Panduan Penggunaan SPSS Versi 26.0 untuk Mahasiswa Program Studi Pengelolaan Perkebunan

V1N3 4 55.75 55.75

V3N1 4 56.00 56.00

V2N2 4 58.50 58.50 58.50

V2N1 4 62.25 62.25

V3N2 4 64.25

V3N3 4 73.00

Sig. .217 .059 .104 .137 1.000

Means for groups in homogeneous subsets are displayed.

a. Uses Harmonic Mean Sample Size = 4.000.

12. Kemudian tabel diatas dapat disajikan dalam bentuk sebagai berikut.

Tabel 10 Penyajian Data untuk RAL 2 Faktor

TABEL PENYAJIAN

Pengaruh pemupukan N pada beberapa varietas terhadap tinggi tanaman (cm)

Varietas Pupuk N Rerata

N1 N2 N3

V1 47.5 e 50.75 de 55.75 cd 51,33

V2 62.25 bc 58.5 bcd 52.25 de 57,67

V3 56 cd 64.25 b 73 a 64,42

Rerata 55,25 57,83 60,33 (+)

ket.: angka yang diikuti oleh huruf yang sama tidak berbeda nyata pada tingkat kepercayaan 95%

2. Aplikasi Rancangan Acak Kelompok (RAK)

Rancangan Acak Kelompok (RAK) digunakan jika keadaan percobaan

yang digunakan tidak homogen. Pada rancangan ini, petakan percobaan akan

dibagi menjadi beberapa kelompok dan masing-masing kelompok akan dibagi

lagi menjadi beberapa petak yang banyaknya sama dengan jumlah perlakuan.

Tujuannya adalah untuk menjaga agar keragaman antara perlakuan dalam

satu kelompok sekecil mungkin.

a. Uji Statistik untuk RAK 1 Faktor

Model yang akan digunakan untuk analisis sidik ragam adalah General

Linerar Model dengan Post Test Uji Duncan.

Contoh Kasus:

“Analisis Pengaruh Varietas terhadap hasil Kedelai”

41

Hasil (t/ha)

Varietas Blok I Blok II Blok III

Baluran 4,5 4,7 4,8

Anjasmoro 4,8 4,9 4,8

Kipas Merah 4,9 5 4,8

Wilis 5,1 5,1 4,9

Detam 1 5,2 5,1 5,2

Detam 2 5,5 5,4 5,5

Langkah Kerja:

1. Input data kedalam Data Editor SPSS seperti tampilan berikut ini.

Gambar 42 Tampilan Data Editor untuk RAK 1 Faktor
2. Selanjutnya akan dilakukan analisis varians, klik menu Analyze

kemudian pilih submenu General Linear Model lalu pilih Univariate.
3. Selanjutnya kotak dialog Univariate akan muncul. Pilih variabel

HASIL pindahkan kedalam kotak Dependent List. Selanjutnya
variabel VARIETAS dan ULANGAN dipindahkan kedalam kotak
Fixed Factor, seperti tampilan berikut ini.

42

Gambar 43 Kotak dialog Univariate pada RAK 1 Faktor
4. Kemudian pada kotak dialog tersebut, klik Model maka akan tampil

kotak dialog Univariate:Model, kemudian pada bagian Specify
Model pilih Build custom terms. Kemudian pindahkan variabel
VARIETAS dan ULANGAN ke dalam kotak Model. Selanjutnya klik
Continue. Seperti pada tampilan berikut ini.

Gambar 44 Kotak dialog Univariate:Model untuk RAK 1 Faktor
5. Kemudian kembali pada kotak dialog Univariate, klik Post Hoc untuk
melakukan analisis sidik ragam, kemudian pilih Duncan pada Equal
Variances Assumed. Kemudian klik Continue lalu klik Ok. Seperti
tampilan berikut ini.

43

Gambar 45 Kotak dialog Univariate:Post Hoc untuk RAK 1 Faktor
6. Kemudian akan muncul Windows Viewer yang menampilkan hasil
uji Duncan untuk RAK 1 Faktor. Seperti tampilan berikut ini.

Gambar 46 Windows Viewer hasil Uji Duncan RAK 1 Faktor

44

Tabel 11 Hasil Analisis Sidik Ragam pada SPSS untuk RAK 1 Faktor

Berdasarkan hasil ANOVA, diperoleh nilai Sig (P-Value) dari
perlakuan sebesar 0.000 (<0.05) sehingga dapat disimpulkan bahwa terdapat
perbedaan nyata antara perlakuan varietas terhadap hasil kedelai. Karena
terdapat perbedaan yang nyata antara perlakuan makan dilakukan uji lanjut
untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah:
Tabel 12 Hasil Uji Duncan untuk RAK 1 Faktor

45

Untuk mempermudah interpretasi makan tabel diatas dapat diberi notasi
huruf sebagai berikut.

BERAT BIJI

Duncana,b

Subset

VARIETAS N 1 2 3 4

Baluran 3 4.6667d

Anjasmoro 3 4.8333cd 4.8333c

Kipas Merah 3 4.9000c

Wilis 3 5.1333b

Detam1 3 5.1667b

Detam2 3 5.4667a

Sig. .052 .398 .668 1.000

Means for groups in homogeneous subsets are displayed.

Based on observed means.

The error term is Mean Square(Error) = .009.

a. Uses Harmonic Mean Sample Size = 3.000.

b. Alpha = 0,05.

Catatan: Kolom yang sama mempunya huruf yang sama. Pemberian

kode huruf diurutkan dari nilai yang paling tinggi (simbol “a”)

Penyajian akhir dari data adalah:

Tabel 13 Penyajian akhir data Uji Lanjut RAK 1 Faktor

Varietas Hasil (t/ha)

Baluran 4,67d

Anjasmoro 4,83cd

Kipas Merah 4,90c

Wilis 5,13b

Detam 1 5,16b

Detam 2 5,46a

Kesimpulan: Varietas Detam 1 memberikan hasil kedelai yang tertinggi

yaitu 5,46 t/ha dan berbeda nyata dengan seluruh varietas.

b. Uji Statistik untuk RAK 2 Faktor

Model yang akan digunakan untuk analisis sidik ragam adalah General

Linear Model dengan post test Uji Duncan.

Contoh Kasus:

46

“Pengaruh Konsentrasi Pupuk K dan Intensitas Penyiraman
terhadap Diameter Batang Bibit Kakao”

Konsentrasi Pupuk Daun (K) Penyiraman (F) Blok 1 Blok 2 Blok 3
0 0.98 8,19 8,37 8,33
0.94 6,65 6,70 6,25
100 0.90 5,87 5,98 6,14
200 0.86 5,06 5,35 5,01
0.82 4,85 4,31 4,52
0.78 4,31 4,34 4,20
0.98 7,64 7,79 7,59
0.94 6,52 6,19 6,51
0.90 5,01 5,28 5,78
0.86 4,85 4,95 4,29
0.82 4,29 4,43 4,18
0.78 4,13 4,39 4,18
0.98 7,14 6,92 7,19
0.94 6,33 6,18 6,43
0.90 5,20 5,10 5,43
0.86 4,41 4,40 4,79
0.82 4,26 4,27 4,37

Langkah Kerja:

1. Input data ke dalam Data Editor SPSS hingga tampilan sebagai

berikut.

Gambar 47 Tampilan Data Editor untuk RAK 2 Faktor
2. Selanjutnya akan dilakukan analisis varians, klik menu Analyze

kemudian pilih submenu General Linear Model lalu pilih
Univariate.

47

3. Selanjutnya, akan muncul kotak dialog Univariate. Pada kotak
dialog, masukkan variabel DIAMETER_BATANG kedalam kotak
Dependent Variable, lalu variabel KONSENTRASI_PUPUK dan
PENYIRAMAN kedalam kotak Fixed Factor(s), lalu variabel
BLOK kedalam kotak Random Factors(s), seperti tampilan berikut
ini.

Gambar 48 Kotak dialog Univariate pada General Linear
Model untuk RAK 2 Faktor

4. Selanjutnya, pada kotak dialog klik Model, kemudian akan muncul
kotak dialog Univariate:Model. Pada kotak dialog tersebut, di
bagian Specify Model, pilih Custom. Kemudian pada bagian Factors
& Covariates, pindahkan satu persatu variabel
KONSENTRASI_PUPUK, PENYIRAMAN, dan BLOK kedalam
kotak Model. Setelah semua terpindah, blok variabel
KONSENTRASI_PUPUK dan PENYIRAMAN yang ada di bagian
Fsctors & Covariates kemudian pindahkan secara bersamaan
kedalam kotak Models sehingga muncul variabel
KONSENTRASI_PEMUPUKAN*PENYIRAMAN. Kemudian
klik Continue. Tampilan sebagai berikut.

48

Gambar 49 Kotak dialog Univariate:Model pada RAK 2 Faktor
5. Kemudian kembali pada kotak dialog Univariate, pilih Post Hoc lalu

akan muncul kotak dialog Univariate:Post Hoc. Pada kotak dialog
tersebut, pindahkan variabel KONSENTRASI_PUPUK dan
PENYIRAMAN kedalam kotak Post Hoc Tests For, kemudian pada
bagian Equal Variances Assumed pilih Duncan, lalu klik Continue.
Tampilan sebagai berikut.

Gambar 50 Kotak dialog Univariate:Post Hoc pada RAK 2 Faktor

49

6. Kembali pada kotak dialog Univariate, klik Options, lalu akan
muncul kotak dialog Univariate:Options, pada kotak dialog tersebut,
pilih Descriptive Statistics kemudian klik Continue. Tampilan
sebagai berikut.

Gambar 51 Kotak dialog Univariate:Options pada RAK 2 Faktor

7. Setelah itu kembali ke kotak dialog Univariate, kemudian klik Ok.
Selanjutnya akan muncul Windows Viewer yang menampilkan hasil
uji analisis sidik ragam. Tampilan sebagai berikut.

Gambar 52 indows Viewer Uji General Linear

50

Tabel 14 Output Analisis Sidik Ragam menggunakan SPSS untuk RAK 2

Faktor

Tests of Between-Subjects Effects

Dependent Variable: DIAMETER_BATANG

Type III Sum of

Source Squares df Mean Square F Sig.

Intercept Hypothesis 1634.050 1 1634.050 235995.460 .000

Error .014 2 .007a

KONSENTRASI_ Hypothesis 2.759 2 1.380 34.143 .000

PUPUK Error 1.374 34 .040b

PENYIRAMAN Hypothesis 81.569 5 16.314 403.724 .000

Error 1.374 34 .040b

BLOK Hypothesis .014 2 .007 .171 .843

Error 1.374 34 .040b

KONSENTRASI_ Hypothesis 1.316 10 .132 3.257 .005

PUPUK * Error 1.374 34 .040b

PENYIRAMAN

a. MS(BLOK)

b. MS(Error)

Berdasarkan hasil analisis sidik ragam, diperoleh nilai Sig (P-

value) dari variabel KONSENTRASI PUPUK sebesar 0.000 (<0.05)

sehingga dapat disimpulkan bahwa terdapat perbedaan yang sangat

nyata antara perlakuan KONSENTRASI PUPUK terhadap diameter

batang bibit kakao. Selanjutnya variabel kedua yaitu PENYIRAMAN

memilik nilai Sig (P-value) sebesar 0.000 (<0.05) sehingga dapat

disimpulkan bahwa terdapat perbedaan yang sangat nyata antara

perlakuan PENYIRAMAN terhadap diameter batang bibit kakao.

Interaksi KONSENTRASI PUPUK dengan PENYIRAMAN

(KONSENTRASI_PUPUK*PENYIRAMAN) mempunyai nilai Sig

sebesar 0.005 (<0.05) sehingga dapat disimpulkan bahwa interaksi

antara KONSENTRASI PUPUK dengan PENYIRAMAN

berpengaruh nyata terhadap diameter batang bibit kakao.

Karena terdapat perbedaan yang nyata antara perlakuan maka

dilakukan uji lanjut. Prosedur uji lanjut interaksi KONSENTRASI

PUPUK dan PENYIRAMAN adalah:

51

8. Masih pada Data Editor sebelumnya, klik menu Analyze, kemudian
pilih submenu Compare Means lalu pilih One Way ANOVA hingga
muncul kotak dialog One Way ANOVA.

9. Pada kotak dialog One Way ANOVA, terdapat kotak Dependent
List dan Factor. Pindahkan variabel DIAMETER_BATANG
kedalam box Dependent List lalu variabel INTERAKSI
dipindahkan ke dalam box Factor. Tampilan sebagai berikut.

Gambar 53 Kotak dialog One Way ANOVA untuk uji lanjut RAK 2
Faktor

10. Selanjutnya, klik Post Hoc yang terdapat pada kotak dialog, lalu akan
muncul kotak dialog One Way ANOVA:Post Hoc. Lalu pada bagian
Equal Variances Assumed pilih Duncan sebagai alat uji. Kemudian
klik Continue. Tampilan sebagai berikut.

52

Gambar 54 Kotak dialog One Way ANOVA:Post Hoc untuk uji
lanjut RAK 2 Faktor

11. Kemudian kembali pada kotak dialog One Way ANOVA, lalu klik
Ok. Setelah itu akan muncul Windows Viewer yang menunjukkan
hasil uji lanjut interaksi antara KONSENTRASI_PUPUK dan
PENYIRAMAN terhadap DIAMETER_BATANG. Tampilan
seperti gambar berikut.

Gambar 55 Windows Viewer Uji Lanjut RAK 2 Faktor

53

Tabel 15 Output Uji Interaksi RAK 2 Faktor

Hasil uji Duncan diatas selanjutnya dapat disedarhanakan sebagai
berikut.
Tabel 16 Penyajian Akhir Data Uji Lanjut RAK 2 Faktor

54

BAB IV
Aplikasi SPSS Untuk Penelitian Sosial

Ekonomi Pertanian

Penelitian dan pengembangan di bidang pertanian diarahkan untuk dapat
memanfaatkan sumber daya pertanian secara optimal melalui penerapan teknologi
guna terwujudnya pertanian tangguh dan modern sesuai dengan perubahan
lingkungan global. Salah satu aspek yang harus dipahami adalah aspek sosial
ekonomi pertanian. Pengetahuan ilmiah dari aspek sosial ekonomi pertanian dapat
didefinisikan sebagai pengetahuan tentang fenomena atau objek yang berhubungan
dengan kondisi sosial budaya masyarakat agraris, diantaranya aktivitas komunikasi,
pengambilan keputusan produksi, konsumsi dan distribusi dari input maupun output
pertanian. Selain itu fenomena dan objek observasi terkait aktivitas manajemen dan
pengelolaan bisnis pertanian.

Dalam penelitian sosial ekonomi pertanian, untuk mendapatkan hasil
penelitian yang baik dibutuhkan metode penelitian yang akan membantu dalam
pengambilan kesimpulan dari sebuah penelitian. Salah satu tahap yang dilakukan
adalah pengolahan data dan informasi yang didapatkan dari rangkaian penelitian.
Salah satu pengolahan data yang umum dilakukan adalah uji statistika. Uji statistika
yang umumnya dilakukan pada penelitian sosial ekonomi adalah uji validitas dan
reliabilitas, uji independent t-test, uji normalitas, uji korelasi dan regresi. Uji
statistika ini dapat dilakukan secara praktis dengan memanfaatkan aplikasi SPSS.
Dalam bab ini akan dibahas mengenai pemanfaatan SPSS untuk pengolahan data
penelitian sosial ekonomi pertanian.
A. Uji Deskriptif
Deskripsi data pada sebuah penelitian penting dilakukan untuk mendapatkan
gambaran data yang diteliti. Dengan adanya data deskripsi ini, maka akan
mempermudah dalam mengetahui paparan data yang ada dalam sebuah penelitian
secara lebih terperinci dan jelas.
Studi Kasus:
“Analisis Kinerja Karyawan dalam Peningkatan Hasil Dodosan Kelapa Sawit di
PT. Perkebunan Nusantara IV Kebun Marihat, Kec. Siantar, Kab. Simalungun”

55

Dalam penelitian ini sampel yang diambil adalah karyawan pemanen kelapa sawit
sebanyak 60 sampel. Data diperoleh melalui wawancara langsung dan kuisioner yang
dibagikan serta dari laporan pembukuan administrasi. Pengolahan data yang
digunakan adalah uji asumsi klasik serta metode analisis regresi linier berganda.
Variabel yang diuji adalah premi panen (Rp), pengalaman bekerja (tahun), dummy
topografi (miring =1, datar =0), umur (tahun).
Tabel 17 Data Karyawan Pemanen Kelapa Sawit

Premi Pengalaman Topografi Umur Kinerja
Panen Bekerja (Tahun) Karyawan
(Rp) (Tahun) (Ton/Bulan)
1.843.042 MIRING 30
1.842.936 10 MIRING 30 36
1.842.820 7 MIRING 31 33
1.843.042 8 MIRING 31 36
1.843.042 9 MIRING 32 36
1.846.771 8 MIRING 33 36
1.847.410 8 MIRING 33 39
1.847.410 5 MIRING 34 39
1.845.485 5 MIRING 35 39
1.842.820 5 MIRING 36 39
1.843.146 6 MIRING 36 39
1.842.820 6 MIRING 36 42
1.843.042 9 MIRING 37 42
1.843.042 9 MIRING 37 42
1.847.410 9 MIRING 37 45
1.842.891 9 MIRING 37 45
1.842.957 7 MIRING 38 45
1.847.410 7 MIRING 38 45
1.842.820 8 MIRING 38 45
1.847.410 9 MIRING 38 45
1.842.981 7 MIRING 38 45
1.848.052 8 MIRING 39 45
1.842.803 8 MIRING 39 45
1.842.820 8 MIRING 40 45
1.845.845 5 MIRING 40 48
1.848.052 5 MIRING 40 54
1.843.110 6 MIRING 40 54
1.849.944 7 MIRING 40 54
1.848.052 6 MIRING 40 54
1.842.981 7 MIRING 41 54
1.842.820 10 MIRING 41 54
1.843.307 10 MIRING 41 54
10 54

56

1.846.134 10 DATAR 42 60
1.842.820 10 DATAR 42 60
1.842.820 10 DATAR 42 60
1.847.410 11 DATAR 43 60
1.842.820 15 MIRING 43 57
1.845.485 15 DATAR 43 60
1.842.820 12 DATAR 43 60
1.842.981 11 DATAR 43 60
1.842.820 11 DATAR 43 60
1.843.539 12 DATAR 43 60
1.842.820 12 DATAR 44 60
1.842.803 14 DATAR 45 60
1.842.981 12 DATAR 45 63
1.842.820 12 DATAR 46 66
1.843.539 11 DATAR 46 63
1.842.871 11 DATAR 46 66
1.842.981 11 DATAR 47 66
1.847.410 12 DATAR 47 66
1.843.021 12 DATAR 47 66
1.842.820 13 DATAR 48 69
1.842.820 14 DATAR 49 75
1.842.981 11 DATAR 49 75
1.842.820 13 DATAR 49 72
1.844.844 11 DATAR 50 81
1.842.820 14 DATAR 50 81
1.842.820 14 DATAR 52 81
1.842.820 13 DATAR 52 84
1.843.021 14 DATAR 53 90

Pada studi kasus diatas, akan dilakukan uji deskriptif untuk mengetahui karakteristik
karyawan dodos kelapa sawit secara lengkap.

57

Langkah Kerja:
1. Masukkan data pada Ms Excel seperti tampilan pada gambar berikut ini.

Gambar 56 Tampilan data untuk uji deskriptif pada Ms Excel
Pada lembar kerja tersebut, buatlah interval kelas pada masing-masing
variabel dan berikan kode untuk masing-masing interval untuk
mempermudah pembacaan data.
2. Kemudian inputkan data dari Excel tersebut ke dalam Data Editor SPSS
seperti tampilan berikut ini.

Gambar 57 Tampilan Data Editor SPSS untuk Uji Deskriptif Karakteristik Petani
58

3. Setelah itu, pilih menu Analyze, lalu klik submenu Descriptive Statistics,
kemudian pilih Freqencies.

Gambar 58 Tampilan menu uji deskriptif untuk studi kasus sosial ekonomi
4. Setelah itu akan muncul kotak dialog Frequencies seperti tampilan berikut

ini. Kemudian pada kotak dialog, pilih variabel yang ingin diketahui deskripsi
data nya. Untuk kasus ini, akan dilakukan uji deskriptif untuk variabel
PENGALAMAN BEKERJA, UMUR, dan KINERJA KARYAWAN.

Gambar 59 Kotak dialog Frequencies pada uji deskriptif untuk studi kasus sosial
ekonomi

5. Setelah itu, pilih Statistics pada kotak dialog, kemudian akan muncul kotak
dialog Frequencies:Statistics seperti pada tampilan di bawah ini.
59

Gambar 60 Tampilan kotak dialog Frequencies:Statistics untuk studi kasus sosial
ekonomi

Pada kotak dialog diatas, pada bagian Central Tendency pilih Mean untuk
mengetahui rata-rata dari data. Kemudian pada bagian Dispersion pilih
Minimum dan Maximum untuk mengetahui nilai data terendah dan
tertinggi. Kemudian klik Continue lalu klik Ok.
6. Kemudian akan muncul Windows Viewer yang menunjukkan hasil uji
deskriptif seperti pada tampilan berikut ini.

Gambar 61 Tampilan hasil uji deskriptif untuk studi kasus sosial ekonomi

60

Tabel 18 Tabel distribusi Pengalaman Bekerja

PENGALAMAN BEKERJA

Frequency Percent Valid Percent Cumulative
35 Percent
Valid 1 25 58.3 58.3 58.3
2 60 100.0
Total 41.7 41.7

100.0 100.0

Dari data diatas dapat diketahui distribusi data pada pengalaman
bekerja karyawan. Terdapat 35 orang dengan pengalaman bekerja
5-10 tahun (kode 1) dengan persentase 58,3% dan sisanya sebanyak
25 orang dengan pengalaman bekerja >10 tahun (kode 2) dengan
persentase 41,7%.
Tabel 19 Tabel distribusi Umur Karyawan

UMUR KARYAWAN

Cumulative

Frequency Percent Valid Percent Percent

Valid 1 7 11.7 11.7 11.7

2 9 15.0 15.0 26.7

3 16 26.7 26.7 53.3

4 13 21.7 21.7 75.0

5 10 16.7 16.7 91.7

6 5 8.3 8.3 100.0

Total 60 100.0 100.0

Dari data diatas dapat diketahui distribusi data umur karyawan.

Terdapat 7 orang pekerja umur 30 – 33 tahun (kode 1) dengan

persentase 11,7%, 9 orang pekerja umur 34 – 37 tahun (kode 2)

dengan persentase 15,0%, 16 orang pekerja umur 38 – 41 tahun

(kode 3) dengan persentase 26,7%, 13 orang pekerja umur 42 – 45

tahun (kode 4) dengan persentase 21,7%, 10 orang pekerja umur 46

– 49 tahun (kode 5) dengan persentase 16,7 %, dan 5 orang pekerja

umur >49 tahun (kode 6) dengan persentase 8,3%.

61

B. Uji Asumsi Klasik
Uji Asumsi klasik dilakukan dengan tujuan untuk memberikan kepastian bahwa
persamaan regresi yang didapatkan memiliki ketepatan dalam estimasi, data yang
didapat tidak bias dan konsisten. Uji asumsi klasik yang dilakukan adalah uji
multikolinearitas, uji autokorelasi, uji heteroskedastisitas, uji normalitas, dan uji
linearitas.
Contoh Kasus:
“Pengaruh Modal dan Luas Lahan terhadap Produksi Pertanian (Studi Kasus
Kangkung dan Bayam)”
Berikut disajikan data pada tabel.
Tabel 20 Data untuk Uji Asumsi Klasik

Modal Luas Lahan Jumlah Produksi
(Rp) (m2) (ikat)
(X1) (X2) (Y)
1200000 450 400
700000 360 240
500000 200 100
600000 300 200
850000 405 360
600000 225 200
700000 288 240
700000 270 240
750000 315 280
500000 180 100
550000 240 100
600000 360 200
500000 144 175
550000 405 160
650000 225 250
500000 140 120
600000 225 200
850000 270 380
800000 315 300
700000 360 340
850000 405 350
800000 450 300
500000 135 120
750000 180 260
700000 225 250

62

850000 270 220
800000 315 350
550000 360 150
800000 405 360
550000 450 140
500000 252 120
600000 300 200
1200000 500 400
800000 450 320
500000 252 120
500000 315 160
800000 300 300
600000 300 200
850000 500 360
700000 252 240
800000 350 320
750000 300 280
550000 252 140
800000 405 320
1200000 500 400
800000 400 300
500000 135 180
550000 252 180
700000 180 240
7500000 300 240
850000 450 380
700000 216 240
800000 360 300
500000 126 80

63

1. Uji Asumsi Multikolinieritas
Multikolinieritas memiliki artian bahwa terdapat korelasi linear antara
variabel bebas yang satu dengan variabel bebas yang lain dalam model regresi
atau artinya korelasinya mendekati sempurna. Uji asumsi ini bertujuan untuk
menguji apakah pada model regresi ditemukan adanya korelasi antar variabel
independent (bebas). Jika terdapat atau terjadi korelasi, maka terdapat
problem multikolinieritas (multiko). Model regresi yang baik seharusnya
tidak terjadi korelasi di antara variabel independen. Multikolinieritas dapat
dilihat dari tolerance serta variance inflating factor (VIF). Apabila tolerance < 0,1
dan VIF > 10 maka dinyatakan terjadi multikolineritas. Apabila tolerance >
0,1 dan VIF > 10 maka dinyatakan terjadi multikolinearitas.
Langkah Kerja:
1. Masukkan data pada Data Editor SPSS seperti tampilan berikut ini.

Gambar 62 Tampilan Data Editor untuk Uji Asumsi Klasik
2. Pilih menu Analyze kemudian pilih submenu Regression, lalu pilih

Linear.

64

Gambar 63 Tampilan menu untuk uji multikolinieritas
3. Selanjutnya akan muncul kotak dialog Linear Regression. Pada kotak

Dependent diisi dengan variabel Produksi (Y), kemudian pada kotak
Independents diisi dengan variabel Modal (X1) dan Luas Lahan (X2).
Kemudian untuk Method pilih Enter.

Gambar 64 Tampilan kotak dialog untuk uji Multikolinieritas
4. Setelah itu, pilih Statistics pada kotak dialog tersebut maka akan muncul

kotak dialog Linear Regression:Statistics. Untuk menampilkan matriks
korelasi dan nilai tolerance serta VIF, aktifkan Covariance Matrix dan
Collinierity Diagnostics, kemudian klik Continue.

65

Gambar 65 Tampilan kotak dialog Linear Regression:Statistics untuk uji
Multikolinieritas

5. Kemudian klik Ok. Setelah itu akan muncul output hasil uji pada
Windows Viewer.
Tabel 21 Output Multikolinieritas

Dari tabel diatas menunjukkan bahwa tidak ada variabel independen yang
memiliki nilai Tolerance kurang dari 0,1 dan nilai VIF < 10 yang berarti tidak
ada korelasi antar variabel independent. Dengan demikian dapat dikatakan
bahwa tidak terjadi multikolinieritas.
2. Uji Asumsi Autokorelasi
Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk
mengetahui apakah terdapat korelasi variabel yang ada di dalam model
prediksi dengan perubahan waktu. Pada uji ini akan dilakukan uji autokorelasi
dengan Durbin Watson. Uji Durbin Watson adalah uji autokorelasi yang
menilai adanya autokorelasi pada residual. Uji Durbin Watson akan
menghasilkan nilai Durbin Watson (DW) yang nantinya akan dibandingkan

66

dengan dua (2) nilai Durbin Watson Tabel, yaitu Durbin Upper (DU) dan
Durbin Lower (DL). Jika nilai DW > DU dan (4-DW) > DU maka dikatakan
tidak terdapat autokorelasi.
Langkah Kerja:
1. Masih pada Data Editor yang sama pada uji sebelumnya, pilih Menu

Analyze kemudian pilih submenu Regression lalu pilih Linear.
2. Kemudian akan muncul kotak dialog Linear, pada kotak Dependent diisi

dengan variabel Produksi (Y), lalu pada kotak Independents diisi dengan
variabel Modal (X1) dan Luas Lahan (X2). Kemudian untuk Method
pilih Enter.
3. Lalu pada kotak dialog Linear, pilih Statistics maka akan muncul kotak
dialog Linear:Statistics.
4. Pada kotak dialog Linear:Statistics, aktifkan pilihan Durbin-Watson
kemudian klik Continue, lalu klik Ok.

Gambar 66 Tampilan kotak dialog Linear:Statistics untuk uji autokorelasi
5. Setelah itu akan muncul windows viewer yang akan menunjukkan
output uji autokorelasi.

67

Tabel 22 Output Uji Autokorelasi

Dari tabel diatas, diperoleh nilai Durbin-Watson sebesar 1,985. Nilai ini
akan dibandingkan dengan nilai tabel Durbin-Watson signifikansi 5%,
jumlah sampel 54 dan jumlah variabel independen sebanyak 2. Diperoleh
nilai DU sebesar 1,6383 dan nilai DL sebesar 1,4851. Dari data diatas
diperoleh nilai DW > DU dan nilai 4-DW > DU maka dapat dinyatakan
tidak terjadi autokorelasi.
3. Uji Asumsi Heteroskedastisitas
Uji asumsi ini bertujuan untuk melihat apakah di dalam model regresi
terdapat kesamaan varians dari residual dari satu pengamatan ke pengamatan
yang lain. Jika varians dari nilai residual dari satu pengamatan ke pengamatan
yang lain tetap, maka disebut Homokedastisitas, sedangkan jika nilai varians
dari satu pengamatan ke pengamatan yang lainnya berbeda maka disebut
Heteroskedastisitas. Pada uji heteroskedastisitas kali ini akan menggunakan
uji Glejser dengan penentuan jika nilai t-hitung > t-tabel atau nilai
signifikansi prob. < 0,1 maka terjadi heteroskedastisitas. Sebaliknya jika nilai
t-hitung < t-tabel atau nilai signifikansi prob. > 0,1 maka terjadi
homokedastisitas.
Langkah Kerja:
1. Masih pada Data Editor yang sama pada uji sebelumnya, pilih Menu
Analyze kemudian pilih submenu Regression lalu pilih Linear.
2. Kemudian akan muncul kotak dialog Linear, pada kotak Dependent diisi
dengan variabel Produksi (Y), lalu pada kotak Independents diisi dengan
variabel Modal (X1) dan Luas Lahan (X2). Kemudian untuk Method
pilih Enter.
3. Kemudian pada kotak dialog Linear pilih Plots maka akan muncul kotak
dialog Linear:Plots. Pada kotak dialog tersebut masukkan variabel

68

*SRESID pada kotak Y dan variabel *ZPRED pada kotak X. Kemudian
klik Continue. Kemudian klik Ok.

Gambar 67 Tampilan kotak dialog Linear:Plots untuk uji Heteroskedastisitas

4. Selanjutnya akan muncul windows viewer yang menyajikan output uji.
Tabel 23 Output Uji Heteroskedastisitas

Coefficientsa

Unstandardized Coefficients Standardized
Coefficients
Model B Std. Error t Sig.
Beta 1.830 .073
1 (Constant) 54.634 29.861 .424
.083 .806
Modal 8.042E-6 .000 .666 6.445 .0425

Luas Lahan .593 .092

a. Dependent Variable: Produksi

Berdasarkan data diatas, dapat dilihat bahwa nilai signifikansi dari setiap
variabel yaitu Modal dan Luas Lahan > 0,1 berarti nilai regresi tidak
terjadi heteroskedastisitas.

Gambar 68 Scatterplot uji heteroskedastisitas

69

Dari grafik scatterplot, terlihat bahwa titik-titik menyebar secara acak
serta tersebar baik diatas maupun dibawah angka nol pada sumbu Y. jadi
dapat disimpulkan bahwa model pada penelitian ini memenuhi syarat
untuk menjadi model yang baik karena merupakan model
homoskedastisitas atau varians dari nilai residual pengamatan satu ke
pengamatan yang lain tetap.
4. Uji Asumsi Normalitas
Uji normalitas bertujuan untuk menguji apakah di dalam model regresi,
variabel pengganggu atau residual memiliki distribusi normal. Seperti yang
diketahui, uji t dan uji F mengasumsikan bahwa nilai residual mengikuti
distribusi normal. Jika asumsi ini dilanggar, maka uji statistik menjadi tidak
valid untuk sampel yang kecil. Uji normalitas pada kesempatan ini akan
dilakukan menggunakan Uji Kolomogorov-Smirnov dengan ketentuan jika
nilai asymp.sig (2-tailed) > 0,05 maka regresi berdistribusi normal, sedangkan
jika nilai asymp.sig (2-tailed) < 0,05 maka regresi tidak berdistribusi normal.
Langkah kerja:
1. Masih pada Data Editor yang sama pada uji sebelumnya, pilih Menu
Analyze kemudian pilih submenu Regression lalu pilih Linear.
2. Kemudian akan muncul kotak dialog Linear, pada kotak Dependent diisi
dengan variabel Produksi (Y), lalu pada kotak Independents diisi dengan
variabel Modal (X1) dan Luas Lahan (X2). Kemudian untuk Method
pilih Enter.
3. Kemudian pada kotak dialog Linear pilih Plots maka akan muncul kotak
dialog Linear:Plots. Pada kotak dialog tersebut masukkan variabel
*SRESID pada kotak Y dan variabel *ZPRED pada kotak X. Kemudian
klik Continue. Kemudian klik Ok.
4. Setelah itu, pada kotak dialog Linear, pilih Save maka akan muncul kotak
dialog Linear:Save. Pada kotak dialog tersebut, aktifkan Unstandarized
yang terdapat pada bagian Residual, kemudian klik Continue. Lalu klik
Ok.

70

Gambar 69 Tampilan kotak dialog Linear Regression:Save pada uji
Normalitas

5. Setelah itu akan muncul nilai Residual pada Data Editor.

Gambar 70 Nilai Residual pada Data Editor untuk uji Normalitas
71

6. Kemudian pilih menu Analyze lalu pilih submenu Nonparametric Tests,
lalu pilih Legacy Dialogs kemudian pilih 1-Sample K-S…

Gambar 71 Tampilan menu untuk uji Normalitas
7. Setelah itu akan muncul kotak dialog One-Sample Kolmogorov

Smirnov Tests. Pada kotak dialog tersebut, variabel Unstandardized
Residual dipindahkan ke dalam kotak Test Variable List kemudian klik
Ok.

Gambar 72 Tampilan kotak dialog One-Sample Kolmogorov-
Smirnov Tests
72

8. Setelah itu akan muncul windows viewer yang menunjukkan output uji
Normalitas Kolmogorov-Smirnov.
Tabel 24 Output Uji Normalitas

Berdasarkan tabel diatas, hasil uji normalitas menunjukkan bahwa nilai
Asymp. Sig. (2-tailed) sebesar 0,200 artinya nilai Sig. > 0,05 sehingga
dapat disimpulkan bahwa nilai regresi data berdistribusi normal.
C. Uji Korelasi
Analisis korelasi merupakan studi pembahasan tentang derajat keeratan hubungan
antar variabel yang dinyatakan dengan nilai koefisien korelasi. Hubungan antar
variabel tersebut dapat bersifat positif dan negatif. Derajat hubungan biasanya
dinyatakan dengan huruf “r” atau disebut juga dengan koefisien korelasi sampel yang
merupakan penduga bagi koefisien populasi. Sedangkan r2 atau r-square disebut
dengan koefisien determinasi (koefisien penentu). Kekuatan korelasi linier antara
variabel yang dihubungkan dapat disajikan dengan rxy yang didefinisikan dengan
rumus:

73

Formula tersebut merupakan formula koefisien korelasi momen produk karl pearson.

Dalam penelitian analisis korelasi bivariat pearson digunakan untuk menguji

hubungan antara dua variabel yang menggunakan data berkala rasio atau interval.

Ada beberapa persyaratan atau asumsi dasar yang harus terpenuhi ketika hendak

memakai analisis korelasi bivariat pearson untuk menguji hipotesis penelitian, yaitu:

1. Data penelitian untuk masing-masing variabel setidaknya berskala rasio atau

interval (yaitu data yang berbentuk angka sesungguhnya atau data metrik).

Pada kasus penelitian sosial dengan data kuisioner, dapat digunakan skala

likert.

2. Data untuk masing-masing variabel yang dihubungkan berdistribusi normal

3. Terdapat hubungan linear antar variabel penelitian.

Untuk pengambilan keputusan, digunakan aturan sebagai berikut:

1. Jika Sig < 0,05, maka H1 diterima

2. Jika Sig > 0,05, maka H0 diterima

Contoh Kasus:

“Pengaruh Premi Panen terhadap Kinerja Karyawan PT. PTPN III (Persero)

Kebun Sisumut Kota Pinang Kabupaten Labuhan Batu Selatan”

Tujuan penelitian adalah unutuk mengetahui hubungan premi panen berdasarkan

indikator (kuantitas kerja, kualitas kerja, dan kehadiram) terhadap kinerja karyawan

di PT. PTPN III Kebun Sisumut, Kota Pinang, Kabupaten Labuhan Batu. Data

tersebut diperoleh dari kuisioner yang disebarkan kepada 21 karyawan. Kuisioner

menggunakan skala Likert dengan skor 1-5. Jawaban untuk setiap instrument skala

Likert mempunyai gradasi dari negatif sampai positif dan untuk keperluan analisis

kuantitatif maka jawaban diberikan skor sesuai dengan tabel berikut:

Tabel 25 Skala Likert pada Kuisioner

Pilihan Jawaban Skor

Sangat Tidak Setuju (STS) 1

Tidak Setuju (TS) 2

Ragu-Ragu (RR) 3

Setuju (S) 4

Sangat Setuju (SS) 5

Dengan skala Likert, maka variabel yang akan diukur dijabarkan menjadi indikator
variabel, kemudian indikator tersebut dijadikan sebagai pedoman untuk menyusun

74

item-item instrument. Untuk menghitung jumlah skor idela (kriterium) dari seluruh
item, digunakan rumus berikut:
Skor Kriterium = Nilai Skala x Jumlah Responden
Jika skor tertinggi adalah 5 dan jumlah responden adalah 21, maka dirumuskan
sebagai berikut:
Tabel 26 Skor Kriterium

No Rumus Skala
1 5 x 21 = 105 STS
2 4 x 21 = 84
3 3 x 21 = 63 S
4 2 x 21 = 42 RR
5 1 x 21 = 21 TS
STS

Penentuan Hipotesis:
H0 : Tidak ada hubungan antara kuantitas kerja, kualitas kerja, kehadiran

terhadap kinerja karyawan
H1 : Ada hubungan antara kuantitas kerja, kualitas kerja, kehadiran terhadap \

kinerja karyawan
Tabel 27 Data Uji Korelasi

75

Langkah Uji:
1. Input data pada Data Editor SPSS seperti tampilan berikut ini.

Gambar 73 Tampilan Data Editor untuk uji Korelasi
2. Kemudian pilih menu Analyze, lalu pilih submenu Correlate kemudian pilih

Bivariate.
76

Gambar 74 Tampilan menu untuk Uji Korelasi
3. Setelah itu akan muncul kotak dialog Bivariate Correlations. Kemudian pada

kotak dialog tersebut, pindahkan variabel X1, X2, X3, dan Y kedalam kotak
Variables, kemudian pada bagian Correlation Coefficients pilih Pearson,
lalu pilih Two-tailed pada bagian Test of Significance, kemudian klik Ok.

Gambar 75 Tampilan kotak dialog Bivariate Correlations untuk uji Korelasi
4. Selanjutnya akan muncul windows viewer yang menampilkan output uji

Korelasi Pearson.

77

Tabel 28 Output Uji Korelasi

Berdasarkan tabel diatas, diketahui bahwa variabel kuantitas kerja memiliki
signifikansi sebesal 0,005 lebih kecil dari 0,05 atau 0,005 < 0,05. Hal ini berarti
H1 diterima dan H0 ditolak sehingga ada hubungan antara kuantitas kerja
terhadap kinerja karyawan namun korelasi cukup kuat yaitu 0,592. Variabel
kualitas kerja memiliki signifikansi sebesar 0,024 lebih kecil dari 0,05 atau
0,024 < 0,05 sehingga H1 diterima dan H0 ditolak (ada hubungan antara
kualitas kerja terhadap kinerja karyawan) namun korelasi cukup kuat yaitu
0,570. Variabel kehadiran memiliki signifikansi 0,020 lebih kecil dari 0,05 atau
0,020 < 0,05 sehingga H1 diterima dan H0 ditolak (ada hubungan antara
kehadiran terhadap kinerja karyawan) namun korelasi cukup kuat yaitu 0,503.
Dari hasil pengujian hipotesis, membuktikan bahwa ada hubungan antara
kuantitas kerja, kualitas kerja, dan kehadiran terhadap kinerja karyawan
walaupun korelasi cukup kuat.
D. Uji Regresi Sederhana
Analisis regresi linear sederhana digunakan untuk mengukur besarnya pengaruh
suatu variabel bebas atau variabel independent terhadap variabel terikat atau variabel
dependent. Syarat kelayakan yang harus terpenuhi saat menggunakan regresi linear
sederhana adalah jumlah sampel yang digunakan harus sama, jumlah variabel bebas

78

(X) adalah 1 (satu), nilai residual harus berdistribusi normal, terdapat hubungan yang
linear antara variabel bebas (X) dengan variabel terikat (Y), tidak terjadi
heterokedastisitas, dan tidak terjadi autokorelasi (data time series). Secara umum
persamaan regresi linear sederhana dapat dirumuskan sebagai berikut:

Y = a + bX
Contoh Kasus:
“Pengaruh Harga Karet terhadap Tingkat Kesejahteraan Masyarakat Petani
Karet”
Tujuan penelitian adalah untuk mengukur pengaruh harga karet terhadap tingkat
kesejahteraan masyarakat petani karet di Desa Kalobba.
Variabel X pada penelitian ini adalah harga karet sementara Variabel Y adalah
kesejahteraan masyarakat petani. Data penelitian didapat dari kuisioner yang
menggunakan skala Likert dalam perhitungan nilai kuantitatifnya.
Hipotesis
H0 : Tidak ada pengaruh antara harga karet terhadap tingkat kesejahteraan
masyarakat petani karet
H1 : Ada pengaruh antara harga karet terhadap tingkat kesejahteraan masyarakat
petani karet
Tabel 29 Data Uji Regresi Linear Sederhana

Harga Karet (X) Kesejahteraan Petani (Y)
29 35
24 28
30 34
23 32
28 31
28 34
24 34
24 34
24 31
27 39
24 36
26 35
29 36
29 31
28 32
24 35
25 32
26 27

79

30 31
30 31
24 34
24 28
27 28
29 30
28 26
21 32
26 31
27 32
26 32
26 32
23 31
25 29
26 29
27 32
29 32
24 32
24 31
30 35
28 33
29 32
28 29
23 34
26 30
30 25
24 32
27 32
23 37
25 27
30 26
21 33
26 38
28 33
29 29
25 36
30 38
24 27
29 28
30 37
24 34
24 33
28 40
27 38

80

Langkah Kerja:
1. Input data pada Data Editor SPSS seperti tampilan berikut ini.

Gambar 76 Tampilan Data untuk Uji Regresi Sederhana
2. Pilih menu Analyze, submenu Regression lalu pilih Linear.

Gambar 77 Tampilan menu untuk uji regresi sederhana
3. Kemudian akan muncul kotak dialog Linear Regression. Pada kotak dialog

tersebut, pindahkan variabel Kesejahteraan Petani (Y) pada kotak
Dependent dan variabel Harga (X) pada kotak Independent(s). Kemudian
klik Ok.

81

Gambar 78 Kotak dialog Linear Regression untuk uji regresi sederhana
4. Kemudian akan muncul windows viewer yang menampilkan hasil uji regresi

sederhana.
Tabel 30 Output Uji Regresi Sederhana

Dari output diatas, didapatkan model persamaan regresi:
Y = 33,393 – 0,046X

Koefisien-koefisien persamaan regresi linear sederhana diatas dapat diartikan
koefisien regresi untuk konstan sebesar 33,393 menunjukkan bahwa jika
variabel harga karet bernilai nol atau tetap maka akan meningkatkan
kesejahteraan petani karet sebesar 33,393 satuan atau sebesar 33,393%.
Variabel harga karet 0,046 menunjukkan bahwa variabel harga karet
meningkat 1 satuan maka akan meningkatkan kesejahteraan petani karet
sebesar 0,046 satuan.
Berdasarkan output diatas, diketahui nilai signifikansi (Sig.) sebesar 0,794
lebih besar dari probabilitas 0,05 sehingga dapat disimpulkan bahwa H0

82

diterima dan H1 ditolak, yang berarti bahwa tidak ada pengaruh antara harga
karet dengan kesejahteraan masyarakat petani karet.
Tabel 31 Output r-square pada uji regresi sederhana

Dari output di atas diketahui nilai r-square sebesar 0,001. Nilai ini
mengandung arti bahwa pengaruh harga karet (X) terhadap kesejahteraan
petani (Y) adalah sebesar 0,1% sedangkan 99,9% kesejahteraan petani
dipengaruhi oleh variabel yang lain yang tidak diteliti.
E. Uji Regresi Berganda
Analisis regresi linear berganda berfungsi untuk mencari pengaruh dari dua atau
lebih variabel bebas (X) terhadap variabel terikat (Y). Sebelum melakukan analisis
regresi berganda untuk uji hipotesis penelitian, maka ada beberapa asumsi yang harus
terpenuhi dalam model regresi, yaitu:
1. Uji normalitas, dimana asumsi yang harus terpenuhi adalah model regresi
berdistribusi normal
2. Uji linearitas, dimana hubungan yang terbentuk anatar variabel independent
dengan variabel dependen secara parsial adalah linear
3. Uji multikolinearitas, dimana model regresi yang baik adalah tidak terjadi
gejala multikolinearitas
4. Uji heteroskedastisitas, dalam model regersi tidak terjadi gejala
heteroskedastisitas
5. Uji autokorelasi (khusus data time series), persyaratan yang harus terpenuhi
adalah tidak terjadi autokorelasi.
Adapun rumus persamaan analisis regresi berganda adalah sebagai berikut:

Y = a + b1x1 + b2x2 …… bn
Contoh Kasus:
“Analisis Pengaruh Luas Lahan, Jumlah Produksi, dan Biaya Produksi
terhadap Pendapatan Petani Padi”

83

Tujuan Penelitian adalah untuk mengetahui pengaruh luas lahan, jumlah produksi,
dan biaya produksi terhadap pendapatan petani padi.
Hipotesis:
H0 : Tidak ada pengaruh antara luas lahan, jumlah produksi, dan biaya produksi

terhadap pendapatan
H1 : Ada pengaruh antara luas lahan, jumlah produksi, dan biaya produksi

terhadap pendapatan
Tabel 32 Data Uji Regresi Linear Berganda

Luas Lahan (X1) Jumlah Produksi (X2) Biaya Produksi (X3) Pendapatan (Y)
6 5 28 6
7 5 26 3
6 5 28 5
4 7 24 4
6 5 21 7
7 4 22 3
8 7 23 6
7 6 23 5
5 5 26 6
7 7 26 4
6 5 27 7
7 7 25 7
6 4 27 5
6 5 28 6
7 7 23 7
6 5 24 3
7 6 27 5
6 4 25 7
7 7 22 7
6 5 22 5
7 5 22 7
5 4 28 6
6 5 23 4
7 6 21 5
7 7 23 6
6 5 23 3
7 7 30 5
6 5 21 4
7 7 29 7
7 5 24 6
6 4 29 5
4 5 24 6

84

57 31 4
75 25 6
67 22 6
74 29 3
85 25 7
77 29 5
65 25 7
64 30 7
74 22 7
85 29 6
67 28 4
45 23 5
66 25 6
77 27 6
65 23 5
45 22 7
57 26 7
74 27 3
65 22 6
47 21 7
64 24 5
45 25 7
54 26 5
55 29 5
67 22 6
74 27 6
65 27 5
77 29 7
45 27 5
67 23 5
75 30 5
64 23 6
46 29 6
44 25 7
77 22 7
65 28 6
44 24 6
47 29 6
74 24 6
75 27 5
67 28 6
44 23 5
77 30 7
74 19 7

85

75 23 6

75 28 6

44 23 6

Data diatas didapatkan melalui kuisioner (kualitatif) menggunakan skala Likert

untuk mendapatkan data kuantitatif. Sampel yang digunakan adalah 79 orang.

Langkah Kerja:

1. Input data diatas ke dalam Data Editor SPSS seperti pada tampilan berikut

ini.

Gambar 79 Tampilan data untuk uji regresi linear berganda
2. Kemudian pilih menu Analyze, lalu pilih submenu Regression kemudian pilih

Linear. Kemudian akan muncul kotak dialog Linear Regression.
3. Pada kotak dialog Linear Regression, kotak Dependent diisi dengan

variabel Pendapatan (Y), sementara kotak Indepentent(s) diisi dengan
variabel Luas Lahan (X1), Jumlah Produksi (X2), dan Biaya Produksi
(X3). Seperti pada tampilan berikut ini.

86

Gambar 80 Tampilan kotak dialog Linear Regression untuk uji regresi
berganda

4. Kemudian pilih Statistics maka akan muncul kotak dialog Linear
Regression:Statistics. Pada kotak dialog tersebut, pilih Model fit.
Kemudian klik Continue lalu Ok.

Gambar 81 Tampilan kotak dialog Linear Regression:Statistics untuk uji
regresi berganda

5. Kemudian akan muncul windows viewer yang menampilkan output uji regresi
linear berganda.

87

Tabel 33 Output Koefisien Uji Regresi Linear Berganda

Tabel diatas memberikan informasi tentang persamaan regresi dan ada
tidaknya pengaruh variabel Luas Lahan, Jumlah Produksi, dan Biaya
Produksi secara parsial (sendiri-sendiri) terhadap variabel Pendapatan.
Adapun rumus persamaan regresi dalam analisis tersebut adalah sebagai
berikut:
Y = 6,318 + -0,042X1 + 0,150X2 – 0,049X3

F. Analisis Uji Independet Sample T-Test
Independent Sample t-test adalah uji statistik yang membandingkan rata-rata

dari dua kelompok sampel yang saling bebas (independent). Independent sample t-
test digunakan untuk melihat apakah terdapat perbedaan yang signifikan secara
statistik antara dua kelompok tersebut (ditinjau dari rata-rata). Perlu ditegaskan
kembali bahwa kedua kelompok tersebut haruslah saling bebas/ tidak
berhubungan/ tidak ada kaitan ataupun disebut juga independent.

Beberapa contoh kasus yang menggunakan uji Independent Sample T-Test
melihat perbedaan pendapatan, perbedaan biaya usahatani, perbedaan kinerja,
perbedaan jam kerja, perbedaan pendidikan, perbedaan pengetahuan, perbedaan rata-
rata kelompok perlakuan dan kelompok kontrol, serta perbedaan lainnya. Hanya saja
dalam uji ini, dua kelompok tersebut harus saling bebas. Artinya, sampel yang
berbeda, terdiri dari dua kelompok berbeda, tidak boleh lebih dari dua kelompok. Jika
lebih dari dua kelompok yang berbeda dapat menggunakan ANOVA. Namun jika dua
kelompok tersebut berasal dari kelompok yang sama, misal pendapatan sebelum dan
sesudah pelatihan, biaya sebelum dan sesudah penggunaan teknologi, kinerja sebelum
dan sesudah adanya premi, dengan sampel kelompok yang sama, maka uji yang tepat

88

adalah Paired Sample T-test. Uji Paired Sample T-test untuk melihat apakah ada
perbedaan rata-rata antara dua sampel yang saling berpasangan atau berhubungan.
Contoh Kasus:
“Komparasi Usahatani Kopi (Coffea arabica L.) dan Usahatani Jeruk (Citrus nobilis
Lour.). Salah satu tujuan penelitiannya adalah untuk melihat perbedaan pendapatan
usahatani kopi dan usahatani jeruk. Tujuan penelitian ini adalah untuk memberi
gambaran bagi petani dalam pengembangan usahatani kopi dan usahatani jeruk yang
lebih baik.
Berikut disajikan data pendapatan usahatani kopi dan usahatani jeruk.
Tabel 34 Data pendapatan usahatani kopi dan jeruk

No Pendapatan Jeruk Pendapatan Kopi
Sampel
69,070,000 55,176,000
1 72,187,500 65,829,688
2 77,599,000 52,537,500
3 43,342,187 40,820,000
4 25,077,500 39,587,500
5 92,967,000 68,435,714
6 84,963,000 66,458,333
7 77,899,000 85,850,000
8 54,763,334 38,229,000
9 61,911,000 55,878,000
10 95,341,250 54,121,875
11 60,600,500 46,855,000
12 47,746,250 39,954,667
13 78,474,000 38,803,333
14 72,263,500 43,296,800
15 70,861,430 53,483,333
16 36,457,500 47,907,000
17 36,965,000 57,156,000
18 66,091,000 53,715,000
19 88,220,000 63,694,000
20 74,728,000 73,412,500
21 50,257,000 69,984,000
22 41,417,187 77,458,000
23

89

24 70,634,000 103,628,333

25 59,760,000 55,768,500

26 65,782,666 41,283,750

27 73,442,000 38,279,000

28 25,511,250 36,287,000

29 58,960,000 46,512,500

30 8,115,000 58,949,000
Menentukan Hipotesis:

H0 : Tidak ada perbedaan pendapatan petani jeruk dengan pendapatan petani kopi

H1 : Ada perbedaan pendapatan petani jeruk dengan pendapatan petani kopi

Langkah Uji:

1. Buatlah terlebih dahulu kode untuk masing-masing variabel pada Ms.Excel

agar mudah saat di input copy paste pada SPSS

Gambar 82 Tampilan data untuk Uji Independent T-Test pada Ms Excel
2. Pada lembar kerja excel, berikan kode 1 untuk pendpatan petani jeruk, dan

kode 2 untuk pendapatan petani kopi
3. Buka lembar kerja SPSS, input data pada Data view, dengan memberikan

kode 1 pada pendapatan jeruk, dan kode 2 pada pendapatan petani kopi.
Jumlah baris akan menjadi 60. 30 dengan kode 1, dan 30 dengan kode 2.

Gambar 83 Tampilan Data Editor SPSS untuk Uji Independet T-Test

90