Tabel 17. Hasil Uji Multikolinearitas Dengan Menggunakan Nilai VIF Coefficients* Collinearity Statistics Model T Sig. Tolerance VIF 1 (Constant) 8.869 (000 Tingkat Pendidikan -5.181 000 738 1354 Usia Petani 8.434 000 302 1,992 Pengalaman Bertani 4.858 000 816 1.225 Luas Lahan 6.180 000 557 1.797 Upah Tenaga Kerja -2.767 010 700 1.429 Harga Benih 510 615 567 1.764 Harga Pupuk 340 737 472, 2.120 Harga Pestisida 810 426 384 2.607 ‘a, Dependent Variable: Pendapatan usahatani Sumber : Data primer diolah 2023 Berdasarkan pada tabel 17 bahwa nilai VIF menunjukkan angka lebih kecil dari 10, sehingga dapat dikatakan tidak adanya gejala multikolinearitas pada model regresi Sedangkan nilai tolerance mempunyai nilai lebih besar dari 0,10. Jika nilai VIF lebih besar dari 10 maka diindikasikan model tersebut mengalami multikolinearitas. Sebaliknya, jika VIF lebih kecil dari 10 maka diindikasikan bahwa model tersebut tidak mengalami multikolinearitas yang serius (Darmasari ef al., 2023). ©) Uji Heterokedastisitas Uji heteroskedastisitas digunakan untuk mengetahui apakah dalam sebuah model regresi terjadi ketidaksamaan variance dan residual dari satu pengamatan ke pengamatan yang lain, hasil analisis data uji heterokedastisitas dapat dilihat pada gambar 3. 57Seatepot Dependent Varble: Pendepatan usshetan Regression Stunted Resid Regression Standardized Predicted Vater Gambar 3. Hasil Uji Heterokedastisitas Berdasarkan pada gambar 3 dapat dilihat bahwa hasil uji Heterokedastisitas yaitu titik-titik menyebar secara acak, tidak membentuk sebuah pola tertentu yang jelas, serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi dan sesuai dengan dasar pengambilan keputusan, Salah satu cara mendeteksi heterokedastisitas adalah dengan transformasi tethadap pengganggu respon yang dilakukan dengan tujuan untuk menjadikan ragam menjadi homogen pada pengganggu respon hasil transformasi tersebut. Namun, dalam mendekati terjadinya heteroskedastisitas dalam model dapat digunakan juga metode grafik (Darmasari et al., 2023). Scatterplot adalah salah satu metode visual yang dapat digunakan untuk memeriksa apakah terdapat pola yang mengindikasikan heteroskedastisitas. Interpretasi_ujiheteroskedastisitas dari scatterplot melibatkan pengamatan pola sebaran residual di sepanjang nilai-nilai prediktor. Uji heterokedastisitas dengan melihat grafik Scatterplot mempunyai kelemahan yang cukup signifikan sebab jumlah pengamatan tertentu sangat mempengaruhi hasil ploting sehingga untuk mempertegas apakah terjadi_masalah heterokedastisitas atau tidak maka diperlukanuji heterokedastisitas dengan menggunakan uji gletser. Hasil uji regresi linier berganda dapat dijelaskan pada tabel 18. 58Tabel 18. Hasil Uji Heterokedastisitas Menggunakan Uji Gletser Coefficients* Collinearity Statistics Model T Sig. Tolerance VIF 1 (Constant) 2.396 024 Tingkat Pendidikan 1.427 166 738 1.354 Usia Petani -1,642 113 502 1,992 Pengalaman Bertani 289 7715 816 1.225 Luas Lahan 483 633587 1.797 Upah Tenaga Kerja. -.567 376.700 1.429 Harga Benih ~.254 302.567 1.764 Harga Pupuk -1,096 284 AT 2.120 Harga Pestisida 1.484 150 384 2.607 a. Dependent Variable: ABS_RES Sumber : Data primer diolah 2023 Berdasarkan pada tabel 18 dapat dilihat bahwa hasil uji Heterokedastisitas ‘menggunakan uji gletser yaitu nilai signifikansi > 0,05 maka dapat disimpulkan bahwa. tidak terjadi gejala heterokedastisitas dalam model regresi linier berganda. uji_glejser dilakukan dengan meregresikan variabel-variabel bebas terhadap nilai absolute residualnya. Jika nilai signifikan dari hasil uji glejser lebih besar dari a (0,05) maka tidak terdapat heteroskedastisitas dan sebaliknya, Data yang diperoleh dari hasil penelitian diolah dan disetarakan untuk dianalisis sesuai dengan tujuan penelitian (Darmasari et al., 2023). 5. Analisis data menggunakan pendekatan analisis regresi linear berganda (Multiple Regression Model) Hasil uji regresi linier berganda di dacrah penclitian bertujuan untuk mengetahui faktor-faktor sosial dan ekonomi yang berpengaruh nyata terhadap 59pendapatan usahatani tembakau di daerah penelitian, Hasil uji regresi linier berganda dapat dijelaskan pada tabel 19. Tabel 19. Hasil Uji Regresi Linier Berganda Coefficients* Unstandardized Standardized Coefficients Coefficients Model B Std.Eror Beta t Sig. 1 (Constant) 6.928 781 8.869.000 Tingkat Pendidikan ~.745 144 -316 5.181.000 Usia Petani -L.13 132 -623 -8.434. 000 Pengalaman Bertani 326 067 281 4.858.000 Luas Lahan 1.089 176 434 6.180.000 Upah Tenaga Kerja -.087 032, =I -2.767 010 Harga Benih 042, 082 035 510615 Harga Pupuk 022, 065 026 340.737 Harga Pestisida 059 072 068 810.426 a. Dependent Variable: Pendapatan usahatani Sumber : Data primer diolah 2023 Berikut persamaan UOP of Cobb-Douglas Profit Function dalam pen Ps Yr = + + In 2% =In bo + bl In X1 + b2 ln X2~ b3 In X3 + b4 In X4+ BS In EE Pe Py Pa FS + bT In 22+ b8 In hs yp = 6,928 — 0,745 In XI ~ 1,113 In X2 + 0,326 In X3 +1,089 In X4— 0,087 In XS + 0,042 In X6 +0,022 In X7 + 0,059 In X8 + 0,781 60Keterangan: Yp = Pendapatan usahatani tembakau yang dinormalkan dengan harga hasil produksi HPD = Harga hasil produksi XI = Tingkat pendidikan X2 = Usia petani X3 = Pengalaman bertani 2X4 = Luas lahan PS = Upah tenaga kerja yang dinormalkan dengan harga hasil produksi 6 = Harga benih yang dinormalkan dengan harga hasil produksi X7 = Harga pupuk yang dinormalkan dengan harga hasil produksi X8 = Harga pestisida yang dinormalkan dengan harga hasil produksi DI... b8 = koefisien regresi y= error terms Tingkat harga input variabel (P1, P2, P3, P4 dan PS) sudah dibagi dengan ‘ingkat harga output dan sudah dalam bentuk logaritma natural (Nurdiani et al., 2023). 1, Uji Koefisien Determinasi (R” Uji Koefisien determinasi dilakukan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependennya. Nilai koefisien determinasi adalah antara nol dan satu, Nilai koefisien regresi yang mendekati satu berarti kemampuan variabel-variabel independen memberikan hampir semua informasi yang dibutubkan untuk memprediksi variasi variabel dependen. Sedangkan nilai yang mendekati 1 berarti variabel- variabel bebas dalam menjelaskan variable terikat sangat terbatas. Sedangkan nilai yang mendekati 1 berarti variabel- variabel bebas meberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variable terikat Jika dalam uji empiris didapat nilai adjusted R2 negatif , maka nilai adjusted R2 dianggap bernilai 0. Dengan demikian, pada penelitian ini tidak menggunakan R2 namun menggunakan nilai adjusted R2 untuk mengevaluasi model regresi. Hasil data yang dianalisis tersebut dapat dilihat pada tabel 20. 61