> #install.packages("knitr")
> #install.packages("rmarkdown")
> #install.packages("prettydoc")
> #install.packages("equatiomatic")

1 BAB I PENDAHULUAN

1.1 1.1 Latar Belakang

Tingginya ketergantungan Indonesia terhadap impor beras dari negara lain menjadi salah satu alasan mengapa penting untuk meningkatkan produksi beras di dalam negeri melalui program intensifikasi dan ekstensifikasi. Namun, program tersebut menghadapi hambatan dalam bentuk perubahan penggunaan lahan menjadi non-pertanian. Selain itu, ketersediaan gabah atau beras juga dipengaruhi oleh laju pengurangan luas lahan sawah oleh para petani padi. Menurut data dari Badan Pusat Statistik (BPS), luas lahan sawah yang tersedia terus mengalami penurunan. Pada tahun 2018, luas lahan sawah hanya mencapai 7,1 juta hektar, menurun dari 7,75 hektar pada tahun 2017 (Badan Pusat Statistik, 2018). Pertanian menjadi sektor utama yang dominan dalam kegiatan perekonomian, terutama di Kabupaten Nunukan, Provinsi Kalimantan Utara. Diperlukan upaya untuk meningkatkan revolusi di sektor pertanian guna menghasilkan hasil yang lebih baik baik dari segi jumlah maupun kualitas. Sektor pertanian yang mencakup tanaman pangan, perkebunan, kehutanan, perikanan, dan peternakan selalu menjadi prioritas untuk mendukung pertumbuhan dan stabilitas ekonomi. Sektor pertanian dalam kegiatan produksinya membutuhkan berbagai jenis faktor produksi, termasuk pupuk, pestisida, tenaga kerja, modal, lahan, irigasi, dan bibit. Faktor-faktor ini digunakan untuk menghasilkan keluaran seperti padi. Untuk menjalankan proses produksi secara efektif, semua persyaratan faktor produksi harus terpenuhi. Faktor produksi terdiri dari beberapa komponen, termasuk luas lahan, tenaga kerja, bibit, pupuk, pestisida, dan kemampuan manajerial atau keterampilan dalam pengelolaan. Namun, dalam beberapa literatur, beberapa ahli hanya menyebutkan tiga faktor produksi, yaitu luas lahan, modal, dan tenaga kerja. Setiap faktor memiliki peran yang berbeda dan saling terkait satu sama lain. Jika salah satu faktor tidak tersedia, proses produksi atau kegiatan pertanian tidak dapat berjalan, terutama ketiga faktor utama seperti lahan, modal, dan tenaga kerja (Daniel, 2004). Ketika produksi pertanian masih rendah, hal ini biasanya disebabkan oleh pengelola lahan yang tidak mengoptimalkan faktor-faktor produksi atau tidak menggunakan proporsi yang tepat, seperti penggunaan pupuk anorganik dan insektisida. Hal ini terjadi karena keterbatasan modal usaha yang menyebabkan pengelola lahan harus membatasi biaya, dan juga karena kurangnya pemahaman tenaga kerja (petani padi sawah) terkait penggunaan yang optimal, sehingga hasil produksi menjadi kurang optimal. Sementara itu, rendahnya kualitas produksi seringkali disebabkan oleh pemilik atau pengelola lahan yang tidak menggunakan bibit unggul, melainkan memilih bibit biasa untuk mengurangi biaya produksi, sehingga kualitas produksi menjadi kurang optimal. Untuk meningkatkan produksi padi sawah, salah satu pendekatan yang dapat dilakukan adalah dengan intensifikasi melalui pemanfaatan potensi sumber daya lahan setempat secara optimal, dengan cara memperbaiki sistem budidaya melalui pengaturan jarak tanam. Dengan pengaturan jarak tanam yang baik, akan terjadi beberapa dampak positif, antara lain mempengaruhi populasi tanaman, efisiensi penggunaan cahaya, pengendalian hama dan penyakit, serta mengurangi kompetisi tanaman dalam penggunaan air dan unsur hara (Musa dkk, 2007). Implementasi dari faktor-faktor produksi yang kurang optimal, maka akan berpengaruh pada hasil produksi petani tersebut. Maka dari itu petani harus meningkatkan kualitas dan kuantitas produksinya untuk mendapatkan keuntungan yang maksimal. Oleh karena itu, untuk mencapai hasil yang maksimal harus mendapatkan perhatian yang serius demi mendapatkan produksi yang diiginkan, sehingga biaya-biaya yang dikeluarkan selama proses produksi dapat tertutupi dengan pendapatan setelah panen. Berdasarkan latar belakang di atas, maka peneliti tertarik untuk meneliti mengenai.

1.2 1.2 Data Penelitian

Usahatani padi merupakan mata pencaharian dan tulang punggung perekonomian Indonesia, keluaraga petani hampir diseluruh desa di Indonesia. Proses produksi akan berjalan dengan lancar jika persyaratan dibutuhkan dapat terpenuhi. Persyaratan ini adalah faktor produksi. Usahatani padi merupakan suatu jenis kegiatan pertanian rakyat yang diusahakan oleh petani dengan mengkombinasikan faktor-faktor produksi seperti luas lahan, tenaga kerja, modal, bibit, pupuk, dan pestisida dan pengolahan yang ditujukan pada peningkatan produksi. Dengan peningkatan produksi ini diharapkan akan semakin meningkat kesejahteraan masyarakat petani. Masyarakat Sebatik Timur Kabupaten Nunukan sebagian besar berusahatani padi. Di mana produksi usahatani padi yang dilakukan oleh petani semakin menurun dari tahun ketahun. Produksi padi(Y) petani disana juga sangat bergantung pada faktor-faktor produksi yang digunakan. Diantaranya luas lahan dalam ha (X1), hari orang kerja (X2), benih dalam kg (X3), pupuk dalam kg (X4), pestisida dalam ml (X5).

> library(knitr)
> Responden<-c(1:35)
> Luas_Lahan<-c(0.7,1,1,1,1,1,1,1,1,1,1,1,1,1.5,1.3,1.1,0.9,0.8,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> HOK<-c(140,164,160,164,164,163,164,164,164,164,160,164,164,174,172,170,140,164,164,164,164,164,164,164,160,164,164,164,164,164,164,164,162,162,162)
> Benih<-c(18,20,18,20,15,20,10,20,18,20,20,20,20,25,23,22,15,15,20,20,15,20,22,20,15,20,20,20,20,17,20,20,15,20,15)
> Pupuk<-c(200,280,230,280,245,280,300,280,275,280,280,280,280,350,330,340,210,150,280,280,170,280,250,220,150,300,280,280,280,220,250,280,200,280,250)
> Pestisida<-c(3000,4000,4000,4000,4000,4000,3000,4000,3500,4000,4000,4000,4000,6000,5000,4100,4000,3000,4000,4000,2000,3000,1500,4000,1500,4000,4000,4000,4000,3000,4000,4000,3000,5000,1500)
> Produksi<-c(3500,5000,4600,5000,4800,5000,5000,4780,4900,5000,4950,5000,5000,5200,5400,5000,4300,4000,5000,5100,4700,4600,5100,5000,4600,5000,5000,5600,5000,4800,5000,5000,4000,5300,4550)
> Produksi_Padi<-data.frame(Responden, Luas_Lahan, HOK, Benih, Pupuk, Pestisida, Produksi)
> kable(Produksi_Padi, caption="Tabel 1. Faktor Produksi")
Tabel 1. Faktor Produksi
Responden Luas_Lahan HOK Benih Pupuk Pestisida Produksi
1 0.7 140 18 200 3000 3500
2 1.0 164 20 280 4000 5000
3 1.0 160 18 230 4000 4600
4 1.0 164 20 280 4000 5000
5 1.0 164 15 245 4000 4800
6 1.0 163 20 280 4000 5000
7 1.0 164 10 300 3000 5000
8 1.0 164 20 280 4000 4780
9 1.0 164 18 275 3500 4900
10 1.0 164 20 280 4000 5000
11 1.0 160 20 280 4000 4950
12 1.0 164 20 280 4000 5000
13 1.0 164 20 280 4000 5000
14 1.5 174 25 350 6000 5200
15 1.3 172 23 330 5000 5400
16 1.1 170 22 340 4100 5000
17 0.9 140 15 210 4000 4300
18 0.8 164 15 150 3000 4000
19 1.0 164 20 280 4000 5000
20 1.0 164 20 280 4000 5100
21 1.0 164 15 170 2000 4700
22 1.0 164 20 280 3000 4600
23 1.0 164 22 250 1500 5100
24 1.0 164 20 220 4000 5000
25 1.0 160 15 150 1500 4600
26 1.0 164 20 300 4000 5000
27 1.0 164 20 280 4000 5000
28 1.0 164 20 280 4000 5600
29 1.0 164 20 280 4000 5000
30 1.0 164 17 220 3000 4800
31 1.0 164 20 250 4000 5000
32 1.0 164 20 280 4000 5000
33 1.0 162 15 200 3000 4000
34 1.0 162 20 280 5000 5300
35 1.0 162 15 250 1500 4550

2 BAB II TINJAUAN PUSTAKA

2.1 2.1 Regresi

Menurut Kutner, Nachtsheim, Neter, and Li (2004), regresi adalah metode statistik yang digunakan untuk mempelajari hubungan antara satu atau lebih variabel independen dengan variabel dependen. Tujuan dari analisis regresi adalah untuk memahami dan mengukur sejauh mana variabel indpenden memoengaruhi variabel dependen. Estimasi koefisien regresi dilakukan dengan menggunakan metode kuadrat (least squares), yang mencari garis atau hiperbidang yang paling cocok dengan data meminimalkan jumlah kuadrat residu.

2.1.1 2.1.1 Regresi Linier Sederhana

Regresi linier sederhana adalah bentuk regresi yang melibatkan satu variabel independen untuk memprediksi variabel dependen. Menurut Montgomery, Peck, and Vining (2012), regresi linier sederhana adalah metode statistik yang digunakan untuk mempelajari hubungan linier antara satu variabel independen (X) dan satu variabel dependen (Y). Tujuannya adalah untuk membangun model matematika yang menjelaskan hubungan antara variabel independen dan variabel dependen serta memprediksi nilai variabel dependen berdasarkan nilai variabel independen. Model regresi linier sederhana dinyatakan sebagai: \[ Y = \beta_{0} + \beta_{1}X + \epsilon \] Di mana Y adalah variabel dependen, X adalah variabel independen, \(\beta_{0}\) dan \(\beta_{1}\) adalah koefisien regresi yang harus diestimasi, dan \(\epsilon\) adalah kesalahan atau residu. Koefisien regresi \(\beta_{0}\) adalah perpotongan garis regresi dengan sumbu Y, sedangkan koefisien regresi \(\beta_{1}\) merupakan kemiringan garis regresi yang menggambarkan perubahan rata-rata dalam variabel dependen (Y) saat variabel independen (X) berubah sebesar satu satuan.

2.1.2 2.1.2 Regresi Linier Berganda

Menurut Johnson and Wichern (2007), regresi linier berganda adalah suatu metode statistik yang digunakan untuk mempelajari hubungan antara satu variabel dependen dengan dua atau lebih variabel independen. Regresi linier berganda memungkinkan untuk mempredikisi nilai variabel dependen berdasarkan kombinasi linear dari variabel independen yang terkait. Model regresi linear berganda dinyatakan sebagai: \[ Y = \beta_{0} + \beta_{1}X _{1}+ \beta_{2}X_{2} + \dots + \beta_{n}X{n} + \epsilon \] Di mana Y adalah variabel dependen yang ingin diprediksi, \(X_{1}\), \(X_{2}\), …,\(X_{n}\) adalah variabel independen,\(\beta_{0}\), \(\beta_{1}\), \(\beta_{2}\), …, \(\beta_{n}\) adalah koefisien regresi yang harus diestimasi, dan ε adalah kesalahan atau residu. Model ini mengasumsikan bahwa hubungan antara variabel dependen dan variabel independen adalah linier dalam bentuk kombinasi linear. Tujuan dari analisis regresi linier berganda adalah untuk mengevaluasi signifikansi dan kontribusi relatif dari setiap variabel independen terhadap variabel dependen. Estimasi koefisien regresi berguna untuk memahami sejauh mana perubahan dalam variabel independen berkontribusi terhadap perubahan dalam variabel dependen.

2.2 2.2 Asumsi Regresi

Asumsi dalam analisis regresi adalah sekumpulan persyaratan atau kondisi yang harus terpenuhi agar hasil analisis regresi dapat dianggap valid dan interpretasinya dapat diandalkan. Menurut Kutner, Nachtsheim, Neter and Li (2004), asumsi yang harus dipenuhi agar hasil analisis tersebut valid adalah sebagai berikut:

2.2.1 2.2.1 Asumsi Linearitas

Model regresi diasumsikan memiliki hubungan linear antara variabel independen dan variabel dependen. Hal ini berarti hubungan antara variabel-variabel tersebut dapat dijelaskan dengan persamaan garis lurus.Untuk menguji asumsi linearitas, dapat menggunakan plot grafik residual terhadap nilai prediksi atau variabel independen untuk melihat adanya pola sistematis. Jika terdapat pola yang tidak linear, maka asumsi linearitas mungkin dilanggar. Uji statistik yang digunakan dalam hal ini adalah uji nonparametrik seperti uji runs test atau uji Kolmogorov-Smirnov.

2.2.2 2.2.2 Asumsi Kemandirian Residu

Residu atau kesalahan dari model regresi harus saling bebas satu sama lain. Dalam kata lain, tidak ada korelasi atau pola tertentu yang dapat diidentifikasi dalam sisa-sisa model. Hal ini penting agar hasil estimasi tidak terpengaruh oleh ketergantungan antara observasi-observasi yang terkait. Asumsi kemandirian residu dapat diuji dengan menggunakan plot grafik residual terhadap variabel independen atau dengan menggunakan uji statistik seperti uji Durbin-Watson. Uji Durbin-Watson dapat digunakan untuk mendeteksi adanya korelasi autokorelasi pada residu.

2.2.3 2.2.3 Asumsi Heteroskedastisitas

Asumsi ini menyatakan bahwa variasi dari residu (kesalahan) harus konstan di semua level nilai prediktor. Dalam kata lain, variasi dari kesalahan harus seragam di sepanjang rentang nilai variabel independen. Jika terdapat pola sistematis dalam variasi residu, seperti adanya heteroskedastisitas, maka hasil estimasi dapat menjadi bias. Untuk menguji asumsi heteroskedastisitas, dapat menggunakan plot grafik residual terhadap nilai prediksi atau uji statistik seperti uji Breusch-Pagan atau uji White. Uji ini akan menguji apakah variasi dari residu bervariasi secara signifikan dengan perubahan nilai prediktor.

2.2.4 2.2.4 Asumsi Normalitas

Asumsi ini menyatakan bahwa residu (kesalahan) dari model regresi diharapkan mengikuti distribusi normal. Dengan asumsi ini terpenuhi, dapat diandalkan untuk melakukan pengujian hipotesis, menghitung interval kepercayaan, dan melakukan prediksi yang valid. Asumsi normalitas dapat diuji dengan menggunakan plot grafik residual atau dengan menggunakan uji statistik seperti uji Jarque-Bera atau uji Kolmogorov-Smirnov. Uji tersebut akan menguji apakah distribusi dari residu secara signifikan berbeda dari distribusi normal.

2.2.5 2.2.5 Asumsi Non-multikolinieritas

Asumsi ini menyatakan bahwa variabel independen dalam model regresi tidak boleh saling berkorelasi secara sempurna. Multikolinearitas dapat menyebabkan masalah dalam interpretasi dan estimasi koefisien regresi. Sebagai contoh, koefisien dapat menjadi tidak stabil dan sulit untuk memberikan kontribusi yang terpisah untuk setiap variabel independen. Untuk menguji asumsi tidak adanya multikolinearitas, dapat digunakan metode analisis korelasi atau penghitungan faktor varians (Variance Inflation Factor, VIF). Nilai VIF yang tinggi menunjukkan adanya multikolinearitas yang signifikan.

3 BAB III SOURCE CODE

3.1 3.1 Library

> library(ggplot2)
> library(lmtest)
> library(dplyr)
> library (car)

3.2 3.2 Input Data

> X1<-c(0.7,1,1,1,1,1,1,1,1,1,1,1,1,1.5,1.3,1.1,0.9,0.8,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> X1
 [1] 0.7 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.5 1.3 1.1 0.9 0.8 1.0
[20] 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0
> X2<-c(140,164,160,164,164,163,164,164,164,164,160,164,164,174,172,170,140,164,164,164,164,164,164,164,160,164,164,164,164,164,164,164,162,162,162)
> X2
 [1] 140 164 160 164 164 163 164 164 164 164 160 164 164 174 172 170 140 164 164
[20] 164 164 164 164 164 160 164 164 164 164 164 164 164 162 162 162
> X3<-c(18,20,18,20,15,20,10,20,18,20,20,20,20,25,23,22,15,15,20,20,15,20,22,20,15,20,20,20,20,17,20,20,15,20,15)
> X3
 [1] 18 20 18 20 15 20 10 20 18 20 20 20 20 25 23 22 15 15 20 20 15 20 22 20 15
[26] 20 20 20 20 17 20 20 15 20 15
> X4<-c(200,280,230,280,245,280,300,280,275,280,280,280,280,350,330,340,210,150,280,280,170,280,250,220,150,300,280,280,280,220,250,280,200,280,250)
> X4
 [1] 200 280 230 280 245 280 300 280 275 280 280 280 280 350 330 340 210 150 280
[20] 280 170 280 250 220 150 300 280 280 280 220 250 280 200 280 250
> X5<-c(3000,4000,4000,4000,4000,4000,3000,4000,3500,4000,4000,4000,4000,6000,5000,4100,4000,3000,4000,4000,2000,3000,1500,4000,1500,4000,4000,4000,4000,3000,4000,4000,3000,5000,1500)
> X5
 [1] 3000 4000 4000 4000 4000 4000 3000 4000 3500 4000 4000 4000 4000 6000 5000
[16] 4100 4000 3000 4000 4000 2000 3000 1500 4000 1500 4000 4000 4000 4000 3000
[31] 4000 4000 3000 5000 1500
> Y<-c(3500,5000,4600,5000,4800,5000,5000,4780,4900,5000,4950,5000,5000,5200,5400,5000,4300,4000,5000,5100,4700,4600,5100,5000,4600,5000,5000,5600,5000,4800,5000,5000,4000,5300,4550)
> Y
 [1] 3500 5000 4600 5000 4800 5000 5000 4780 4900 5000 4950 5000 5000 5200 5400
[16] 5000 4300 4000 5000 5100 4700 4600 5100 5000 4600 5000 5000 5600 5000 4800
[31] 5000 5000 4000 5300 4550
> Produksi_Padi<-data.frame(X1,X2,X3,X4,X5,Y)
> Produksi_Padi
    X1  X2 X3  X4   X5    Y
1  0.7 140 18 200 3000 3500
2  1.0 164 20 280 4000 5000
3  1.0 160 18 230 4000 4600
4  1.0 164 20 280 4000 5000
5  1.0 164 15 245 4000 4800
6  1.0 163 20 280 4000 5000
7  1.0 164 10 300 3000 5000
8  1.0 164 20 280 4000 4780
9  1.0 164 18 275 3500 4900
10 1.0 164 20 280 4000 5000
11 1.0 160 20 280 4000 4950
12 1.0 164 20 280 4000 5000
13 1.0 164 20 280 4000 5000
14 1.5 174 25 350 6000 5200
15 1.3 172 23 330 5000 5400
16 1.1 170 22 340 4100 5000
17 0.9 140 15 210 4000 4300
18 0.8 164 15 150 3000 4000
19 1.0 164 20 280 4000 5000
20 1.0 164 20 280 4000 5100
21 1.0 164 15 170 2000 4700
22 1.0 164 20 280 3000 4600
23 1.0 164 22 250 1500 5100
24 1.0 164 20 220 4000 5000
25 1.0 160 15 150 1500 4600
26 1.0 164 20 300 4000 5000
27 1.0 164 20 280 4000 5000
28 1.0 164 20 280 4000 5600
29 1.0 164 20 280 4000 5000
30 1.0 164 17 220 3000 4800
31 1.0 164 20 250 4000 5000
32 1.0 164 20 280 4000 5000
33 1.0 162 15 200 3000 4000
34 1.0 162 20 280 5000 5300
35 1.0 162 15 250 1500 4550

3.3 3.3 Analisis Regresi Linear Berganda

> reg_padi<-lm(Y~X1+X2+X3+X4+X5, data=Produksi_Padi)
> summary(reg_padi)

Call:
lm(formula = Y ~ X1 + X2 + X3 + X4 + X5, data = Produksi_Padi)

Residuals:
    Min      1Q  Median      3Q     Max 
-566.48  -53.46   30.63  116.28  630.63 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)  
(Intercept) -593.69650 1397.94617  -0.425   0.6742  
X1             9.36588  628.07786   0.015   0.9882  
X2            26.14544   10.78106   2.425   0.0218 *
X3            12.41378   21.98534   0.565   0.5767  
X4             3.41365    1.56388   2.183   0.0373 *
X5             0.01544    0.07003   0.220   0.8271  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 273 on 29 degrees of freedom
Multiple R-squared:  0.6103,    Adjusted R-squared:  0.5431 
F-statistic: 9.082 on 5 and 29 DF,  p-value: 2.774e-05

3.4 3.4 Uji Asumsi

3.4.1 3.4.1 Uji Autokorelasi

> dwtest(reg_padi)

    Durbin-Watson test

data:  reg_padi
DW = 2.321, p-value = 0.8241
alternative hypothesis: true autocorrelation is greater than 0

3.4.2 3.4.2 Uji Normalitas Residual

> shapiro.test(reg_padi$residuals)

    Shapiro-Wilk normality test

data:  reg_padi$residuals
W = 0.93014, p-value = 0.02825

3.4.3 3.4.3 Uji Heteroskedastisitas

> bptest(reg_padi,studentize=FALSE, data=Produksi_Padi)

    Breusch-Pagan test

data:  reg_padi
BP = 4.287, df = 5, p-value = 0.5089

3.4.4 3.4.4 Uji Non-Multikolinieritas

> vif(reg_padi)
      X1       X2       X3       X4       X5 
2.580345 2.121566 1.865499 2.489078 2.038106

4 BAB IV HASIL DAN PEMBAHASAN

4.1 4.1 Analisis Regresi Linier Berganda

> summary(reg_padi)

Call:
lm(formula = Y ~ X1 + X2 + X3 + X4 + X5, data = Produksi_Padi)

Residuals:
    Min      1Q  Median      3Q     Max 
-566.48  -53.46   30.63  116.28  630.63 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)  
(Intercept) -593.69650 1397.94617  -0.425   0.6742  
X1             9.36588  628.07786   0.015   0.9882  
X2            26.14544   10.78106   2.425   0.0218 *
X3            12.41378   21.98534   0.565   0.5767  
X4             3.41365    1.56388   2.183   0.0373 *
X5             0.01544    0.07003   0.220   0.8271  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 273 on 29 degrees of freedom
Multiple R-squared:  0.6103,    Adjusted R-squared:  0.5431 
F-statistic: 9.082 on 5 and 29 DF,  p-value: 2.774e-05

4.1.1 4.1.1 Pengujian Hipotesis dengan Uji F

Uji F dimaksudkan untuk menguji apakah secara simultan variabel independen yaitu faktor produksi berpengaruh terhadap variabel dependen yaitu hasil produksi padi. Hipotesis : \[ H_{0} : \beta_{0}+\beta_{1}+\beta_{2}+\beta_{3}+\beta_{4}+\beta_{5} = 0 \] (Terdapat pengaruh signifikan faktor produksi terhadap hasil produksi) \[ H_{1} : \beta_{j} != 0 \] (Sekurang-kurangnya terdapat 1 faktor produksi yang berpengaruh signifikan terhadap hasil produksi) Taraf Nyata \(\alpha=0.05\) Keputusan \(*F*_{*hitung*}(9.082)>*F*_{*0.05;5,29*}\), maka tolak \(*H*_{0}\) \(P-Value(2.77e-05)>\alpha=0.05\), maka tolak \(*H*_{0}\) Interpretasi Karena tolak \(*H*_{0}\), maka dapat disimpulkan bahwa secara simultan faktor produksi berpengaruh signifikan terhadap hasil produksi padi.

4.1.2 4.1.2 Pengujian Hipotesis dengan Uji t

Hipotesis \[ H_{0} : \beta_{j} = 0 \] (Tidak terdapat pengaruh faktor produksi secara parsial terhadap hasil produksi padi) \[ H_{1} : \beta_{1} != 0 \] (Faktor produksi luas lahan berpengaruh signifikan terhadap hasil produksi padi) \[ H_{1} : \beta_{2} != 0 \] (Faktor produksi hari orang kerja berpengaruh signifikan terhadap hasil produksi padi) \[ H_{1} : \beta_{3} != 0 \] (Faktor produksi benih berpengaruh signifikan terhadap hasil produksi padi) \[ H_{1} : \beta_{4} != 0 \] (Faktor produksi banyaknya pupuk berpengaruh signifikan terhadap hasil produksi padi) \[ H_{1} : \beta_{5} != 0 \] (Faktor produksi banyaknya pestisida berpengaruh signifikan terhadap hasil produksi padi)

Taraf Nyata \(\alpha=0.05\)

Keputusan dan Interpretasi - Luas Lahan terhadap Hasil Produksi Padi p-value (0.9882) > \(\alpha=0.05\), maka terima \(H_{0}\). Sehingga dapat disimpulkan bahwa luas lahan tidak berpengaruh signifikan terhadap hasil produksi padi. - Hari Orang Kerja terhadap Hasil Produksi Padi p-value (0.0218) < \(\alpha=0.05\), maka tolak \(H_{0}\). Sehingga dapat disimpulkan bahwa Hari Orang Kerja berpengaruh signifikan terhadap hasil produksi padi. - Benih terhadap Hasil Produksi Padi p-value (0.5767) > \(\alpha=0.05\), maka terima \(H_{0}\). Sehingga dapat disimpulkan bahwa Benih tidak berpengaruh signifikan terhadap hasil produksi padi. - Banyaknya Pupuk terhadap Hasil Produksi Padi p-value (0.037) < \(\alpha=0.05\), maka tolak \(H_{0}\). Sehingga dapat disimpulkan bahwa banyaknya pupuk berpengaruh signifikan terhadap hasil produksi padi. - Banyaknya Pestisida terhadap Hasil Produksi Padi p-value (0.8271) > \(\alpha=0.05\), maka terima \(H_{0}\). Sehingga dapat disimpulkan bahwa banyaknya pestisida tidak berpengaruh signifikan terhadap hasil produksi padi.

4.2 4.2 Uji Asumsi

4.2.1 4.2.1 Uji Asumsi Autokorelasi

> dwtest(reg_padi)

    Durbin-Watson test

data:  reg_padi
DW = 2.321, p-value = 0.8241
alternative hypothesis: true autocorrelation is greater than 0

Berdasarkan hasil di atas, diperoleh nilai Durbin Watson sebesar 2.321 yang terletak diantara batas atas (du) dan (4-du) maka koefisien autokorelasi sama dengan nol, berarti tidak ada autokorelasi.

4.2.2 4.2.2 Uji Normalitas Residual

> shapiro.test(reg_padi$residuals)

    Shapiro-Wilk normality test

data:  reg_padi$residuals
W = 0.93014, p-value = 0.02825

Untuk \(\alpha=0.01\) maka residual sudah memenuhi asumsi normalitas. Sedangkan untuk \(\alpha=0.05\), residual belum memenuhi asumsi normalitas dan perlu ditangani.

4.2.3 4.2.3 Uji Heteroskedastisitas

> bptest(reg_padi,studentize=FALSE, data=Produksi_Padi)

    Breusch-Pagan test

data:  reg_padi
BP = 4.287, df = 5, p-value = 0.5089

Berdasarkan hasil di atas, diperoleh p-value sebesar 0.5089 yang lebih besar dari nilai \(\alpha=0.05\) hal ini berarti ragam dari residual sudah homogen.

4.2.4 4.2.4 Uji Non-Multikolinieritas

> vif(reg_padi)
      X1       X2       X3       X4       X5 
2.580345 2.121566 1.865499 2.489078 2.038106

Berdasarkan hasil di atas, untuk semua variabel faktor produksi memperoleh nilai VIF < 10, hal ini berarti tidak terdapat multikolinieritas.

4.3 4.3 Pembentukan Model Regresi Linier Berganda dan Pembahasannya

> summary(reg_padi)

Call:
lm(formula = Y ~ X1 + X2 + X3 + X4 + X5, data = Produksi_Padi)

Residuals:
    Min      1Q  Median      3Q     Max 
-566.48  -53.46   30.63  116.28  630.63 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)  
(Intercept) -593.69650 1397.94617  -0.425   0.6742  
X1             9.36588  628.07786   0.015   0.9882  
X2            26.14544   10.78106   2.425   0.0218 *
X3            12.41378   21.98534   0.565   0.5767  
X4             3.41365    1.56388   2.183   0.0373 *
X5             0.01544    0.07003   0.220   0.8271  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 273 on 29 degrees of freedom
Multiple R-squared:  0.6103,    Adjusted R-squared:  0.5431 
F-statistic: 9.082 on 5 and 29 DF,  p-value: 2.774e-05

\[ Y = -593.69650 + 9.36588X _{1}+ 26.14544X_{2} + 12.41378X{3} + 3.41365 X_{3} + 0.01544X_{5} + \epsilon \] Persamaan regresi tersebut mempunyai makna : - Koefisien X1 (luas lahan) = 9.36588 Jika luas lahan mengalami peningkatan 1% sementara, hari orang kerja, benih, banyaknya pupuk dan banyaknya pestisida dianggap tetap maka akan menyebabkan kenaikan produksi padi sawah di Kecamatan Sebatik Timur Kabupaten Nunukan sebesar 9.36588% - Koefisien X2 (hari orang kerja) = 26.14544 Jika hari orang kerja mengalami peningkatan 1% sementara luas lahan,benih, banyaknya pupuk dan banyaknya pestisida dianggap tetap maka akan menyebabkan kenaikan produksi padi sawah di Kecamatan Sebatik Timur Kabupaten Nunukan sebesar 26.14544% - Koefisien X3 (benih) = 12.41378 Jika benih mengalami peningkatan 1% sementara luas lahan,hari orang, banyaknya pupuk dan banyaknya pestisida dianggap tetap maka akan menyebabkan kenaikan produksi padi sawah di Kecamatan Sebatik Timur Kabupaten Nunukan sebesar 12.41378% - Koefisien X4 (banyaknya pupuk) = 3.41365 Jika benih mengalami peningkatan 1% sementara luas lahan,hari orang, benih dan banyaknya pestisida dianggap tetap maka akan menyebabkan kenaikan produksi padi sawah di Kecamatan Sebatik Timur Kabupaten Nunukan sebesar 3.41365 % - Koefisien X5 (banyaknya pestisida) = 0.01544 Jika benih mengalami peningkatan 1% sementara luas lahan,hari orang, benih dan banyaknya pupuk dianggap tetap maka akan menyebabkan kenaikan produksi padi sawah di Kecamatan Sebatik Timur Kabupaten Nunukan sebesar 0.01544%

5 BAB V PENUTUP

5.1 5.1 Kesimpulan

Berdasarkan uraian hasil dan pembahasan di atas, maka kesimpulan yang dapat diperoleh adalah sebagai berikut: - Secara simultan faktor produksi berpengaruh signifikan terhadap hasil produksi padi. - Secara parsial, hanya faktor produksi hari orang kerja dan banyaknya pupuk yang berpengaruh signifikan terhadap hasil produksi padi. - Asumsi non-autokorelasi terpenuhi, artinya tidak terdapat autokorelasi. - Asumsi homoskesdatisitas terpenuhi, artinya ragam residual sudah homogen. - Asumsi normalitas residual terpenuhi pada \(\alpha=0.01\) - Asumsi non-multikolinieritas terpenuhi, artinya tidak terdapat multikolinieritas.

5.2 5.2 Saran

Berdasarkan uraian hasil dan pembahasan di atas, maka saran yang dapat diberikan, yaitu : - Peningkatan hasil produksi padi sawah di Kecamatan Sebatik Timur Kabupaten Nunukan yang dilakukan dengan cara intensif terutama pada sistem budidaya harus benar-benar diperhatikan untuk meningkatkan hasil produksi yang optimal. Petani perlu memaksimalkan penggunaan faktor-faktor produksi seperti lahan, benih, pupuk dan pestisida. Sedangkan untuk faktor lahan, dan hari orang kerja menggunakan mekanisasi untuk mengefisienkan tenaga kerja pada saat proses pengolahan lahan dan pemanenan.

6 DAFTAR PUSTAKA