residual) sesudah analisis dan sebelum analisi 54
DAFTAR GAMBAR
Halaman
Gambar 2.1 Lanngkah Langkah Dalam Analisis faktor 23
Gambar 3.1 Screen plot 47
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Kuisioner 58
Lampiran 2 Hasil koisioner 60
Lampiran 3 Output SPSS 66
Lampiran 4 Hitung manual 74