Faktor yang Mempengaruhi Produksi Kentang

KATA PENGANTAR
Perihal : Permohonan Pengisian Angket

Lampiran : 1 (Satu) Berkas
Judul Skripsi : ANALISIS FAKTOR – FAKTOR YANG
MEMPENGARUHI HASIL PRODUKSI KENTANG
Dengan hormat,
Dalam rangka penulisan skripsi di Universitas Sumatera Utara (USU),
sebagai salah satu syarat mendapatkan gelar Sarjana Sains (S.Si), maka Saya
memohon dengan sangat kepada Bapak/Ibu/Saudara/i penduduk Kabupaten karo
kecamatan Namanteran untuk mengisi angket yang telah disediakan.
Angket ini bukan test psikologi dari manapun, maka dari itu
Bapak/Ibu/Saudara/I tidak perlu takut atau ragu memberikan jawaban yang
sejujurnya. Artinya, semua jawaban yang diberikan Bapak/Ibu/Saudara/i adalah
benar, dan jawaban yang diminta adalah sesuai dengan yang Bapak/Ibu/Saudara/i
rasakan dan ketahui.
Setiap jawaban yang diberikan merupakan bantuan yang tidak ternilai harganya
pada penelitian ini. Atas perhatian, bantuan, dan kerja sama yang baik, Saya
mengucapkan terima kasih.
Hormat Saya
Sartika br perangin- angin

Petunjuk Pengisian Angket
1. Mohon dengan hormat bantuan dan kesediaan Bapak/Ibu/Saudara/i untuk
menjawab seluruh pertanyaan yang ada.
2. Pada kuesioner ini terdapat 9 pernyataan. Pertimbangkan baik-baik setiap
pernyataan yang dapat mempengaruhi hasil produksi panen kentang.
3. Berilah tanda (X) pada kolom Bapak/Ibu/Saudara/i pilih sesuai dengan
yang diketahui dan rasakan. Terima kasih.
4. Ada 5 (lima) alternatif jawaban, yaitu:
Universitas Sumatera Utara

SS = Sangat Setuju
S = Setuju
TT = Tidak Tahu/Netral
TS = Tidak Setuju
STS = Sangat Tidak Setuju
ANGKET/KUESIONER
“ ANALISIS FAKTOR – FAKTOR YANG MEMPENGARUHI
HASIL PRODUKSI KENTANG”
Nama :
Jenis Kelamin : [ ] Laki-laki [ ] Perempuan
Umur.................................tahun
Alamat :
NO Pernyataan SS S TT KS STS
Pengolahaan pupuk kandang pada awal penanaman

1.
akan mempengaruhi kesuburan tanah.
Lahan yang luas akan menghasilkan panen kentang
2. yang tinggi.
Setelah umur kentang 30 hari maka penyemprotan

3. pestisida harus dilakukan 2 hari sekali sampai panen.
Kesuburan tanah bergantung terhadap banyaknya

4. pemberian air.
Jumlah tenaga kerja merupakan kebutuhan pokok

5. untuk mencapai hasil produksi yang maksimal.
Jarak tanam antara satu kentang dengan kentang yang

lain bergantung terhdap besar kecilnya bibit yang kita
6.
gunakan.
Bibit kentang yang berkualitas adalah bibit yang di
7.
impor dari luar
Interval pemberiaan pupuk terhadap tanaman kentang

8.
mempengaruhi tingginya hasil panen.
Besarnya modal mempengaruhi pencapaiaan hasil

9.
produksi kentang yang tinggi
Lampiran 2
A. Data Asli Hasil Koisioner
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
Hasil Output SPSS
Case Processing Summary
N %
Cases Valid 100 100.0

a
Excluded 0 .0
Total 100 100.0
a. Listwise deletion based on all variables in the

procedure.
Reliability Statistics
Cronbach's Alpha
Based on
Cronbach's Alpha Standardized N of Items
Items
.714 .710 9
Item Statistics
Mean Std. Deviation N
VAR00001 2.9853 .84835 100

VAR00002 3.0627 .94112 100
VAR00003 2.7093 .93990 100
VAR00004 3.0628 .94647 100
VAR00005 3.0629 .94466 100
VAR00006 3.1542 .94623 100
VAR00007 2.4582 .98305 100
VAR00008 3.3828 .93165 100
VAR00009 3.3828 .98779 100

Item-Total Statistics
Cronbach's
Scale Mean if Scale Variance Corrected Item- Squared Alpha if Item
Item Deleted if Item Deleted Total Multiple Deleted
Correlation Correlation
VAR00001 24.2757 19.639 .197 .102 .720

VAR00002 24.1984 18.045 .364 .192 .693
VAR00003 24.5517 18.599 .291 .168 .707
VAR00004 24.1983 16.942 .514 .319 .665
VAR00005 24.1982 17.591 .424 .285 .682
VAR00006 24.1068 17.894 .381 .296 .690
VAR00007 24.8029 16.304 .576 .408 .651
VAR00008 23.8782 18.209 .348 .229 .696
VAR00009 23.8783 17.649 .388 .299 .689
Scale Statistics
Mean Variance Std. Deviation N of Items
27.2611 21.842 4.6735 9

0
Communalities
Initial Extraction
VAR00001 1.000 .522

VAR00002 1.000 .286
VAR00003 1.000 .475
VAR00004 1.000 .519
VAR00005 1.000 .721
VAR00006 1.000 .567
VAR00007 1.000 .602
VAR00008 1.000 .806
VAR00009 1.000 .643

KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .721
Bartlett's Test of Sphericity Approx. Chi-Square 150.262
df 36
Sig. .000
Component Transformation Matrix
Compo
nent 1 2 3
1 .784 .522 .337

2 -.618 .713 .331
3 .067 .467 -.881
Component Matrixa
Component
1 2 3
VAR00001 .294 .578 .319

VAR00002 .519 .131 .012
VAR00003 .457 -.515 -.012
VAR00004 .690 -.121 .168
VAR00005 .597 -.132 .589
VAR00006 .569 -.460 -.180
VAR00007 .742 -.086 -.209
VAR00008 .497 .337 -.668
VAR00009 .540 .590 .051
Extraction Method: Principal Component Analysis.

Component Matrixa
Component
1 2 3
VAR00001 .294 .578 .319

VAR00002 .519 .131 .012
VAR00003 .457 -.515 -.012
VAR00004 .690 -.121 .168

VAR00005 .597 -.132 .589
VAR00006 .569 -.460 -.180
VAR00007 .742 -.086 -.209

VAR00008 .497 .337 -.668
VAR00009 .540 .590 .051
a. 3 components extracted.
Rotated Component Matrixa
Component
1 2 3
VAR00001 -.105 .714 .009

VAR00002 .327 .370 .207
VAR00003 .676 -.134 -.006
VAR00004 .627 .352 .044
VAR00005 .589 .493 -.362
VAR00006 .718 -.116 .198
VAR00007 .621 .228 .406
VAR00008 .136 .188 .868
VAR00009 .062 .727 .333

Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 6 iterations.

Scree Plot
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 %
1 2.810 31.220 31.220 2.810 31.220 31.220 2.237 24.855 24.855

2 1.329 14.770 45.990 1.329 14.770 45.990 1.662 18.462 43.317
3 1.003 11.142 57.132 1.003 11.142 57.132 1.243 13.815 57.132
4 .944 10.489 67.621

5 .781 8.676 76.297
6 .687 7.635 83.932
7 .556 6.180 90.111

8 .496 5.509 95.620
9 .394 4.380 100.000

Inter-Item Correlation Matrix
VAR00001 VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009
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
VAR00001 VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009
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
Anti-image Correlation VAR0000 .713a -.02 . . -.13 . -.03 -.08 -.177

9 024 043 4 072 3 9
1 -.029 -.149
. -.07 -.27 -.01 -.07 . -.12
VAR0000 .024 742a 3 6 5 0 091 1 .144
2 -.07 . -.14 -.07 -.09 -.16 -.00

3 779a 9 8 9 7 6
VAR00003
VAR0000 .043 -.27 -.14 . -.24 -.01 -.16 -.05 -.058

6 9 783a 0 5 8 8
4 -.134 -.192
-.01 -.07 -.24 . -.21 -.09 .
VAR0000 .072 5 8 0 707a 5 2 218 .194
5 -.07 -.09 -.01 -.21 . -.34 -.11

0 9 5 5 685a 9 3
VAR0000
VAR0000 -.033 . -.16 -.16 -.09 -.34 . -.20 -.250

091 7 8 2 9 736a 7
7 -.089 -.216
-.12 -.00 -.05 . -.11 -.20 .
VAR0000 -.177 1 6 8 218 3 7 690a .657a
8 -.14 . -.05 -.19 . -.25 -.21

9 144 8 2 194 0 6
VAR00009
a. Measures of Sampling Adequacy(MSA)

LAMPIRAN 4
A. PERHITUNGAN ANALISIS FAKTOR MENGGUNAKAN MATRIKS
MATRIKS KORELASI SEDERHANA ( )
1 2 3 4 5 6 7 8 9
1 1 0,102 -0,005 0,077 0,174 -0,005 0,135 0,154 0,278
2 0,102 1 0,162 0,375 0,184 0,159 0,172 0,225 0,253
3 -0,005 0,162 1 0,288 0,214 0,276 0,295 0,094 -0,007
4 0,077 0,375 0,288 1 0,383 0,261 0,381 0,205 0,253
= 5 0,174 0,184 0,214 0,383 1 0,314 0,328 0,01 0,268
6 -0,005 0,159 0,276 0,261 0,314 1 0,456 0,198 0,031
7 0,135 0,172 0,295 0,381 0,328 0,456 1 0,351 0,347
8 0,154 0,225 0,094 0,205 0,01 0,198 0,351 1 0,32
9 0,278 0,253 -0,007 0,253 0,268 0,031 0,347 0,32 1

Dengan bantuan software MATLAB (Matrix Laboratory), didapat nilai karakteristik (eigen value) dan vektor karakteristik (eigen vector) dari
matrik korelasi sederhana ( ).
MATRIKS EIGEN VALUE (L)
1 2 3 4 5 6 7 8 9
1 2,8095 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,0000 1,3296 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,0000 0,0000 1,0023 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,0000 0,0000 0,0000 0,9447 0,0000 0,0000 0,0000 0,0000 0,0000
= 5 0,0000 0,0000 0,0000 0,0000 0,7808 0,0000 0,0000 0,0000 0,0000
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,6870 0,0000 0,0000 0,0000
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,5563 0,0000 0,0000
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,4960 0,0000
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,3938

MATRIKS EIGEN VEKTOR (V )
1 2 3 4 5 6 7 8 9
1 -0,0340 -0,1322 -0,1696 0,3201 0,5965 0,3327 0,3197 0,5006 0,01753
2 0,2317 -0,0978 -0,3443 0,4299 0,0702 -0,7211 0,0100 0,1125 0,3096
3 -0,1222 0,1002 -0,2702 0,4296 0,6621 -0,0682 -0.0122 -0,4470 0,2729
4 0,2535 -0,1700 0,7341 0,1608 -0,0998 -0,3521 0,1668 -0,1056 0,4113
= 5 0,2711 0,5836 -0,0732 0,0106 -0,2573 0,1675 0,5883 -0,1146 0,3562
6 -0,4835 -0,0639 -0,1336 0,5607 -0,1501 0,3175 -0,1797 -0,3992 0,3390
7 0,5915 -0,5016 -0,0166 -0,1613 -0,1285 0,3330 -0,2078 -0,0741 0,4429
8 0,0762 0,5698 0,2088 0,0049 0,0815 0,0220 0,6674 0,2925 0,2962
9 -0,3226 -0,1141 -0,4022 -0,4022 -0,2810 0,0217 0,0517 0,0513 0,3226
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 1,6761 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,0000 1,1531 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,0000 0,0000 1,0011 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,0000 0,0000 0,0000 0,9720 0,0000 0,0000 0,0000 0,0000 0,0000
√ = 5 0,0000 0,0000 0,0000 0,0000 0,8836 0,0000 0,0000 0,0000 0,0000
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,8299 0,0000 0,0000 0,0000
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,7458 0,0000 0,0000
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,7043 0,0000
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,66275

MATRIKS LOADING FACTOR ( )
1 2 3 4 5 6 7 8 9
1 0,2939 0,5773 0,3201 0,3234 0,5271 0,2653 0,1265 -0,0931 -0,0213
2 0,5189 0,1297 0,0101 -0,7008 -0,0620 0,3563 -0,2568 -0,688 0,1454
3 0,4574 -0,5155 -0,0123 -0,0663 0,5851 -0,3561 -0,2015 0,0706 -0,0767
4 0,6894 0,1218 0,1670 -0,3442 -0,0882 -0,1333 0,5475 -0,1197 -0,1591
= 5 0,5970 -0,1322 0,5890 0,1628 -0,2274 0,0088 -0,0546 0,4110 0,1701
6 0,5683 -0,4603 -0,1799 0,3086 0,1326 0,4648 -0,0997 0,2969 -0,3034
7 0,7424 -0,0855 -0,2080 0,3237 -0,1135 -0,1337 -0,0124 -0,0450 0,7424
8 0,4965 0,3376 -0,6682 0,0214 0,0720 0,0041 0,1557 -0,3533 0,4965
9 0,5407 0,5905 0,0518 0,0210 -0,2483 -0,3334 -03109 0,4013 0,5407
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 0,7840 0,5220 0,3370
= 2 -0,6180 0,7130 0,3310
3 0,670 0,4670 -0,8810
0,2939 0,5773 0,3201 -0,105 0,714 0,009
0,5189 0,1297 0,0101 0,327 0,370 0,207
0,4574 -0,5155 -0,0123 0,676 -0,134 -0,006
0,6894 0,1218 0,1670 0,627 0,352 0,044
0,5970 -0,1322 0,5890 0,7840 0,5220 0,3370 0,587 0,493 -0,362
0,5683 -0,4603 -0,1799 -0,6180 0,7130 0,3310 0,718 -0,116 0,198
= 0,7424 -0,0855 -0,2080 0,670 0,4670 -0,8810 0,621 0,228 0,406
0,4965 0,3376 -0,6682 0,136 0,118 0,868
0,5407 0,5905 0,0518 0,623 0,727 0.333

B. PERHITUNGAN DAN
Untuk menghitung dan , maka diperlukan matriks korelasi sederhana dan matriks korelasi parsial yang semua entrinya telah
dikuadratkan. Berikut ini akan disajikan matriks korelasi sederhana dan matriks korelasi parsial yang semua entrinya telah dikuadratkan
MATRIKS KORELASI PARSIAL
1 2 3 4 5 6 7 8 9
1 -0,029 -0,024 0,043 -0,134 0,072 -0,033 -0,089 -0,177
2 -0,029 -0,073 -0,276 -0,015 -0,070 0,091 -0,121 -0,149
3 -0,024 -0,073 -0.149 -0,078 -0,099 -0,167 -0,006 0,144
4 0,043 -0,276 -0.149 -0,240 -0,015 -0,168 -0,058 -0,058
[] 5 -0,134 -0,015 -0,078 -0,240 0,215 -0,092 -0,218 -0,192
6 0,072 -0,070 -0,099 -0,015 -0,215 -0,349 -0,113 -0,194
7 -0,033 0,091 -0,167 -0,168 -0,092 -0,349 -0,207 -0,250
8 -0,089 -0,121 -0,006 -0,058 -0,218 -0,113 -0,207 -0,216
9 -0,177 -0,149 0,144 -0,058 -0,192 -0,194 -0,250 -0,216

KUADRAT MATRIKS KORELASI PARSIAL
1 2 3 4 5 6 7 8 9 Jumlah
1 0,000841 0,000576 0,001849 0,017956 0,005184 0,001089 0,007921 0,031329 0,066745
2 0,000841 0 0,005329 0,076176 0,000225 0,0049 0,008281 0,014641 0,022201 0,131753
3 0,000576 0,005329 0 0,022201 0,006084 0,009801 0,027889 0,000036 0,020736 0,092076
4 0,001849 0,076176 0,022201 0 0,0576 0,000225 0,028224 0,003364 0,003364 0,191154
[] 5 0,017956 0,000225 0,006084 0,0576 0 0,046225 0,008464 0,047524 0,036864 0,202986
6 0,005184 0,0049 0,009801 0,000225 0,046225 0 0,121801 0,012769 0,037636 0,233357
7 0,001089 0,008281 0,027889 0,028224 0,008464 0,121801 0 0,042849 0,0625 0,300008
8 0,007921 0,014641 0,000036 0,003364 0,047524 0,012769 0,042849 0 0,046656 0,167839
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
1 0,010404 0,000025 0,005929 0,030276 0,000025 0,018225 0,023716 0,077284 0,165884
2 0,010404 0,026244 0,140625 0,033856 0,025281 0,029584 0,050625 0,064009 0,380628
3 0,000025 0,026244 0,082944 0,045796 0,076176 0,087025 0,008836 0,000049 0,327095
4 0,005929 0,140625 0,082944 0,146689 0,068121 0,145161 0,042025 0,064009 0,695503
[] 5 0,030276 0,033856 0,045796 0,146689 0,098596 0,107584 0,0001 0,071824 0,534721
6 0,000025 0,025281 0,076176 0,068121 0,098596 0,207936 0,039204 0,000961 0,5163
7 0,018225 0,029584 0,087025 0,145161 0,107584 0,207936 0,123201 0,120409 0,839125
8 0,023716 0,050625 0,008836 0,042025 0,0001 0,039204 0,123201 0,1024 0,390107
9 0,077284 0,064009 0,000049 0,064009 0,071824 0,000961 0,120409 0,1024 0,500945
Jumlah 4,350308
∑ ∑
∑ ∑ ∑ ∑
∑
∑ ∑

C. UJI BARTLETT DENGAN PENDEKATAN STATISTIK CHI
SQUARE
Untuk menguji apakah matriks korelasi sederhana bukan merupakan

suatu matriks identitas, maka digunakan uji Bartlett dengan pendekatan
statistik chi square. Berikut ini diuraikan langkah-langkah
pengujiannya.
1. Hipotesis
: Matriks korelasi sederhana merupakan matriks identitas
: Matriks korelasi sederhana bukan merupakan matriks identitas
2. Statistik uji
()
[( ) ]||
3. .
;()()
( )( )
4. Kriteria pengujian : tolak jika

( )( )
5. Perhitungan
()
(())
[( ) ]()
[ ]( )
( )
6. Kesimpulan :
, maka tolak .
( )( )
Dengan kata lain, matriks korelasi sederhana bukan merupakan
matriks identitas.
D.PERHITUNGAN KOMUNALITAS
X1 -0,105 0,714 0,009 0,011025 0,509796 0,000081 0,520902
X2 0,327 0,370 0,207 0,106929 0,13690 0,042849 0,286678
X3 0,676 -0,134 -0,006 0,456976 0,017956 0,000036 0,474968
X4 0,627 0,352 0,044 0,393129 0,123904 0,001936 0,518969
X5 0,589 0,493 -0,362 0,346921 0,243049 0,131044 0,721014
X6 0,718 -0,116 0,198 0,515524 0,013456 0,039204 0,568184
X7 0,621 0,228 0,406 0,385641 0,051984 0,164836 0,602461
X8 0,136 0,188 0,868 0,018496 0,035344 0,753424 0,807264
X9 0,062 0,727 0,333 0,003844 0,528529 0,110889 0,643262

DAFTAR PUSTAKA
Anton Howard . 1988. Penerapan Aljabar Linear. Penerjemah Silaban. P .Penerbit

Erlangga.
Badan Pusat Statistik Karo. 2011. Kabupaten Karo dalam Angka 2011, penerbit
BPS Kabupaten Karo .
Ghozali, Imam. 2005. Aplikasi Analisis Multivariat dengan Program SPSS.

Universitas Diponegoro, Semarang.
Idawati Nurul. 2012. Pedoman Lengkap Bertanam Kentang. Yogyakarta: Pustaka

Baru Press.
Lubis, Ade Fatma et al 2007. Aplikasi SPSS (Statistical Product and Service
Solutions) untuk penyusunan skripsi & tesis, USU Press, Medan.
Maman dan Sambas. 2011. Dasar-dasar Metode Statistika Untuk Penelitiaan

Bandung: CV Pustaka Setia
Riduwan. 2009. Skala Pengukuran Variabel-variabel Penelitian. Alfabeta,

Bandung.
Santoso, Singgih. 2010. Statistik Multivariat. PT. Gramedia, Jakarta.
Setiadi dan surya fitri nurulhuda.2007. Kentang Varieta dan Pembudidayaan.
Jakarta: Penebar swadaya
Soelarso Bambang 1997. Budi Daya Kentng Bebas Penyakit: Penerbit Kanisius,
Yogyakarta.
Singarimbun, Masri dan Sofian effendi. 1987. Metode Penelitian Survai. LP3ES,
Jakarta.
Sugiarto. 2001. Teknik Sampling. PT. Gramedia Pustaka Utama.

Supranto, J. (2004). Analisis Multivariat Arti dan Interpretasi. PT. Rineka Cipta,
Jakarta.
Tony Hartus. 2001. Usaha Pembibitan Kentang Bebas Varietas. Bogor: PT

Penebar Swadaya
BAB 3
PEMBAHASAN DAN HASIL
3.1 Populasi, Sampel dan Teknik Pengambilan Sampel
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
No Desa Jumlah Petani

(jiwa)
1 Kuta Gunung 1022
2 Sigarang – garang 1200
3 Berkah 185
4 Simacem 257
5 Sukanalu 635
6 Kuta tonggal 224
7 Sukandebi 515
8 Naman 500
9 Sukatepu 388
10 Ndeskati 222
11 Kuta mbelin 553
12 Gung pinto 300
13 Kebayaken 210
14 Kuta Rayat 1413
Jumlah 7624
Sumber: Kecamatan Naman Teran dalam angka 2012
Jumlah sampel dalam penelitiaan ini adalah sebanyak 100 responden. Dan
teknik pengambilan sampel yang digunakaan dalam penelitiaan ini adalah teknik
sampling convenience Sampling (sampling kemudahan), sampling diambil
berdasarkan ketersediaan elemen dan kemudahan untuk mendapatkanya. Dengan
kata lain sampel yang terpilih atau yang diambil karena sampel tersebut ada pada
tempat dan waktu yang tepa (Sugiarto,2001). Pengambilan sampel dalam
penelitian ini menggunakan metode Proportionate Stratified Random Sampling,
maka jumlah sampel yang harus diambil berdasarkan jumlah populasi diatas
adalah Berdasarkan perhitungan proporsi diproleh jumlah sampel pada setiap desa
di kecamatan Naman Teran.
Tabel 3.2 Jumlah Sampel Setiap Desa
No Desa Jumlah Petani Jumlah sampel

(jiwa)
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
3.2 Variabel Penelitiaan
Variable yang digunakaan dalam penelitiaan ini adalah:
= Pupuk kandang
= Luas lahan
= Pestisida
= Kesuburan lahan
= Tenaga kerja
= Jarak tanam antara kentang
= 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.
Sekala yang digunakan adalah sekala telah dimodifikasi dalam bentuk

pernyataan diberi range skor anatara 1 sampai dengan 5, masing - masing adalah:
1 = Sangat tidak setuju
2 = Tidak setuju
3 = Tidak tahu/Netral
4 = Setuju
5 = Sangat setuju
3.4 Pengolahan Data
3.4.1 Input Data Mentah
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.
3.4.2 Penskalaan Data Ordinal Menjadi Data Interval
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
2,000 6,000 0,060 0,060 -1,555 0,119 1,000
3,000 4,000 0,040 0,100 -1,282 0,175 1,576
1 4,000 30,000 0,300 0,400 -0,253 0,386 2,283
5,000 60,000 0,600 1,000 0,000 1,000
Jumlah 100
Langkah-langkah Methods Successive Interval :
1. Menghitung frekuensi skor jawaban dalam skala ordinal.

2. Menghitung proporsi dan proporsi kumulatif untuk masing-masing
skor jawaban.
3. Menentukan nilai Z untuk setiap kategori, dengan asumsi bahwa proporsi
kumulatif dianggap mengikuti distribusi normal baku. Nilai Z diperoleh
dari Tabel Distribusi Normal Baku.
4. Menghitung nilai densitas dari nilai Z yang diperoleh dengan cara
memasukkan nilai Z tersebut ke dalam fungsi densitas normal baku
sebagai berikut:
( )
√
( )
( )
√
5. Menghitung Scale Value (SV) dengan rumus :

6. Menentukan Scale Value min sehingga | |
Scale Value terkecil =
||
||
7. Mentransformasikan nilai skala dengan menggunakan rumus :

||
Selanjutnya dengan melakukan cara yang sama, maka semua variabel akan
ditransformasikan ke dalam data interval.
Tabel 3.5 Penskalaan Variabel 1
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
3.4.3 Uji Validitas
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
Tabel 3.6 Uji Validitas Variable Penelitian

No. Variabel r hitung r tabel Kesimpulan
1 X1 = Pupuk Kandang 0,197 0,195 Valid
2 X2 = Luas Lahan 0,364 0,195 Valid
3 X3 = Pestisida 0,291 0,195 Valid
4 X4 = Kesuburan Tanah 0,514 0,195 Valid
5 X5 = Tenaga Kerja 0,424 0,195 Valid
6 X6 = Jarak Tanaman antar Kentang 0,381 0,195 Valid
7 X7 = Bibit 0,576 0,195 Valid
8 X8 = Pupuk 0,348 0,195 Valid
9 X9 = Modal 0,388 0,195 Valid
Secara manual perhitungan korelasi product moment antara variabel X9 dengan

skor total variabel lainnya (Y) dapat dilihat pada tabel berikut:
3.7 Contoh Perhitungan Korelasi Product Moment
No
X Y XY X2 Y2
Responden
1 2,518 23,50131 59,1763 6.34032400 552.3117
2 2,518 20,74018 52,2317 6.34225307 430.155
3 3,789 21,84884 82,7926 14.35909101 477.3718
4 1,000 18,81489 18,8148 1.00000000 354,000
5 3,789 18,81489 71,2959 14.35909101 354,000
6 2,518 25,43103 64,0450 6.34225307 646.7371
7 4,784 25,99452 124,3553 22.88574785 675.715
8 2,518 25,37673 63,9083 6.34225307 643.9785
9 4,784 19,63726 93,9427 22.88574785 385.622
10 4,784 16,28807 77,9206 22.88574785 265.3014
11 2,518 18,28527 46,0493 6.34225307 334.351
12 2,518 18,69854 47,0901 6.34225307 349.6352
13 4,784 21,77678 104,1780 22.88574785 474.2279
. . . . . .
. . . . . .
. . . . . .
100 4,784 16,64635 79,63457 22.88574785 277.1011

JUMLAH 338,304 2387,866 8237,443 1241.071022 58766.2
√{ ∑ (∑ ) }{ ∑ (∑ ) }
( ) (( )( ))
√{ ( ) ( ) }{ ( ) ( ) }
√( )( )
√( )( )
√
3.4.4 Uji Reliabilitas
Uji Reliabilitas menunjukkan sejauh mana hasil suatu pengukuran dapat

dipercaya. Metode yang digunakan untuk menguji reliabilitas adalah metode
Alpha Cronbach. Variabel dikatakan reliabel jika memberikan nilai Alpha
Cronbach > 0,6 (Ghozali, 2005). Hasil uji reliabilitas terhadap variabel-variabel
penelitian menunjukkan bahwa data mempunyai tingkat reliabilitas yang tinggi
karena nilai Alpha Cronbach untuk ke 9 variabel > 0,6. Dengan demikian, data
dapat memberikan hasil pengukuran yang konsisten (reliabel).
Tabel 3.8 Uji Reliabilitas Variabel Penelitian

No Variabel Alpha Kesimpulan
Cronbach
1 X1 = Pupuk Kandang 0,720 Reliabel
2 X2 = Luas lahan 0,693 Reliabel
3 X3 = Pestisida 0,707 Reliabel
4 X4 = Kesuburan Tanah 0,665 Reliabel
5 X5 = Tenaga Kerja 0,682 Reliabel
6 X6 = Jarak tanaman antar kentang 0,690 Reliabel
7 X7 = Bibit 0,651 Reliabel
8 X8 = Pupuk 0,696 Reliabel
9 X9 = Modal 0,689 Reliabel
3.5 Analisis Data
Metode analisis data yang digunakan adalah teknik analisis faktor dengan
pendekatan komponen utama. Langkah-langkah dalam analisis faktor adalah
sebagai berikut :
3.5.1 Membentuk Matriks Korelasi
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.
Perhitungan nilai korelasi masing-masing variabel diperoleh dengan memakai

rumus korelasi product moment :
√{ ∑ (∑ ) }{ ∑ (∑ ) }
Contoh perhitungan korelasi antara variabel X1 dengan X9. Misalkan X1 adalah X

dan X9 adalah Y.
3.9 Perhitungan Korelasi Antara Variabel X1 Dengan X9

No
X Y XY X2 Y2
Responden
1 3,629 2,518 9,139935 13,1717239520275 6,3422530729171
2 2,283 2,518 5,748382 5,2101200893299 6,3422530729171
3 2,283 3,789 8,649427 5,2101200893299 14,3590910131709
4 3,629 1,000 3,629287 13,1717239520275 1,0000000000000
5 3,629 3,789 13,7526 13,1717239520275 14,3590910131709
6 2,283 2,518 5,748382 5,2101200893299 6,3422530729171
7 3,629 4,784 17,36216 13,1717239520275 22,8857478450558
8 2,283 2,518 5,748382 5,2101200893299 6,3422530729171
9 3,629 4,784 17,36216 13,1717239520275 22,8857478450558
10 3,629 4,784 17,36216 13,1717239520275 22,8857478450558
11 3,629 2,518 9,139935 13,1717239520275 6,3422530729171
12 3,629 2,518 9,139935 13,1717239520275 6,3422530729171
13 2,283 4,784 10,91959 5,2101200893299 22,8857478450558
. . . . . .
. . . . . .
. . . . . .
100 2,283 4,784 10,91959 5,2101200893299 22,8857478450558
298,538 338,304 1.033,007 962,542 1.241,073
(∑ ) (∑ ∑ )
√{ ∑ (∑ ) }{ ∑ (∑ ) }
( ) (( )( ))
√{ ( ) ( ) }{ ( ) ( ) }
√( )( )
√( )( )
√
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.
Tabel 3.10 Kaiser-Meyer-Olkin (KMO) dan Barlett’s Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. 0,721

Bartlett's Test of Sphericity Approx. Chi-Square 150,262
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
Tabel 3.11 Nilai Measure of Sampling Adequecy (MSA)

No Variabel Nilai MSA
1 X1 = Pupuk kandang 0.713
2 X2 = Luas lahan 0,742
3 X3 = Pestisida 0,779
4 X4 = Kesuburan tanah 0,783
5 X5 = Tenaga Kerja 0.707
6 X6 = Jarak tanam anatar kentang 0,685
7 X7 = Bibit 0,736
8 X8 = Pupuk 0,690
9 X9 = modal 0,657
Dengan melihat anti image correlation diketahui ke 9 variabel

menunjukkan kriteria angka MSA lebih besar dari 0,5, yang berarti semua
variabel masih bisa diprediksi untuk dianalisa lebih lanjut. Dari kedua hasil
pengujian di atas, semua variabel mempunyai korelasi yang cukup tinggi dengan
variabel lain, sehingga analisis layak untuk dilanjutkan dengan mengikutkan 9
variabel. Perhitungan secara manual dapat dilihat pada lampiran 4.
3.5.2 Ekstraksi Faktor

Dalam penelitian ini metode ekstraksi yang digunakan adalah Principal
Component Analysis (Analisis Komponen Utama). Di dalam Principal
Component Analysis jumlah varians data dipertimbangkan yaitu diagonal matriks
korelasi, setiap elemennya sebesar satu dan full variance dipergunakan untuk
dasar pembentukan faktor, yaitu variabel-variabel lama, yang jumlahnya lebih
sedikit dan tidak berkorelasi lagi satu sama lain, seperti variabel-variabel asli yang
memang saling berkorelasi.
Tabel 3.12 Komunalitas
No Variabel Initial Extraction
1 X1 = Pupuk Kandang 1,000 0.522

2 X2 = Luas lahan 1,000 0,286
3 X3 = Pestisida 1,000 0,475
4 X4 = Kesuburan Tanah 1,000 0,519
5 X5 = Tenaga Kerja 1,000 0,721
6 X6 = Jarak tanaman antar kentang 1,000 0,567
7 X7 = Bibit 1,000 0,602
8 X8 = Pupuk 1,000 0.806
9 X9 = Modal 1,000 0,643
Tabel 3.13 Initial Eigenvalue
Faktor atau Initial Eigenvalues

komponen Total % of Variance Cumulative%
1 2,810 31,220 31,220
2 1,329 14,770 45,990
3 1.003 11,142 57,132
4 0,944 10,489 67,621
5 0,781 8,676 76,297
6 0,687 7,635 83,932
7 0,556 6,180 90,111
8 0,496 5,509 95,620
9 0,394 4,380 100,00
Sumbangan Masing-Masing Faktor Terhadap Varians Seluruh Variabel

Asli
Faktor atau Extraction Sums of Squared Loadings
Komponen Total % of Variance Cumulative %
1 2,810 31,220 31,220
2 1,329 14,770 45,990
1,003
3 11,142 57,135
Komunalitas pada dasarnya adalah jumlah varians (bisa dalam persentase)

dari suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang terbentuk.
a. Untuk variabel pupuk kandang, nilai komunalitasnya adalah 0.522 atau sekitar
52,2% varians dari variabel pupuk kandang bisa dijelaskan oleh faktor yang
terbentuk.
b. Untuk variabel luas lahan, nilai komunalitasnya adalah 0,286 atau sekitar
28,6% varians dari variabel luas lahan bisa dijelaskan oleh faktor yang
terbentuk.
c. Untuk variabel pestisida, nilai komunalitasnya adalah 0,475 atau sekitar 47,5%
varians dari variabel pestisida bisa dijelaskan oleh faktor yang terbentuk.
d. Untuk variabel kesuburan tanah, nilai komunalitasnya adalah 0,519 atau sekitar
51,9% varians dari kesuburan tanah bisa dijelaskan oleh faktor yang terbentuk.
e. Untuk tenaga kerja, nilai komunalitasnya adalah 0,721 atau sekitar 72,1%
varians dari variabel tenaga kerja bisa dijelaskan oleh faktor yang terbentuk.
f. Untuk variabel jarak tanaman antara kentang, nilai komunalitasnya adalah
0,567 atau sekitar 56,7% varians dari variabel jarak tanaman antara kentang
bisa dijelaskan oleh faktor yang terbentuk.
g. Untuk variabel bibit, nilai komunalitasnya adalah 0,602 atau sekitar 60,2%
varians bibit bisa dijelaskan oleh faktor yang terbentuk.
h. Untuk variabel pupuk, nilai komunalitasnya adalah 0,806 atau sekitar 80,6%
varians dari variabel pupuk bisa dijelaskan oleh faktor yang terbentuk.
i. Untuk variabel modal, nilai komunalitasnya adalah 0,643 atau sekitar 64,3%
varians dari variabel modal bisa dijelaskan oleh faktor yang terbentuk.
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.
Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya

faktor, antara lain adalah sebgai berikut :
1. Dilihat dari Initial Eigen Value Total
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.
Berdasarkan tabel 3.13 dapat diketahui bahwa besarnya sumbangan yang

diberikan dari masing-masing faktor terhadap varians seluruh variabel asli. Faktor
1 memberikan sumbangan varians sebesar 31,22 %, faktor 2 sebesar 14,770%,
dan yang terakhir faktor 3 sebesar 11,142 %. Sehingga total sumbangan varians
dari ketiga faktor tersebut adalah sebesar 57,132%.
2. Menentukan Banyaknya Faktor dengan Scree Plot
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.
Gambar 3.1 Scree Plot

3.5.4 Melakukan Rotasi Faktor
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 :
Tabel 3.14 Matriks Faktor (a) (Sebelum Dirotasi)

Faktor (Komponen)
1 2 3
X1 0,294 0,578 0,319
X2 0,519 0,131 0,012
X3 0,457 -0,515 -0,012
X4 0,690 -0,121 0,168
X5 0,597 -0,132 0,589
X6 0,569 -0,460 -0,180
X7 0,742 -0,086 -0,209
X8 0,497 0,337 -0,668
X9 0,540 0,590 0,051
Walaupun matriks faktor atau matriks komponen awal sebelum dirotasi

menunjukkan hubungan antara faktor (komponen) dengan variabel secara
individu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor
yang dapat diekstraksi. Hal ini disebabkan karena faktor (komponen) berkorelasi
dengan banyak variabel lainnya atau sebaliknya variabel tertentu masih
berkorelasi dengan banyak fakor. Sehingga dalam keadaan ini terkadang membuat
peneliti kesulitan dalam penentuan suatu variabel kedalam suatu faktor. Korelasi
dianggap cukup kuat jika koefisien korelasi yang diwaliki factor loading
mempunyai nilai lebih besar dari 0,30. Juga variabel berkorelasi dengan banyak
faktor, seperti variabel X1 berkorelasi dengan faktor 2 dan 3 variabel X8
berkorelasi dengan faktor 1 dan 2 variabel X9 berkorelasi dengan faktor 1 dan 2.
Situasi seperti ini membuat kesimpulan mengenai banyaknya faktor yang
diekstraksi dari variabel menjadi sulit.
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 :
Tabel 3.15 Matriks Faktor (a) (Setelah Dirotasi)

Faktor (Komponen)
1 2 3
X1 -0,105 0,714 0,009
X2 0,327 0,370 0,207
X3 0,676 -0,134 -0,006
X4 0,627 0,352 0,044
X5 0,589 0,493 -0,362
X6 0,718 -0,116 0,198
X7 0,621 0,228 0,406
X8 0,136 0,118 0,868
X9 0,062 0,727 0,333
Tujuan dilakukan rotasi adalah untuk memperlihatkan distribusi variabel yang

lebih jelas dan nyata. Dapat dilihat perbedaan antara matriks faktor sebelum
dirotasi dengan matriks faktor setelah dirotasi.
3.5.5 Interpretasi Faktor
Setelah rotasi dilakukan langkah selanjutnya adalah interpretasi faktor.

Interpretasi faktor dipermudah dengan mengidentifikasi variabel yang loadingnya
besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterpretasi
menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut.
Atau penentuan variabel yang dimasukkan ke dalam faktor dengan cara melihat
factor loading yang terbesar.
a. Variabel pupuk kandang : Korelasi antara variabel dengan faktor 2 sebelum

dirotasi adalah 0,578; dengan rotasi korelasi menjadi 0,714 dengan faktor 2.
Jadi variabel ini masuk faktor 2.
b. Variabel luas lahan : Korelasi antara variabel luas lahan dengan faktor 1
sebelum dirotasi adalah 0,519; dengan rotasi korelasi menjadi 0,370 dengan
faktor 2. Jadi variabel ini masuk faktor 2.
c. Variabel pestisida : Korelasi antara variabel pestisida dengan faktor 1
d. Variabel kesuburan tanah: Korelasi antara variabel kesuburan tanah dengan
faktor 1 sebelum dirotasi adalah 0,690; dengan rotasi korelasi menjadi
0,627dengan faktor 1. Jadi variabel ini masuk faktor 1.
e. Variabel tenaga kerja : Korelasi antara variabel tenaga kerja dengan faktor 1
f. Variabel jarak tanam antar kentang: Korelasi antara variabel jarak tanam
antara kentang dengan faktor 1 sebelum dirotasi adalah 0,569; dengan
rotasi korelasi menjadi 0,718 dengan faktor 1. Jadi variabel ini masuk faktor
1.
g. Variabel bibit: Korelasi antara variabel bibit dengan faktor 1 sebelum
h. Variabel pupuk: Korelasi antara variabel pupuk dengan faktor 1 sebelum
i. Variabel modal: Korelasi antara variabel modal dengan faktor 2 sebelum
Dengan demikian ke 9 variabel telah direduksi menjadi tiga faktor yang

dapat mempengaruhi hasil produksi kentang di kecamatan Naman Teran yaitu:
1. Faktor 1 (F1) terdiri atas variabel X3 = pestisida, variable X4 = kesuburan tanah,
variable X5 = tenaga kerja, variabel X6 = jarak tanam antar kentang, variabel X7
= bibit. Sehingga faktor ini diberi nama:
FAKTOR CARA PEMELIHARAAN KENTANG.
2. Faktor 2 (F2) terdiri atas variabel X1 = Pupuk kandang, Variabel X2 = luas
lahan, Variabel X9= modal. Faktor ini diberi nama :
FAKTOR MODAL DAN LUAS LAHAN.
3. Faktor 3 (F3) terdiri atas variabel X8 = Pemupukan Faktor ini diberi nama
FAKTOR PEMUPUKAN.
Interpretasi dipercepat melalui variabel-variabel yang memiliki loading

lebih besar pada faktor yang sama yang kemudian dapat diinterpretasikan dalam
batasan variabel-variabel yang loadingnya tinggi. Variabel-variabel yang
berkorelasi kuat (nilai faktor loadingnya besar) dengan faktor tertentu akan
memberikan inspirasi nama faktor bersangkutan.
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
No Variabel Nama Variabel Bobot

Pendukung Variabel
1 Jarak tanam antar kentang 0,718
2 Pestisida 0,676
3 Kesuburan tanah 0,627
4 Bibit 0,621
5 Tenaga kerja 0,589
Dari tabel 3.16 diatas, faktor pertama didukung oleh variabel-variabel

jarak tanam antar kentang, pestisida, kesuburan tanah, bibit dan banyaknya tenaga
kerja. Dari data tersebut bahwa X6 = jarak antara tanaman kentanglah yang
mempunyai factor loading terbesar yaitu 0,718. Hal ini menunjukan bahwa
variable ini berpengaruh paling kuat terhadap hasil produksi kentang di tempat
penelitiaan. Faktor pertama yaitu Faktor Cara dan Pemeliharaan kentang
menyumbangkan varians yaitu sebesar 31,220 %. Dari hasil factor loading yang
paling dominan untuk menghasilkan hasil produksi yang tinggi tergantung pada
saat ingin menanam kentang bahwa jarak tanam itu sangat besar pengaruhnya
terhadap panen penghasilanya kentang.
Faktor Kedua
Tabel 3.17 Variabel yang Mendukung Faktor Kedua
No Variabel Nama Variabel Bobot

Pendukung Variabel
1 Modal 0,727
2 Pupuk Kandang 0,714
3 Luas lahan 0,370
Dari tabel dapat dilihat bahwa bobot variable yang paling tinggi adalah variable
X9 = Modal sehingga dari beberapa varibel yang berada di faktor 2 maka varibel
X9 = Modal yang dominan dimana factor loading sebesar 0,727 . Faktor ke dua
merupakan faktor Modal dan luas lahan yang memberikan pengaruh yang cukup
besar untuk hasil produksi kentang yaitu memberi sumbangan varian sebesar
14,77 %. Perlu diperhatikan bahwa ketika ingin melakukan penanaman kentang
pasti membutuhkan modal, jadi dari hasil penelitiaan yang dilakukan bahwa
ketika semakin besar modal yang akan di gunakan maka hasil produksi juga akan
meningkat.
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 %.
Dari ketiga Faktor yang dominan tersebut memberikan proporsi

keragaman kumulatif sebesar 57,132% artinya ketiga faktor tersebut menurut
asumsi petani kentang yang berada di kecamatan Naman Teran dengan responden
oleh peneliti, bahwa yang dapat mempengaruhi hasil produksi kentang adalah
sebesar 57,132% dan sisanya dapat dipengaruhi faktor-faktor lainya yang tidak
teridentifikasi oleh model penelitiaan.
3.5.6 Menentukan Ketepatan Model
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.
Tabel 3.18 selisih(residual) antara matriks korelasi sebelum analisis faktor

dengan analisis setelah analisis factor
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
KESIMPULAN DAN SARAN
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 :
1. Dari hasil penelitiaan 100 responden dan 9 variabel penelitiaan memberikan

proporsi keragaman kumulatif sebesar 57,132% dengan tiga faktor ekstraksi
yang terbentuk. Ketiga faktor tersebut menurut asumsi/persepsi dari petani
kentang yang di teliti di kecamatan Naman Teran bahwa yang mempengaruhi
hasil produksi kentang sebesar 57,132 % dan sisanya dapat dipengaruhi
faktor-faktor lainnya yang tidak teridentifikasi oleh model penelitian.
2. Faktor yang paling dominan mempengaruhi hasil produksi kentang di
kecamatan Naman Teran. Faktor dominan pertama cara dan pemliharaan
yaitu memberikan sumbangan variansi sebesar (31,22%), faktor dominan
kedua adalah permodalan dan lahan memberikan sumbangan varians sebesar
(14,77%), faktor dominan ketiga adalah faktor Pemupukan memberikan
sumbangan varians sebesar (11,42%).
3. Model faktor yang ada ternyata valid dan layak digunakan. Karena 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, terdapat 4 komponen (9,3% < 50%) yang
mempunyai nilai absolut lebih besar dari 0,05.
4.2 Saran
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
2.1 Faktor - Faktor yang Mempengaruhi Hasil Produksi Kentang
a) Pupuk kandang adalah pada awal penanaman pupuk kandang digunakan

untuk mempersiapkan lahan supaya tanahnya subur dan gembur
(Hartus,2001). Dalam hal ini tidak semua petani kentang memperhatikan
takaran sesuai luas lahan yang akan ditanam untuk menghasilkan hasil
produksi.
b) Luas lahan adalah pada dasarnya bahwa luas lahan akan mempengaruhi
hasil produksi, tetapi peneliti mengambil landasan tersebut karena tidak
semua daerah dalam lokasi penelitian setiap periode penelitian menanam
dengan luas yang sama. Lokasi penelitian tidak hanya tanaman kentang
saja, tetapi juga hasil dari pertanian, jadi setiap periode akan berbeda beda
luas lahan yang akan di tanami.
c) Pestisida adalah pada penanaman kentang penyemprotan pestisida sangat
menjamin hasil produksi yang dilakukan tergantung rutinnya
penyemprotan sehingga mempengaruhi hasil produksi.
d) Kesuburan lahan adalah tanaman kentang dapat tumbuh baik pada tanah
yang mempunyai struktur cukup halus atau gembur (Idawati,2013).
Keadaan tanah tergantung terhadap tanaman apa sebelumnya di tanam di
lahan tersebut sehingga dapat ditanggulangi dengan cara penyiraman atau
penambahan pupuk pada lahan.
e) Tenaga Kerja adalah menggunakan tenaga kerja dalam mengerjakan
penanaman kentang, karena melihat pertumbuhan kentang yang begitu
cepat memerlukan tenaga kerja yang banyak, semakin banyak tenaga
kerja akan mempengaruhi hasil produksi.
f) Jarak antar tanam kentang adalah Jika bibitnya seukuran telur bebek jarak
tanamannnya 35 cm. Jika bibitnya seukuran telur ayam jaraknya 25 cm
(Idawati, 2013). Dalam pelaksanaannya penanaman kentang tidak
mempehatikan ukuran tesebut karena setiap daerah penanaman kentang
berbeda – beda.
g) Bibit adalah umbi kentang itu sendiri yang sudah disimpan dalam waktu
tertentu (tergantung jenis kentangnya) dan sudah melewati masa dormansi
(dorman periode) dan mulai mengeluarkan tunas tanaman baru. Bila bibit
dibeliusahakan harus bersertifikat karena bibit ini sangat menentukan hasil
yang akan di peroleh dalam hasil panen. Pada dasarnya bibit yang bagus
adalah bibit yang diperoleh atau anggap saja generasi pertama (F1), bibit
generasi (F2) dan bibit generasi (F3) (Soelarso,1997). Pada kenyataannya di
lapangan, bibit yang di gunakan rata – rata hasil tanamnya sendiri, untuk
itu peneliti ingin mengetahui berapa besar peranannya dalam
meningkatkan hasil produksi.
h) Modal adalah biaya permulaan dasar dalam memulai melakukan usaha.
Tapi dalam hal penanaman kentang yang dimaksud bahwa tidak selama
penanaman kentang dengan modal yang tinggi menghasilkan hasil
produksi yang tinggi. Peneliti ingin mengetahui seberapa besar modal
berpengaruh terhadap hasil produksi yang akan di peroleh.
i) Pemupukan adalah Pemupukan dalam penanaman kentang antara satu
daerah dengan daerah yang lain tidak sama. Salah satu yang perlu
diperhatikan dalam pemberian pupuk adalah cara interval pemupukan.
Dalam hal ini penggunaan pupuk dan takarannya tergantung pada usia
kentang (Setiadi, 2007).
2.2Populasi dan Sampel Penelitiaan
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).
Sampel adalah sebagian anggota populasi yang dipilih dengan

menggunakan prosedur tertentu sehingga diharapkan dapat mewakili populasinya.
2.3 Teknik Pengumpulan Data
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).
2.3.2 Data Ditinjau Menurut Sifatnya
Dalam hal ini, data dibagi menjadi dua bagian, yaitu :
1. Data Kualitatif adalah data yang berbentuk kategori atau atribut

Contoh : a. Harga dolar hari ini mengalami kenaikan.
b. Sebagian dari produksi barang “ X “ pada perusahaan “Y”

rusak.
2. Data Kuantitatif adalah data yang berbentuk bilangan
Contoh : a. Luas bangunan hotel itu adalah 6000 m2.
b. Tinggi badan Dody mencapai 180 cm.

c. Banyak perguruan tinggi di kota “A” ada 6 buah.
2.3.3 Data Menurut Jenisnya
1. Data Diskrit adalah data yang diperoleh dengan cara menghitung atau
membilang.
a. Banyak kursi yang ada di ruangan ini ada 50 buah.

b. Jumlah mahasiswa yang mengikuti mata kuliah ini mencapai
60 orang.
c. Banyak anak pada keluarga Patris ada 4 orang
2. Data Kontinu adalah data yang diperoleh dengan cara mengukur.
a. Jarak antara kota Medan dengan kota Siantar adalah 128
km
b. Berat bayi yang baru lahir adalah 3,2 kg.
2.3.4 Data Menurut Cara Memperolehnya
Dalam hal ini data dibagi menjadi dua bagian, yaitu :
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.
2.4 Metode Pengambilan Sampel
Pada dasarnya ada dua macam metode pengambilan sampel yaitu pengambilan
sampel secara acak (probability Sampling) dan secara tidak acak (non probability
Sampling)
1. Probability sampling, meliputi:

a. Simple random sampling (populasi homogen) yaitu pengambilan sampel
dilakukan secara acak tanpa memperhatikan strata yang ada. Teknik ini
hanya digunakan jika populasinya homogen.
b. Proportionale stratifiled random sampling (populasi tidak homogen) yaitu
pengambilan sampel dilakukan secara acak dengan memperhatikan strata
yang ada. Artinya setiap strata terwakili sesuai proporsinya.
c. Disproportionate stratifiled random sampling yaitu teknik ini digunakan
untuk menentukan jumlah sampel dengan populasi berstrata tetapi kurang
proporsional, artinya ada beberapa kelompok strata yang ukurannya kecil
sekali.
d. Cluster sampling (sampling daerah) yaitu teknik ini digunakan untuk
menentukan jumlah sampel jika sumber data sangat luas. Pengambilan
sampel didasarkan daerah populasi yang telah ditetapkan.
2. Non probability sampling, meliputi: sampling sistematis, sampling kuota,
sampling incidental, purposive sampling, sampling jenuh, dan snowball
sampling.
Pada penelitian ini digunakan Proportionate Stratified Random sampling

yaitu responden yang terpilih secara kebetulan dengan peneliti dan dianggap
cocok sebagai sumbur data.
Beberapa alasan menggunakan Proportionate Stratified Random sampling adalah
(Supranto J,1992):
1. Setiap strata homogen atau relatif homogen,sehingga sampel acak yang
diambil dari setiap strata akan memberikan pikiran yang dapat mewakili
strata yang bersangkutan. Perkiraan gambaran yang diperoleh berdasarkan
perkiraan dari setiap strata akan memberikan perkiraan menyeluruh yang
mewakili populasi.
2. Biaya untuk pelaksanaan Proportionate Stratified Random sampling lebih
murah dari simple Random Sampling.
3. Perkiraan bias dibuat untuk setiap strata yang dapat dianggap sebagai
populasi yang berdiri sendiri dan mungkin bias dilakukan oleh peneliti
seorang diri saja.
Alokasi proporsi dalam Proportionate Stratified Random sampling. Ditentukan
dengan menggunakan rumus:
( )
∑
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 dasarnya proses pengukuran adalah merupakan rangkaian dari empat

aktivitas pokok (Singarimbun dan Effendi, 1985). Rangkaian empat aktivitas
pokok tersebut antara lain :
1. Menentukan dimensi variabel penelitian.

2. Merumuskan ukuran untuk masing-masing dimensi.
3. Menentukan tingkat ukuran yang akan digunakan dalam pengukuran.
4. Menguji validitas dan reliabilitas alat ukur.
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 :
1. Skala ini relatif mudah dibuat.

2. Adanya kebebasan dalam memasukkan item- item pernyataan asal masih
relevan dengan masalah.
3. Jawaban atas item dapat berupa beberapa alternaitf, sehigga dapat
memberikan informasi yang lebih jelas dan nyata terhadap item tersebut.
4. Dengan jumlah item yang cukup besar, tingkat reliabilitas yang tinggi
dapat dicapai.
5. Mudah untuk diterapkan pada berbagai situasi.
2.6 Uji Dalam Pengolahan Data

2.6.1 Uji Validitas
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
Untuk menentukan valid tidaknya variabel adalah dengan cara

mengkonsultasikan hasil perhitungan koefisien korelasi dengan tabel nilai
koefisien (r) pada taraf kepercayaan 95 %.(Ade Fatma, 2007).
Apabila rxy ≥ rtabel → valid
Apabila rxy < rtabel → tidak valid
2.6.2 Uji Realibilitas
Realibilitas menunjukkan sejauh mana hasil pengukuran dapat dipercaya.

Pengukuran yang memiliki realibilitas tinggi disebut sebagai pengukuran yang
realibilitas. Metode yang digunakan untuk menguji realibilitas adalah metode
Alpha Cronbach. Variabel dikatakan realibel jika memberikan nilai Alpha
Cronbach > 0,60. (Ade Fatma, 2007).
Nilai Alpha Cronbach diperoleh dengan menggunakan rumus sebagai berikut :
∑
(
) ( )
Keterangan:
= nilai (koefisien) Alpha Cronbach
= banyaknya variabel penelitian
∑ = jumlah varians variabel penelitian
= varians total
2.7 Analisis Faktor
2.7.1 Definisi Analisis faktor
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.
Ada tiga fungsi utama analisis faktor, yaitu :
1. Mereduksi banyaknya variabel penelitian dengan tetap mempertahankan

sebanyak mungkin informasi data awal. Banyaknya variabel awal dapat
dikurangi menjadi beberapa variabel yang jumlahnya lebih sedikit dengan
tetap mempertahankan sebagian besar variasi data.
2. Mencari perbedaan kualitatif dan kuantitatif dalam data, dalam situasi
dimana terdapat jumlah data yang sangat besar.
3. Data digunakan pula untuk menguji hipotesis tentang perbedaan kualitatif
dan kuantitatif dalam data penelitian.
Asumsi dasar dalam menggunakan analisis faktor adalah :
1. Tingginya korelasi antar variabel

Korelasi antar variabel yang kuat dapat diindikasikan oleh nilai
determinan matriks korelasi yang mendekati nol. Nilai determinan dari
matriks korelasi yang elemen-elemennya menyerupai matriks identitas
akan memiliki nilai determinan sama dengan satu. Hal ini dapat diuji
dengan Bartlett’s test of sphericity.
2. Indeks perbandingan antara koefisien korelasi dengan korelasi parsial

secara keseluruhan adalah kecil.Jika jumlah kuadrat koefisien korelasi
parsial untuk seluruh pasangan variabel tidak banyak berbeda, maka ini
menunjukkan perbandingan antara koefisien korelasi dengan korelasi
parsialnya secara keseluruhan adalah kecil. Perbandingan ini dapat
diidentifikasi berdasarkan nilai Kaiser-Meyer-Olkin.
3. Indeks perbandingan antara koefisien korelasi dengan korelasi parsial

untuk setiap variabel adalah kecil. Analisis faktor dapat dilanjutkan, jika
nilai measure of sampling adequacy (MSA) berkisar antara 0,5 – 1,0.
Apabila ada beberapa variabel memiliki nilai MSA kurang dari 0,5 maka
variabel tersebut harus dikeluarkan satu persatu secara bertahap.
2.7.2 Model Analisis Faktor
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
2.7.3 Statistik yang Berkaitan dengan Analisis Faktor
Statistik yang berkaitan dengan analisis faktor adalah :

a. Barlett’s test of sphericity
Barlett’s test of sphericity adalah uji statistik yang digunakan untuk menguji
hipotesis yang menyatakan bahwa variabel-variabel tersebut tidak berkorelasi
dalam populasinya. Dengan kata lain, matriks korelasi populasi adalah sebuah
matriks identitas, dimana setiap variabel berkorelasi dengan variabel itu sendiri (r
= 1), tetapi tidak berkorelasi dengan variabel lainnya (r = 0).
Statistik uji bartlett adalah sebagai berikut :
( )
[( ) ] ||
dengan derajat kebebasan(degree of freedom) df ( )

Keterangan :
= jumlah observasi
= jumlah variabel
|| = determinan matriks korelasi
b. Correlation matrix (Matriks Korelasi)

Matriks korelasi adalah matriks yang menunjukkan korelasi sederhana (r) antara
seluruh kemungkinan pasangan variabel yang dilibatkan dalam analisis. Nilai atau
angka pada diagonal utama semuanya sama yaitu 1. Jadi kalau ada 3 atau 4
variabel, bentuk matriks korelasi menjadi :
n=3→
[ ]
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
d. Eigen value (Nilai Eigen)

Nilai eigen merupakan jumlah varians yang dijelaskan oleh setiap faktor-faktor
yang mempunyai nilai eigen value > 1, maka faktor tersebut akan dimasukkan ke
dalam model.
e. Factor loadings (Faktor Muatan)

Faktor muatan adalah korelasi sederhana antara variabel dengan faktor.
f. Factor loading plot (Plot Faktor Muatan)

Plot faktor muatan adalah suatu plot dari variabel asli dengan menggunakan
factor loading sebagai koordinat.
g. Factor matrix (Faktor Matriks)
Matriks faktor mengandung factor loading dari seluruh variabel dalam seluruh
faktor yang dikembangkan.
h. Kaiser - Meyer - Olkin (KMO) measure of sampling adequency

Kaiser – Meyer – Olkin (KMO) merupakan suatu indeks yang digunakan untuk
menguji ketepatan analisis faktor. Nilai yang tinggi (antara 0,5 – 1,0)
mengidentifikasi analisis faktor tepat. Apabila dibawah 0,5 menunjukkan bahwa
analisis faktor tidak tepat untuk diaplikasikan.
∑ ∑
∑ ∑ ∑ ∑
Keterangan :
= koefisien korelasi sederhana antara variabel ke- dan ke-
= koefisien korelasi parsial antara variabel ke- dan ke-
Measure of Sampling Adequacy (MSA) yaitu suatu indeks perbandingan antara

koefisien korelasi parsial untuk setiap variabel. MSA digunakan untuk mengukur
kecukupan sampel.
∑
∑ ∑
i. Percentage of variance (Persentase Varians)

Persentase varians adalah persentase total varians yang disumbangkan oleh setiap
faktor.
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.
2.8.4 Langkah-Langkah Analisis Faktor
Langkah-langkah dalam analisis faktor adalah sebagai berikut :

1. Merumuskan masalah
2. Membentuk matriks korelasi
3. Menentukan metode analisis faktor
4. Menentukan banyaknya faktor
5. Melakukan rotasi terhadap faktor
6. Membuat intrepretasi hasil rotasi terhadap faktor
7. Menentukan ketepatan model (model fit)
Secara skematis langkah-langkah dalam analisis faktor dapat digambarkan sebagai
berikut :
Merumuskan masalah
Membentuk matriks korelasi
Menghitung nilai karakteristik (eigen value)
Menghitung vektor karakteristik (eigen vector)
Menentukan banyaknya faktor
Menghitung matriks factor loading
Melakukan rotasi faktor

Interpretasi faktor
Menentukan ketepatan model (model fit)

Gambar 2.1 Langkah-langkah dalam analisis faktor
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.
2. Membentuk Matriks Korelasi

Proses analisis didasarkan pada suatu matriks korelasi antar variabel. Agar
analisis faktor menjadi tepat, variabel-variabel yang dikumpulkan harus
berkorelasi. Dilakukan perhitungan matriks korelasi . Matriks korelasi
digunakan sebagai input analisis faktor.
Korelasi antar Variabel

3. Menghitung nilai karakteristik (eigen value)
Perhitungan nilai karakteristik (eigen value) , dimana perhitungan ini berdasarkan
persamaan karakteristik :
( )
dengan
= matriks korelasi
= matriks identitas
= eigen value
Eigen value adalah jumlah varian yang dijelaskan oleh setiap faktor.
4. Menghitung vektor karakteristik (eigen vector)

Penentuan vektor karakteristik (eigen vector) yang bersesuaian dengan nilai
karakteristik (eigen value), yaitu dengan persamaan :
dengan
= eigen vector
5. Menentukan Banyaknya Faktor

Ada beberapa prosedur yang dapat dipergunakan dalam menentukan
banyaknya faktor yaitu, penentuan secara a priori, penentuan berdasarkan
pada eigen value, penentuan berdasarkan Screen plot, penentuan berdasarkan
persentase varians, penentuan berdasarkan Split-Half Reliability, dan
penentuan berdasarkan uji signifikan.
a. Penentuan Secara A priori
Kadang-kadang karena adanya dasar teori atau pengalaman sebelumnya,
peneliti sudah dapat menentukan banyaknya faktor yang akan diekstraksi.
Hampir sebagaian besar program komputer memungkinkan peneliti untuk
menentukan banyaknya faktor yang diinginkan dengan pendekatan ini.
b. Penentuan Berdasarkan Eigen value
Pada pendekatan ini, hanya faktor dengan eigenvalue lebih besar dari satu
yang dipertahankan. Eigen value merepresentasikan besarnya sumbangan
dari faktor terhadap varians seluruh variabel aslinya. Hanya faktor dengan
varians lebih besar dari satu yang dimasukkan dalam model. Faktor dengan
varians lebih kecil dari satu tidak lebih dari variabel asli, sebab variabel yang
dibakukan (distandarisasi) yang berarti rata-ratanya nol dan variansinya satu.
c. Penentuan Berdasarkan Screen Plot
Screen Plot merupakan plot dari nilai eigen value terhadap banyaknya faktor
dalam ekstraksinya. Bentuk plot yang dihasilkan, digunakan untuk
menentukan banyaknya faktor. Biasanya plot akan berbeda antara slope tegak
faktor, dengan eigen value yang besar dan makin kecil pada sisa faktor yang
tidak perlu diekstraksi.
d. Penentuan Berdasarkan Persentase Varians
Dalam pendekatan ini, banyaknya faktor yang diekstraksi ditentukan
berdasarkan persentasi kumulatif varians mencapai tingkat yang memuaskan
peneliti. Tingkat persentase kumulatif yang memuaskan peneliti tergantung
kepada permasalahannya. Sebagai petunjuk umum bahwa ekstraksi faktor
dihentikan kalau kumulatif persentase varians sudah mencapai paling sedikit
60% atau 75% dari seluruh varians variabel asli.
e. Penentuan Split-Half Reliability

Sampel dibagi menjadi dua, dan analissi faktor diaplikasikan kepada masing-
masing bagian. Hanya faktor yang memiliki faktor loading tinggi antar dua
bagian itu yang akan dipertahankan.
f. Penentuan Berdasarkan Uji Signifikan
Dimungkinkan untuk menentukan signifikansi statistik untuk eigen value-
nya terpisah dan mempertahankan faktor-faktor yang berdasarkan uji statistik
eigen value- nya signifikan pada α = 5% atau α = 1%. Penentuan banyaknya
faktor dengan cara ini memiliki kelemahan, khususnya pada ukuran sampel
yang besar misalnya diatas 100 responden, banyak faktor yang menunjukkan
uji signifikan, walaupun dari pandangan praktis banyak faktor yang
mempunyai sumbangan terhadap seluruh varians hanya kecil.
6. Menghitung matriks faktor loading
Matriks loading factor ( ) diperoleh dengan mengalikan matriks eigen vector
( ) dengan akar dari matriks eigen value (L). Atau dalam persamaan
matematis ditulis √ .
7. Melakukan Rotasi Faktor

Sebuah output penting dari analisis faktor adalah matriks faktor atau disebut
juga sebagai matriks faktor pola. Matriks faktor mengandung koefisien yang
digunakan untuk mengekspresikan variabel yang dibakukan (distandarisasi)
dinyatakan dalam faktor. Koefisien-koefisien tersebut, atau faktor loadings,
merupakan korelasi antara faktor dengan variabelnya. Sebuah koefisien
dengan nilai absolut yang besar mengindikasikan bahwa faktor dan variabel
berkorelasi kuat. Koefisien tersebut bisa digunakan untuk menginterpretasi
faktor. Walaupun matriks faktor awal atau unrotated factor matrix
mengindikasikan hubungan antara faktor dengan variabel individu tertentu,
akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang
bisa diekstraksi, hal ini disebabkan karena faktor berkorelasi dengan
banyaknya variabel atau sebaliknya variabel tertentu masih banyak
berkorelasi dengan banyak faktor.
Dalam merotasi faktor, diharapkan setiap faktor memiliki loading faktor atau
koefisien yang tidak nol, atau signifikan hanya untuk beberapa variabel. Atau,
diharapkan setiap variabel memiliki faktor loadings signifikan hanya dengan
sedikit faktor, atau kalau mungkin dengan sebuah faktor. Rotasi tidak
berpengaruh terhadap komunalitas dan persentase total varians yang
dijelaskan. Namun demikian, rotasi berpengaruh terhadap persentase varians
dari setiap faktor. Beberapa metode rotasi yang bisa digunakan adalah
orthogonal rotation, varimax rotation, dan oblique rotation.
Orthogonal rotation adalah kalau sumbu dipertahankan tegak lurus
sesamanya (bersudut 90 derajat). Yang paling banyak digunakan adalah
varimax rotation, yaitu rotasi ortogonal dengan meminimumkan banyaknya
variabel yang memiliki loadings tinggi pada sebuah faktor, sehingga lebih
mudah menginterpretasi faktor. Rotasi ortogonal menghasilkan faktor-faktor
yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak
dipertahankan harus tegak lurus sesamanya (bersudut 90 derajat) dan faktor-
faktor berkorelasi. Kadang-kadang, mentoleransi korelasi antar faktor-faktor
bisa menyederhanakan matriks pola faktor. Oblique rotation harus
dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat.
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.
9. Menentukan Ketepatan Model (model fit)

Langkah terakhir dalam analisis faktor adalah menetukan ketepatan model
(model fit). Asumsi dasar yang digunakan dalam analisis faktor adalah
korelasi terobservasi dapat menjadi atribut dari faktor atau komponen. Untuk
itu, korelasi terobservasi dapat direproduksi melalui estimasi korelasi antara
variabel terhadap faktor. Selisih antara korelasi dari data observasi dengan
korelasi reproduksi dapat digunakan dengan mengukur ketepatan model.
Selisih tersebut disebut sebagai residuals. Jika banyak residual yang besar
(residual > 0,05), berarti model faktor yang dihasilkan tidak tepat sehingga
model perlu dipertimbangkan kembali.
BAB 1
PENDAHULUAN
1.1 Latar Belakang
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.
Tergolong dalam suku terung-terungan (Solanaceae) varietasnya banyak

sekali, diantaranya adalah Solanum Adigenum L, dan Solanum Demissum L.
Varietas ini tahan terhadap penyakit layu. Kentang yang banyak ditanam orang
pada garis besarnya mempunyai 3 golongan, yaitu: kentang kuning, kentang
putih, kentang merah dan dapat dijadikan perdagangan internasional. Kentang
termasuk ke dalam 35 komoditas unggulan nasional yang mendapat prioritas
pengembangan oleh pemerintah (Puslitbang, 2011). Kentang yang memiliki nama
latin Solanum tuberosum L merupakan tanaman sayuran semusim yang berbentuk
semak atau perdu, serta berumur pendek.
Kentang merupakan komoditi sayur yang dapat meningkatkan perekonomian

karena sesuai dengan yang dapat dilihat, bahwa semakin meningkatnya penduduk
maka permintaan kebutuhan untuk ini meningkat juga dan komoditi ini adalah
salah satu komoditi tanaman petani yang diekspor ke luar khususnya ke Eropa.
Tanaman kentang mempunyai beberapa peranan strategi yaitu sumber bahan
makanan terutama sebagai sumber karbohidrat bagi masyarakat, sumber
pendapatan dan kesempatan kerja, serta kesempatan berusaha dan juga sebagai
komoditas potensial ekspor yang menghasilkan devisa Negara. Kentang banyak
sekali kegunaannya yaitu dimasak berbagai masakan, tepung, pergedel, keripik,
dan dapat digunakan sebagai pengganti nasi sumber mineral (fasfor, besidan
kalium) mengandung vitamin B, vitamin C dan sedikit A. Daging umbi kentang
dapat dipergunakan untuk menghaluskan kulit dan menyembuhkan kulit mata
yang bengkak. Bagi penderita Diabetes Mellitus diharuskan makan kentang
sebagai pengganti nasi. Tanaman ini berasal dari Amerika Selatan serta beberapa
daerah di Amerika Tengah. Kentang masuk ke Indonesia pada tahun 1794 di
daerah sekitar Cimahi, Bandung, yang kemudian pada tahun 1811 disebar ke
daerah Karo, Sumatera Utara ( Setiadi, 2007).
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.
Penghasilan terbesar dari kecamatan ini adalah dari hasil pertanian,

adapun tanaman yang ada di kecamatan ini adalah produksi sayur-sayuran yaitu
buncis, cabe, kol bunga, kubis, lbu siam, sawi, terong, tomat dan kentang. Pada
tahun 2008 dari 17 kecamatan di kabupaten Karo ada 3 kecamatan yang menjadi
daerah Kawasan Strategis Kabupaten (KSK) yakni kecamatan Berastagi, Naman
Teran dan Merdeka. KSK adalah sutu kawasan yang dikembangkan untuk
mengurangi kesenjangan antara daerah dan diandalkan sebagai motor penggerak
ekonomi bagi kawasan sekitarnya dan diharapkan memiliki produk unggulan yang
kompetitif baik di pasar domistik maupun pasar global. Kecamatan Naman Teran
adalah Kawasan Strategis Kabupaten (KSK) yaitu kentang dari semua kecamatan
di kabupaten karo.
Dari pemahaman di atas bahwa kentang memiliki peminat yang banyak.

Untuk itu cara meningkatkan produksi kentang dapat dianalisis dengan analisis
faktor supaya mendapatkan hasil faktor-faktor yang paling dominan
mempengaruhi hasil produksi.
Analisis faktor bertujuan untuk mengelompokan sejumlah variabel kedalam

satu atau dua faktor. Misalkan ada 10 variabel, mungkin saja ada beberapa
variabel yang mempunyai kesamaan atau dapat dikelompokan sehingga 10
variabel tersebut dapat diekstraksi menjadi tiga faktor. Variabel- variabel tersebut
akan dianalisis sehingga diperoleh faktor yang dominan dan korelasi antara satu
variabel dengan variabel yang lain.
Analisis faktor digunakan untuk mengetahui faktor-faktor yang dominan yang

dapat mempengaruhi hasil produksi hasil panen pertaniaan di tanah Karo untuk
komoditas tanaman kentang. Untuk itu, penulis ingin menganalisis faktor faktor
yang mempengaruhi hasil produksi kentang Kecamatan Naman Teran, kabupaten
Karo.
Dari permasalahan di atas maka penulis memilih judul: Analisis Faktor
yang Mempengaruhi Hasil Produksi Kentang (Studi Kasus: Petani Kentang
Kecamatan Naman Teran).
1.2 Perumusan Masalah
Perumusan masalah yang akan diteliti dalam tulisan ini adalah faktor-faktor apa
saja dan seberapa besar pengaruh faktor-faktor tersebut mempengaruhi hasil
produksi kentang.
1.3 Batasan Masalah
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.
1.4 Tinjauan Pustaka
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 dipergunakan di dalam situasi berikut: (Supranto, 2010)

1. Mengenali atau mengidentifikasi dimensi yang mendasari (underlying
dimensions) atau faktor yang menjelaskan korelasi antara suatu set
variabel. Menganalisis faktor berarti mereduksi data/variabel.
2. Menganalisis 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 jumlah untuk dipergunakan di
dalam analisis multivariat selanjutnya.
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).
Model faktor ditulis sebagai berikut:
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
1.5 Tujuan Penelitian
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.
1.6 Kontribusi Penelitian
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.
c. Bagi Kecamatan Naman Teran

Sebagai bahan referensi bagi petani yang membudidayakan kentang yaitu
memberikan gambaran seberapa besar pengaruh faktor-faktor yang
mempengaruhi hasil produksi kentang di kecamatan Naman Teran
sehingga dapat memaksimalkan hasil tanaman kentang.
1.7 Metodologi Penelitian
Adapun metodologi penelitian dalam tulisan ini adalah sebagai berikut:

a. Mengumpulkan bahan yang berkaitan dengan faktor-faktor yang
mempengaruhi hasil produksi kentang
b. Menentukan variabel penelitian dengan membuat kuesioner untuk
pemilihan faktor-faktor apa yang mempengaruhi hasil produksi kentang
menurut responden berdasarkan faktor-faktor secara umun diatas.
c. Mengumpulkan data primer (nilai tiap variabel penelitian) yang bersumber
pada hasil kuesioner terhadap responden yang merupakan petani kentang,
dengan menggunakan angket.
d. Mengolah dan menganalisis data yang diperoleh dengan menggunakan
software statistika SPSS
a) Menguji Validitas data
b) Menguji Reabilitas data
c) Menganalisis data dengan menggunakan teknik analisis faktor
d) Interpretasi faktor
e) Menentukan ketepatan model
e. Mengambil Kesimpulan
ANALISIS FAKTOR YANG MEMPENGARUHI
HASIL PRODUKSI KENTANG
(Studi Kasus: Petani Kentang Kecamatan Naman Teran)
ABSTRAK
Analisis faktor merupakan suatu teknik statistika multivariat yang digunakan

untuk mereduksi/meringkas data, dari variabel yang banyak diubah menjadi
sedikit variabel. Penelitian ini merupakan Analisis Faktor untuk mengetahui apa
saja faktor-faktor yang dominan yang mempengaruhi hasil produksi kentang
dengan responden petani kentang di kecamatan Naman Teran. Berdasarkan hasil
penelitian diperoleh 3 faktor yang dominan yang dapat mempengaruhi hasil
produksi kentang yaitu Cara Pemeliharaan kentang (31,22%), faktor Modal dan
luas lahan (14,770%), faktor Pemupukan (11,142%). Ketiga faktor tersebut
memberikan proporsi keragaman kumulatif sebesar 57,132% artinya ketiga faktor
tersebut dapat mempengaruhi hasil produksi kentang pada saat penelitian
dilakukan sebesar 57,132 % dan sisanya dapat dipengaruhi faktor-faktor lainnya
yang tidak teridentifikasi oleh model penelitian.
Kata kunci : Analisis statistika multivariat, analisi faktor, kentang

ANALYSIS OF FACTORS AFFECTING POTATO PRODUCTION
(Case Study: Naman Teran District Potato Growers)
ABSTRACT
Factor analysis is a multivariate statistical technique used to reduce / summarize

the data, many of the variables that turned into a bit variable. This study is a factor
analysis to determine what are the dominant factors that influence the production
of potatoes with potato farmers in the district respondents Naman Teran. Based on
the research results obtained by three dominant factors that could affect the
outcome of the potato production potato Method Maintenance (31,22%), Capital
factor (14,77%), factor Fertilization (11,142%). The third factor gives the
cumulative proportion of the diversity of 57,132% means that three factors can
affect potato production at the time the study was 57,132% and the rest can be
influenced by other factors that were not identified by the research model.
Keywords: multivariate statistics, factor analysis, potatoes

SKRIPSI
SARTIKA BR PERANGIN
090803003
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2013
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
Judul : Analisis Faktor yang Mempengaruhi Hasil

Produksi Kentang (Studi Kasus: Petani Kentang
Kecamatan Naman Teran)
Kategori : Skripsi
Nama : Sartika Br Perangin
Nomor Induk Mahasiswa : 090803003
Program Studi : Sarjana (S1) Matematika
Departemen : Matematika
Fakultas : Matematika dan Ilmu PengetahuanAlam
Disetujui di
Medan, Agustus 2013
Komisi Pembimbing :
Pembimbing 2, Pembimbing 1,
Drs. Pengarapen Bangun, M.Si Drs. Henry Rani Sitepu, M.Si

NIP. 195608151985031005 NIP. 195303031983031002
Disetujui Oleh
DepartemenMatematika FMIPA USU
Ketua,
Prof. Dr. Tulus, M.Si. Ph.D

NIP.19620901 198803 1 002
PERNYATAAN

SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masingdisebutkan sumbernya.
Medan, Agustus 2013
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.
Medan, Agustus 2013

Penulis
Sartika Br Perangin
090803003
ABSTRAK
Analisis faktor merupakan suatu teknik statistika multivariat yang digunakan

untuk mereduksi/meringkas data, dari variabel yang banyak diubah menjadi
sedikit variabel. Penelitian ini merupakan Analisis Faktor untuk mengetahui apa
saja faktor-faktor yang dominan yang mempengaruhi hasil produksi kentang
dengan responden petani kentang di kecamatan Naman Teran. Berdasarkan hasil
penelitian diperoleh 3 faktor yang dominan yang dapat mempengaruhi hasil
produksi kentang yaitu Cara Pemeliharaan kentang (31,22%), faktor Modal dan
luas lahan (14,770%), faktor Pemupukan (11,142%). Ketiga faktor tersebut
memberikan proporsi keragaman kumulatif sebesar 57,132% artinya ketiga faktor
tersebut dapat mempengaruhi hasil produksi kentang pada saat penelitian
dilakukan sebesar 57,132 % dan sisanya dapat dipengaruhi faktor-faktor lainnya
yang tidak teridentifikasi oleh model penelitian.
Kata kunci : Analisis statistika multivariat, analisi faktor, kentang

ANALYSIS OF FACTORS AFFECTING POTATO PRODUCTION
(Case Study: Naman Teran District Potato Growers)
ABSTRACT
Factor analysis is a multivariate statistical technique used to reduce / summarize

the data, many of the variables that turned into a bit variable. This study is a factor
analysis to determine what are the dominant factors that influence the production
of potatoes with potato farmers in the district respondents Naman Teran. Based on
the research results obtained by three dominant factors that could affect the
outcome of the potato production potato Method Maintenance (31,22%), Capital
factor (14,77%), factor Fertilization (11,142%). The third factor gives the
cumulative proportion of the diversity of 57,132% means that three factors can
affect potato production at the time the study was 57,132% and the rest can be
influenced by other factors that were not identified by the research model.
Keywords: multivariate statistics, factor analysis, potatoes

DAFTAR ISI
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
BAB 2. Landasan Teori

2.1. Faktor – Faktor yang mempengaruhi Kentang 9
2.2. Populasi dan Sampel 10
2.3. Teknik Pengumpulan data 11
2.3.1 Data 11
2.3.2. Data Menurut Sifatnya 12
2.3.3. Data Menurut Jenisnya 12
2.3.4. Data menurut cara memperolehnya 12
2.4. Metode Pengambilan Sampel 13
2.5 Teknik Pengukuran Sampel 14
2.6 Uji Dalam Pengolahan Data 15
2.6.1 Uji Validitas 15
2.6.2 Uji Reabilitas 16
2.7 Analisis Faktor 17
2.7.1 Pengertiaan Analisis Faktor 17
2.7.2 Model Analisis Faktor 19
2.7.3 Statistik Yamg Berkaitan Dengan Analisis Faktor 20
2.7.4 Langkah Langkah Analisis Faktor 22
BAB 3. Hasil dan Pembahasan 29
3.1. Populasi Sampel dan Teknik Pengambilan Sampel 29
3.2. Variabel Penelitiaan 31
3.3. Sumber Data 32
3.4 Pengolahan Data 32
3.4.1 Input Data Mentah 32
3.4.2 Pensekalaan Data Ordinal Menjadi Interval 33
3.4.3 Uji Validitas Data 36
3.4.4 Uji reabilitas Data 37
3.5 Analisis Data 38
3.5.1 Membentuk Matriks Korelasi 38
3.5.2 Ekstraksi Faktor 43
3.5.3 Menentukan Banyak faktor 46
3.5.4 Melakukan Rotasi Faktor 48
3.5.5 Interpretasi Faktor 50
3.5.6 Ketepatan Model 53
BAB 4. Kesimpulan dan Saran

4.1. Kesimpulan 55
4.2 Saran 56
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

Faktor yang Mempengaruhi Produksi Kentang

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Faktor yang Mempengaruhi Produksi Kentang

Diunggah oleh

Hak Cipta:

Format Tersedia

KATA PENGANTAR

Perihal : Permohonan Pengisian Angket

Sartika br perangin- angin

Universitas Sumatera Utara

HASIL PRODUKSI KENTANG”

Pengolahaan pupuk kandang pada awal penanaman

Setelah umur kentang 30 hari maka penyemprotan

Kesuburan tanah bergantung terhadap banyaknya

Jumlah tenaga kerja merupakan kebutuhan pokok

Jarak tanam antara satu kentang dengan kentang yang

Interval pemberiaan pupuk terhadap tanaman kentang

Besarnya modal mempengaruhi pencapaiaan hasil

A. Data Asli Hasil Koisioner

Hasil Output SPSS

Case Processing Summary

Cases Valid 100 100.0

Total 100 100.0

a. Listwise deletion based on all variables in the

Mean Std. Deviation N

VAR00001 2.9853 .84835 100

VAR00003 2.7093 .93990 100

VAR00004 3.0628 .94647 100

VAR00005 3.0629 .94466 100

VAR00006 3.1542 .94623 100

VAR00007 2.4582 .98305 100

VAR00008 3.3828 .93165 100

VAR00009 3.3828 .98779 100

VAR00001 24.2757 19.639 .197 .102 .720

VAR00003 24.5517 18.599 .291 .168 .707

VAR00004 24.1983 16.942 .514 .319 .665

VAR00005 24.1982 17.591 .424 .285 .682

VAR00006 24.1068 17.894 .381 .296 .690

VAR00007 24.8029 16.304 .576 .408 .651

VAR00008 23.8782 18.209 .348 .229 .696

VAR00009 23.8783 17.649 .388 .299 .689

Mean Variance Std. Deviation N of Items

27.2611 21.842 4.6735 9

VAR00001 1.000 .522

VAR00003 1.000 .475

VAR00004 1.000 .519

VAR00005 1.000 .721

VAR00006 1.000 .567

VAR00007 1.000 .602

VAR00008 1.000 .806

VAR00009 1.000 .643

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .721

Bartlett's Test of Sphericity Approx. Chi-Square 150.262

Component Transformation Matrix

1 .784 .522 .337

3 .067 .467 -.881

VAR00001 .294 .578 .319

VAR00003 .457 -.515 -.012

VAR00004 .690 -.121 .168

VAR00005 .597 -.132 .589

VAR00006 .569 -.460 -.180

VAR00007 .742 -.086 -.209

VAR00008 .497 .337 -.668

VAR00009 .540 .590 .051

Extraction Method: Principal Component Analysis.

VAR00001 .294 .578 .319

VAR00004 .690 -.121 .168

VAR00007 .742 -.086 -.209

Extraction Method: Principal Component Analysis.