PENDAHULUAN

Latar Belakang

Faktor produksi merupakan hal yang sangat berpengaruh di dalam sebuah produksi. Misalnya dalam pertanian padi banyak faktor yang dapat mempengaruhi hasil produksi padi di berbagai daerah. Beberapa faktor yang diduga mempengaruhi peningkatan produksi padi yaitu luas lahan garapan, jumlah tenaga kerja, dosis pupuk, dosis pestisida, dan banyak hal lainnya. Masing-masing faktor produksi tersebut mempunyai fungsi, manfaat dan juga pengaruh yang berbeda satu sama lainnya. Jika salah satu faktor produksi tidak terpenuhi, maka proses produksi dapat terhambat dan tidak bisa berjalan. Untuk mengetahui apa saja faktor-faktor agar suatu produksi tidak terhambat, maka akan dilakukan uji dengan tujuan untuk mengetahui apakah terdapat hubungan antara luas panen, curah hujan, dan kelembapan terhadap hasil produksi padi melalui uji regresi linear berganda.

TINJAUAN PUSTAKA

Analisis Regresi

Analisis regresi digunakan untuk mengukur besarnya pengaruh variabel prediktor terhadap variabel respon dan juga memprediksi variabel respon dengan menggunakan variabel prediktor. Analisis regresi didefinisikan sebagai kajian terhadap hubungan satu variabel yang disebut sebagai variabel yang diterangkan dengan satu atau dua variabel yang menerangkan. Apabila variabel prediktor lebih dari satu, maka disebut sebagai analisis regresi berganda. Analisis regresi tersebut disebut berganda karena terdapat beberapa variabel prediktor yang akan dikenakan kepada variabel respon.

Analisis regresi dilakukan dengan tujuan untuk menjelaskan atau memodelkan hubungan antar variabel. Terdapat variabel y sebagai variabel respon atau variabel yang dijelaskan dan juga variabel x sebagai variabel prediktor atau variabel penjelas.

Asumsi pads Analisis Regresi

Uji Normalitas

Uji normalitas data perlu dilakukan agar peneliti dapat menentukan jenis uji statistik apa yang akan digunakan. Apabila data berdistribusi normal, maka digunakan statistik parametrik untuk melakukan inferensi statistik. Namun apabila data tidak berdistribusi normal, maka digunakan statistik nonparametrik. Uji normalitas juga perlu dilakukan untuk penelitian yang menggunakan parameter rataan sebagai tolak ukur keberhasilan suatu penelitian.

Uji Homoskedastisitas

Uji homoskedastisitas dilakukan untuk menguji apakah model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lainnya. Jika varians dari residual satu pengamatan ke pengamatan lain tetap disebut sebagai homoskedastisitas, namun jika residual satu pengamatan ke pengamatan lain berbeda disebut sebagai heterokedastisitas. Model regresi yang baik adalah model regresi yang homoskedastisitas atau tidak terjadi heterokedastisitas.

Uji Autokorelasi

Uji autokorelasi dilakukan untuk menguji korelasi di antara variabel error, hal tersebut berarti tidak terpenuhinya asumsi yang menyatakan bahwa nilai-nilai variabel e tidak berkorelasi.

Uji Multikolinearitas

Uji multikolinearitas dilakukan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik adalah tidak terjadi korelasi yang tinggi di antara variabel independennya.

SOURCE CODE

Library

> library(lmtest)
> library(car)
> # Library(lmtest)
> # Library(car)

Data

Import Data

> data <-read.csv(file = "D:/ACER/Documents/Praktikum KomStat/Data Produksi Padi.csv", header = TRUE, sep = ";")
> summary(data)
       X1               X2             X3             Y          
 Min.   : 50111   Min.   : 560   Min.   :69.0   Min.   :1615751  
 1st Qu.:472635   1st Qu.:1682   1st Qu.:78.0   1st Qu.:1951109  
 Median :496879   Median :1940   Median :79.0   Median :2124144  
 Mean   :501808   Mean   :1944   Mean   :79.4   Mean   :2447050  
 3rd Qu.:570417   3rd Qu.:2307   3rd Qu.:82.0   3rd Qu.:2940795  
 Max.   :707266   Max.   :3040   Max.   :85.0   Max.   :4090654  
> head(data)
      X1   X2 X3       Y
1 433078 2307 85 1646900
2 425940 2034 78 1615751
3 514363 3040 83 1943709
4 515192 1935 83 1971740
5 454087 1253 78 1753656
6 521575 2585 84 1975700

Analisis Regresi Berganda

> reg <- lm(Y~X1+X2+X3,
+           data = data)
> summary(reg)

Call:
lm(formula = Y ~ X1 + X2 + X3, data = data)

Residuals:
    Min      1Q  Median      3Q     Max 
-857811 -445859 -261269  370021 1777460 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)  
(Intercept)  4.731e+06  3.623e+06   1.306   0.2057  
X1           2.158e+00  1.192e+00   1.811   0.0845 .
X2           1.399e+02  3.360e+02   0.416   0.6813  
X3          -4.584e+04  5.006e+04  -0.916   0.3703  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 711100 on 21 degrees of freedom
Multiple R-squared:  0.1482,    Adjusted R-squared:  0.02648 
F-statistic: 1.218 on 3 and 21 DF,  p-value: 0.3279

Uji Asumsi

Uji Normalitas

> shapiro.test(residuals(reg))

    Shapiro-Wilk normality test

data:  residuals(reg)
W = 0.88278, p-value = 0.007891

Uji Homoskedastisitas

> lmtest::bptest(reg)

    studentized Breusch-Pagan test

data:  reg
BP = 3.458, df = 3, p-value = 0.3262

Uji Autokorelasi

> lmtest::dwtest(reg)

    Durbin-Watson test

data:  reg
DW = 0.29927, p-value = 6.539e-10
alternative hypothesis: true autocorrelation is greater than 0

Uji Multikolinearitas

> car::vif(reg)
      X1       X2       X3 
1.038228 1.377041 1.397819

Hasil dan Pembahasan

Analisis Regresi Berganda

> summary(reg)

Call:
lm(formula = Y ~ X1 + X2 + X3, data = data)

Residuals:
    Min      1Q  Median      3Q     Max 
-857811 -445859 -261269  370021 1777460 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)  
(Intercept)  4.731e+06  3.623e+06   1.306   0.2057  
X1           2.158e+00  1.192e+00   1.811   0.0845 .
X2           1.399e+02  3.360e+02   0.416   0.6813  
X3          -4.584e+04  5.006e+04  -0.916   0.3703  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 711100 on 21 degrees of freedom
Multiple R-squared:  0.1482,    Adjusted R-squared:  0.02648 
F-statistic: 1.218 on 3 and 21 DF,  p-value: 0.3279

Persamaan Regresi Linear Berganda: \[ Y = 0.000004731 + 2.158X1 + 0.01399X2 - 0.0004584X3 \] Interpretasi:

  • b0 : Jika variabel luas panen, curah hujan, dan kelembapan konstan, maka nilai hasil produksi padi akan berubah sendirinya sebesar 0.000004731

  • b1 : Jika variabel luas panen naik 1 tingkatan dan variabel lainnya konstan, maka nilai hasil produksi padi akan meningkat sebesar 2.158

  • b2 : Jika variabel curah hujan naik 1 tingkatan dan variabel lainnya konstan, maka nilai hasil produksi padi akan meningkat sebesar 0.01399

  • b3 : Jika variabel kelembapan naik 1 tingkatan dan variabel lainnya konstan, maka nilai hasil produksi padi akan menurun sebesar 0.0004584

Uji Asumsi

Uji Normalitas

> shapiro.test(residuals(reg))

    Shapiro-Wilk normality test

data:  residuals(reg)
W = 0.88278, p-value = 0.007891

Hipotesis

H0 : Residual mengikuti distribusi normal

H1 : Residual tidak mengikuti distribusi normal

Keputusan

p-value (0.007891) < alpha (0.05), maka Tolak H0

Kesimpulan

Dapat disimpulkan bahwa residual tidak mengikuti distribusi normal

Uji Homoskedastisitas

> lmtest::bptest(reg)

    studentized Breusch-Pagan test

data:  reg
BP = 3.458, df = 3, p-value = 0.3262

Hipotesis

H0 : Error model memiliki ragam yang konstan

H1 : Error model memiliki ragam yang tidak konstan

Keputusan

p-value (0.3262) > alpha (0.05), maka Terima H0

Kesimpulan

Dapat disimpulkan bahwa error model memiliki ragam yang konstan

Uji Autokorelasi

> lmtest::dwtest(reg)

    Durbin-Watson test

data:  reg
DW = 0.29927, p-value = 6.539e-10
alternative hypothesis: true autocorrelation is greater than 0

Hipotesis

H0 : Tidak terjadi kasus autokorelasi

H1 : Terjadi kasus autokorelasi

Keputusan

p-value (6.539e-10) < alpha (0.05), maka Tolak H0

Kesimpulan

Dapat disimpulkan bahwa terjadi kasus autokorelasi pada penelitian tersebut

Uji Multikolinearitas

> car::vif(reg)
      X1       X2       X3 
1.038228 1.377041 1.397819

Keputusan

  • nilai VIF Luas panen = 1.038228 < 10

  • nilai VIF Curah hujan = 1.377041 < 10

  • nilai VIF Kelembapan = 1.397819 < 10

Kesimpulan

Didapatkan semua nilai VIF < 1O, maka dapat disimpulkan bahwa tidak terdapat multikolinearitas antara variabel prediktor.

Penutup

Kesimpulan

Berdasarkan pengujian yang telah dilakukan, dapat disimpulkan bahwa tidak terdapat pengaruh antara luas panen, curah hujan dan kelembapan terhadap hasil produksi tanaman padi. Berdasarkan uji normalitas, dapat disimpulkan bahwa residual tidak mengikuti distribusi normal. Berdasarkan uji homoskedastisitas, dapat disimpulkan bahwa error model memiliki ragam yang konstan. Berdasarkan uji autokorelasi, dapat disimpulkan bahwa terjadi kasus autokorelasi pada penelitian tersebut. Berdasarkan uji multikolinearitas, dapat disimpulkan bahwa tidak terdapat multikolinearitas antara variabel prediktor dan dapat disimpulkan bahwa model tersebut merupakan model regresi yang baik.

Daftar Pustaka

Usmadi. 2020. PENGUJIAN PERSYARATAN ANALISIS (UJI HOMOGENITAS DAN UJI NORMALITAS). (Online) Nasrum, A. 2018. Uji Normalitas Data untuk Penelitian. Denpasar: Jayapangus Press Rahman, A. dan Rochmanika, R. 2012. Pengaruh Pembiayaan Jual Beli, Pembiayaan Bagi Hasil, dan Rasio Non Performing Financing terhadap Profitabilitas Bank Umum Syariah di Indonesia. (online)