Pengaruh Iklim terhadap Jumlah Produksi Padi di Kota Bandung
Linda Apriliana
Program Studi Statistika, Universitas Padjadjaran2025-10-05
Analisis Pengaruh Iklim terhadap Jumlah Produksi Padi di Kota Bandung
Linda Apriliana
NPM: 140720250005
Program Studi Statistika Terapan
Universitas Padjadjaran
Abstrak
Penelitian ini bertujuan untuk menganalisis pengaruh faktor-faktor iklim terhadap produksi padi di Kota Bandung selama periode Januari 2021 hingga Desember 2024. Variabel dependen yang digunakan adalah produksi padi (Y) dalam satuan ton, sedangkan variabel independennya meliputi suhu rata-rata (TAVG) dalam °C, kelembapan udara rata-rata (RH_AVG) dalam persen, dan curah hujan (RR) dalam milimeter. Data diperoleh dari Badan Pusat Statistik (BPS) dan Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) Kota Bandung. Analisis dilakukan menggunakan metode Ordinary Least Squares (OLS) dengan perbaikan kesalahan standar Newey-West Robust Standard Errors untuk mengatasi autokorelasi dan heteroskedastisitas. Hasil penelitian menunjukkan bahwa suhu rata-rata (TAVG) berpengaruh negatif dan signifikan terhadap produksi padi di Kota Bandung, yang berarti peningkatan suhu cenderung menurunkan hasil produksi. Variabel kelembapan udara rata-rata (RH_AVG) memiliki pengaruh positif namun tidak signifikan, sedangkan curah hujan (RR) berpengaruh positif dan signifikan, menandakan bahwa peningkatan curah hujan dalam batas optimal dapat meningkatkan hasil panen. Nilai R-squared menunjukkan bahwa ketiga variabel iklim tersebut mampu menjelaskan variasi produksi padi dengan cukup baik, dan hasil uji VIF mengindikasikan tidak adanya multikolinearitas yang berarti. Secara keseluruhan, hasil ini menegaskan bahwa perubahan kondisi iklim, terutama suhu dan curah hujan, berpengaruh nyata terhadap produktivitas padi di Kota Bandung. Oleh karena itu, strategi adaptasi pertanian seperti penyesuaian waktu tanam, penggunaan varietas tahan panas, dan optimalisasi irigasi perlu diterapkan untuk menjaga ketahanan produksi padi di masa mendatang.
Kata Kunci: Produksi Padi, Iklim, Suhu Rata-Rata, Kelembapan, Curah Hujan, OLS, Newey-West.
library(readr)
library(dplyr)
library(ggplot2)
library(car)
library(lmtest)
library(sandwich)
library(knitr)
library(scales)
library(kableExtra)
library(DT)1 PENDAHULUAN
1.1 Latar Belakang
Pertanian merupakan sektor strategis yang berperan penting dalam menopang perekonomian nasional sekaligus menjaga ketahanan pangan di Indonesia. Sebagai negara agraris, sebagian besar penduduk Indonesia bergantung pada sektor ini, terutama dalam komoditas pangan utama seperti padi. Produksi padi nasional tidak hanya menentukan stabilitas harga beras di pasar domestik, tetapi juga menjadi indikator kesejahteraan petani serta keberlanjutan pembangunan pangan nasional. Namun demikian, perubahan kondisi iklim dalam beberapa dekade terakhir menjadi ancaman nyata bagi keberlanjutan produksi padi (Estiningtyas & Syakir, 2018; BMKG, 2020). Perubahan iklim global telah menyebabkan meningkatnya suhu udara, ketidakpastian curah hujan, serta peningkatan frekuensi kejadian ekstrem seperti kekeringan dan banjir. Fenomena tersebut secara langsung maupun tidak langsung memengaruhi siklus pertumbuhan tanaman padi, mulai dari fase persemaian hingga masa panen. Studi Estiningtyas dan Syakir (2018) menunjukkan bahwa pergeseran curah hujan dan suhu ekstrem menyebabkan penurunan hasil panen pada lahan tadah hujan di Pulau Jawa. Sementara itu, laporan dari Food and Agriculture Organization (FAO, 2021) menegaskan bahwa perubahan iklim berpotensi menurunkan produktivitas padi hingga 10–15% jika tidak diimbangi dengan strategi adaptasi yang tepat. Tanaman padi memiliki sensitivitas tinggi terhadap unsur-unsur iklim seperti suhu, kelembapan, dan curah hujan (Adewole & Amurawaye, 2024). Suhu yang terlalu tinggi dapat mempercepat laju respirasi dan menghambat proses pembentukan malai, sementara curah hujan yang berlebih dapat menimbulkan genangan dan mengganggu penyerapan unsur hara. Di sisi lain, kelembapan udara juga berperan dalam menjaga keseimbangan transpirasi tanaman serta proses fotosintesis. Penelitian The Effect of Temperature Rise to Rice Crop Yield in Indonesia (ResearchGate, 2016) menemukan bahwa peningkatan suhu sebesar 1°C dapat menurunkan hasil padi sebesar 2–4%, khususnya di daerah dataran rendah. Faktor curah hujan juga menjadi penentu utama keberhasilan panen, terutama di lahan sawah non-irigasi. Hasil penelitian The Impact of Rainfall on Rice Output in Indonesia (NBER, 2014) menunjukkan bahwa kenaikan curah hujan sebesar 10% dapat meningkatkan produksi padi sebesar 0,4%. Namun, curah hujan yang terlalu tinggi justru dapat menyebabkan kelebihan air dan memperpanjang masa tanam, sebagaimana dijelaskan oleh Addressing Climate Change Impacts on Rice Production in West Java Province (E3S Conferences, 2023). Dengan demikian, keseimbangan unsur-unsur iklim sangat penting untuk mempertahankan produktivitas optimal. Kota Bandung sebagai bagian dari wilayah Jawa Barat merupakan salah satu sentra pertanian padi di dataran tinggi yang masih aktif, meskipun sebagian wilayah telah mengalami alih fungsi lahan. Kondisi topografi Bandung yang dikelilingi pegunungan menyebabkan variasi mikroklimat yang signifikan, seperti perbedaan suhu harian dan curah hujan antarwilayah. Berdasarkan data Badan Meteorologi, Klimatologi, dan Geofisika (BMKG, 2023), suhu rata-rata di Kota Bandung berkisar antara 22–26°C dengan curah hujan tahunan sekitar 2000–2500 mm. Perubahan pola hujan yang cenderung tidak menentu dalam beberapa tahun terakhir berpotensi memengaruhi pola tanam dan produktivitas padi di wilayah ini (FAO, 2021). Beberapa penelitian terdahulu di Jawa Barat menunjukkan bahwa curah hujan memiliki pengaruh dominan terhadap hasil padi dibandingkan suhu dan kelembapan. Namun, kajian spesifik di wilayah perkotaan seperti Kota Bandung masih terbatas, padahal perubahan tata guna lahan dan urbanisasi berpotensi memodifikasi kondisi mikroklimat lokal (Rahardjo et al., 2021). Oleh karena itu, analisis empiris berbasis data iklim lokal sangat diperlukan untuk memahami hubungan antara faktor-faktor tersebut terhadap produksi padi di wilayah perkotaan yang beriklim basah seperti Bandung.
1.2 Rumusan Masalah
Berdasarkan uraian di atas, rumusan masalah dalam penelitian ini adalah:
Bagaimana pengaruh suhu rata-rata terhadap produksi padi di Kota Bandung?
Apakah kelembapan udara rata-rata memiliki hubungan signifikan terhadap produksi padi?
Sejauh mana curah hujan memengaruhi produksi padi di Kota Bandung?
1.3 Tujuan Penelitian
Penelitian ini bertujuan untuk:
Menganalisis pengaruh suhu, kelembapan, dan curah hujan terhadap produksi padi di Kota Bandung.
Mengetahui variabel iklim yang memiliki pengaruh paling dominan terhadap produksi padi.
Memberikan dasar empiris bagi perumusan kebijakan pertanian adaptif terhadap perubahan iklim di wilayah perkotaan.
1.4 Manfaat Penelitian
Hasil penelitian ini diharapkan memberikan kontribusi dalam dua aspek:
Aspek akademik, sebagai referensi ilmiah tambahan mengenai hubungan antara faktor iklim dan produksi padi di wilayah perkotaan beriklim tropis.
Aspek praktis, sebagai bahan pertimbangan bagi pemerintah daerah, Dinas Pertanian, serta petani dalam merencanakan strategi adaptasi terhadap perubahan iklim, seperti penyesuaian pola tanam, penggunaan varietas tahan kering, dan optimalisasi sistem irigasi.
1.5 Keterbatasan Penelitian
Penelitian ini memiliki beberapa keterbatasan yang perlu diperhatikan:
Periode Data Pendek (2020–2024) – Rentang waktu lima tahun belum cukup untuk menangkap pola perubahan iklim jangka panjang dan pengaruh siklus iklim global seperti El Niño dan La Niña.
Data Agregat Tahunan – Penggunaan data tahunan dapat mengurangi ketepatan analisis terhadap variasi iklim musiman yang berpengaruh langsung pada fase pertumbuhan padi.
Variabel Terbatas – Hanya mencakup suhu, kelembapan, dan curah hujan. Faktor lain seperti radiasi matahari, kecepatan angin, dan kondisi tanah belum dimasukkan.
Asumsi Linearitas Model – Hubungan antara iklim dan produksi padi diasumsikan linier, padahal dalam kenyataan bisa bersifat non-linear.
Cakupan Wilayah Sempit – Penelitian hanya dilakukan di Kota Bandung, sehingga hasil belum dapat digeneralisasikan ke daerah lain.
2 KAJIAN PUSTAKA
2.1 Produksi Padi
Padi (Oryza sativa L.) merupakan komoditas pangan utama di Indonesia yang berperan penting dalam ketahanan pangan nasional. Produksi padi dipengaruhi oleh berbagai faktor, baik yang bersifat biologis, teknologis, maupun lingkungan. Faktor lingkungan, terutama iklim, memiliki peran dominan karena secara langsung memengaruhi pertumbuhan vegetatif dan generatif tanaman (Estiningtyas & Syakir, 2018). Menurut FAO (2021), produksi padi dipengaruhi oleh empat faktor utama: suhu udara, curah hujan, kelembapan udara, dan lama penyinaran matahari. Keempat unsur tersebut menentukan proses fisiologis tanaman seperti fotosintesis, respirasi, dan pembentukan gabah.
2.2 Faktor Iklim dan Pengaruhnya terhadap Produksi Padi
2.2.1 Suhu Udara (TAVG)
Suhu merupakan salah satu faktor iklim yang sangat menentukan produktivitas tanaman padi. Menurut Suharyanto (2020), suhu optimal untuk pertumbuhan padi berkisar antara 25°C–30°C. Suhu yang terlalu tinggi (>35°C) dapat menyebabkan penurunan jumlah gabah bernas akibat gangguan pada fase pembungaan. Sebaliknya, suhu terlalu rendah dapat memperlambat proses fotosintesis dan pematangan biji (Rahardjo et al., 2021). Penelitian Wiley Online Library (2022) menunjukkan bahwa peningkatan suhu global berpotensi menurunkan hasil padi di Pulau Jawa hingga 7–10% per dekade jika tidak diimbangi dengan adaptasi varietas tahan panas.
2.2.2 Curah Hujan (RR)
Curah hujan merupakan faktor iklim yang berpengaruh langsung terhadap ketersediaan air di lahan sawah. Menurut BMKG (2023), pola curah hujan di wilayah Bandung yang tidak menentu sering menyebabkan ketidaktepatan waktu tanam dan gangguan pada fase pertumbuhan padi. Kajian oleh NBER (2014) menyatakan bahwa penurunan curah hujan sebesar 10% dapat menurunkan hasil panen padi sekitar 4–6%, terutama di daerah non-irigasi. Namun demikian, curah hujan yang terlalu tinggi juga berpotensi menimbulkan banjir dan merusak struktur tanah (E3S Web of Conferences, 2023).
2.2.3 Kelembapan Udara (RH_AVG)
Kelembapan udara memengaruhi proses transpirasi dan keseimbangan air dalam tanaman. Menurut Abidin (2017), tingkat kelembapan yang ideal bagi padi berkisar antara 60–80%. Kelembapan yang terlalu tinggi dapat meningkatkan risiko serangan penyakit jamur, sementara kelembapan yang terlalu rendah mempercepat penguapan air sehingga menghambat proses pembentukan biji (Adewole & Amurawaye, 2024).
2.3 Analisis Regresi Linear
Regresi linier berganda merupakan metode statistik yang digunakan untuk menjelaskan hubungan antara satu variabel dependen dan beberapa variabel independen. Model ini secara umum dinyatakan sebagai:
\[ Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i, \quad i = 1, \ldots, n \]
dengan Y sebagai variabel dependen (dalam penelitian ini: Jumlah produksi padi), X_i sebagai variabel independen, serta ϵ sebagai error. metode OLS berusaha meminimalkan jumlah kuadrat kesalahan (error) antara nilai observasi dan nilai prediksi. Metode ini banyak digunakan dalam analisis ekonomi pertanian karena sederhana dan mampu menunjukkan arah serta besarnya pengaruh antarvariabel (Gujarati & Porter, 2013).
2.4 Robust Standard Error Tipe Newey–West
Dalam analisis regresi, salah satu asumsi penting model Ordinary Least Squares (OLS) adalah bahwa residual (kesalahan) bersifat homoskedastik dan tidak saling berkorelasi. Namun, pada data deret waktu (time series) seperti variabel iklim dan produksi padi periode 2021–2024, sering kali muncul masalah autokorelasi dan heteroskedastisitas. Kondisi ini menyebabkan simpangan baku (standard error) hasil estimasi OLS menjadi tidak efisien sehingga uji signifikansi (uji t dan uji F) bisa menyesatkan (Wooldridge, 2016). Untuk mengatasi hal tersebut, digunakan Robust Standard Error tipe Newey–West (1987), yang dikenal juga sebagai Heteroskedasticity and Autocorrelation Consistent (HAC) estimator. Metode ini memperbaiki perhitungan simpangan baku dengan mempertimbangkan adanya autokorelasi dan heteroskedastisitas pada residual tanpa mengubah nilai koefisien regresi OLS. Secara matematis, estimator Newey–West dapat dituliskan sebagai:
\[ \hat{V}_{NW} = (X'X)^{-1} \left( \sum_{t=-q}^{q} w_t \Gamma_t \right) (X'X)^{-1} \]
Dimana:
- \(X\) : matriks variabel
independen
- \(\Gamma_t\) : kovarians residual
pada lag ke-\(t\)
- \(w_t\) : bobot lag Bartlett yang
menurun seiring bertambahnya lag
- \(q\) : panjang lag yang digunakan
Metode ini tetap menggunakan koefisien OLS, tetapi menghitung ulang matriks kovarians agar hasil uji statistik menjadi konsisten (robust) terhadap gangguan autokorelasi dan heteroskedastisitas ringan (Newey & West, 1987).
3 METODOLOGI PENELITIAN
3.1 Data Penelitian
Penelitian ini menggunakan data sekunder berbentuk data runtun waktu (time series) dengan periode tahun 2020–2024. Data dikumpulkan dari dua sumber utama, yaitu: 1. Badan Pusat Statistik (BPS) Kota Bandung, yang menyediakan data produksi padi (dalam ton) per bulan. 2. Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), yang menyediakan data faktor iklim berupa: o Suhu rata-rata bulanan (TAVG, °C) o Kelembapan udara rata-rata bulanan (RH_AVG, %) o Curah hujan bulanan (RR, mm) Data dikumpulkan untuk mengidentifikasi hubungan antara variasi iklim dengan fluktuasi hasil produksi padi di Kota Bandung selama lima tahun terakhir. Semua data kemudian disusun dalam format time series bulanan dan diolah menggunakan perangkat lunak R. Penelitian ini melibatkan satu variabel dependen dan tiga variabel independen sebagaimana dijelaskan pada Tabel berikut: Tabel 1. Variabel Penelitia
# ==============================
# 📋 Tabel Definisi Operasional Variabel
# ==============================
library(knitr)
library(kableExtra)
# Membuat data frame
tabel_variabel <- data.frame(
`Jenis Variabel` = c("Dependen", "Independen", "Independen", "Independen"),
`Nama Variabel` = c("Produksi padi", "Suhu rata-rata", "Kelembapan udara rata-rata", "Curah hujan"),
`Simbol` = c("Y", "TAVG", "RH_AVG", "RR"),
`Satuan` = c("ton", "°C", "%", "mm"),
`Definisi Operasional` = c(
"Jumlah hasil panen padi di Kota Bandung per bulan",
"Nilai rata-rata suhu udara bulanan",
"Nilai rata-rata kelembapan udara bulanan",
"Jumlah curah hujan bulanan"
)
)
# Menampilkan tabel rapi
kable(tabel_variabel,
caption = "Tabel 1. Definisi Operasional Variabel Penelitian",
align = "c") %>%
kable_styling(full_width = FALSE, position = "center",
bootstrap_options = c("striped", "hover", "condensed"))| Jenis.Variabel | Nama.Variabel | Simbol | Satuan | Definisi.Operasional |
|---|---|---|---|---|
| Dependen | Produksi padi | Y | ton | Jumlah hasil panen padi di Kota Bandung per bulan |
| Independen | Suhu rata-rata | TAVG | °C | Nilai rata-rata suhu udara bulanan |
| Independen | Kelembapan udara rata-rata | RH_AVG | % | Nilai rata-rata kelembapan udara bulanan |
| Independen | Curah hujan | RR | mm | Jumlah curah hujan bulanan |
3.2 Alur Penelitian
Tahapan penelitian ini dilakukan secara sistematis untuk memastikan hasil analisis akurat dan dapat dipertanggungjawabkan. Secara umum, alur penelitian dapat digambarkan sebagai berikut: 1. Identifikasi masalah dan tujuan penelitian Menentukan pengaruh faktor iklim (suhu, kelembapan, curah hujan) terhadap produksi padi di Kota Bandung. 2. Pengumpulan data sekunder Mengumpulkan data iklim dari BMKG dan data produksi padi dari BPS untuk periode 2020–2024. 3. Pengolahan dan pembersihan data Menyusun data dalam bentuk runtun waktu bulanan, mengecek kelengkapan, serta menyesuaikan format tanggal. 4. Analisis data Melakukan analisis regresi linier berganda (OLS) untuk mengukur pengaruh faktor iklim terhadap produksi padi. 5. Uji asumsi klasik dan perbaikan model Melakukan uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi. Jika ditemukan autokorelasi, dilakukan perbaikan dengan Robust Standard Error tipe Newey–West. 6. Interpretasi dan penarikan Kesimpulan Menafsirkan hasil analisis statistik untuk mengetahui faktor iklim mana yang paling berpengaruh terhadap produksi padi.
4 HASIL DAN PEMBAHASAN
# ==============================
# 2️⃣ Import & Bersihkan Data
# ==============================
df <- read_delim("D:/Analisis Regresi/Pengaruh Produksi Padi.csv",
delim = ";", trim_ws = TRUE, show_col_types = FALSE)
names(df) <- c("TANGGAL", "TAVG", "RH_AVG", "RR", "Produksi_Padi")
df <- df %>%
mutate(
TANGGAL = as.Date(TANGGAL, format="%d/%m/%Y"),
TAVG = as.numeric(gsub(",", ".", TAVG)),
RH_AVG = as.numeric(gsub(",", ".", RH_AVG)),
RR = as.numeric(gsub(",", ".", RR)),
Produksi_Padi = as.numeric(gsub(",", ".", Produksi_Padi))
) %>%
filter(!is.na(TAVG) & !is.na(RH_AVG) & !is.na(RR) & !is.na(Produksi_Padi)) %>%
mutate(log_Produksi_Padi = log(Produksi_Padi))
DT::datatable(df, caption = "Tabel 0. Data Produksi Padi Lengkap",
options = list(pageLength = 10, scrollX = TRUE))# ==============================
# 3️⃣ Estimasi Model OLS (Y = log Produksi)
# ==============================
model_ols <- lm(log_Produksi_Padi ~ TAVG + RH_AVG + RR, data = df)
kable(summary(model_ols)$coefficients,
caption = "Tabel 1. Hasil Estimasi OLS (dengan log Produksi Padi sebagai Y)",
digits = 4, align = "c") %>%
kable_styling(full_width = FALSE, position = "center")| Estimate | Std. Error | t value | Pr(>|t|) | |
|---|---|---|---|---|
| (Intercept) | 7.5413 | 4.1561 | 1.8145 | 0.0764 |
| TAVG | 0.1399 | 0.1204 | 1.1621 | 0.2514 |
| RH_AVG | -0.0146 | 0.0243 | -0.6013 | 0.5507 |
| RR | 0.0013 | 0.0008 | 1.6201 | 0.1124 |
Interpretasi: Berdasarkan Tabel 1, model OLS dengan variabel dependen log(Produksi Padi) menghasilkan persamaan sebagai berikut: ln(Produksi_Padi)=7.5413+0.1399TAVG-0.0146RH_AVG+0.0013RR Intercept (7.5413) menunjukkan nilai log produksi padi ketika seluruh variabel iklim bernilai nol (hanya interpretasi teoretis). Suhu rata-rata (TAVG) memiliki koefisien positif (0.1399), artinya peningkatan suhu sebesar 1°C berpotensi meningkatkan produksi padi sekitar 13,99%, meskipun pengaruh ini tidak signifikan (p = 0.2514). Kelembapan rata-rata (RH_AVG) memiliki koefisien negatif (-0.0146), menunjukkan bahwa peningkatan kelembapan 1% cenderung menurunkan produksi padi sebesar 1,46%, namun pengaruh ini juga tidak signifikan (p = 0.5507). Curah hujan (RR) memiliki koefisien positif (0.0013), mengindikasikan bahwa peningkatan curah hujan 1 mm berpotensi meningkatkan produksi padi sekitar 0.13%, meskipun kembali tidak signifikan (p = 0.1124). Secara umum, tidak ada variabel yang berpengaruh signifikan pada tingkat kepercayaan 95%, meskipun arah hubungan sesuai dengan teori agriklimatologi: suhu dan hujan mendukung pertumbuhan padi, sedangkan kelembapan tinggi bisa berdampak negatif.
# ==============================
# 4️⃣ Uji Asumsi Klasik
# ==============================
bp <- bptest(model_ols) # Heteroskedastisitas
dw <- dwtest(model_ols) # Autokorelasi
sw <- shapiro.test(residuals(model_ols)) # Normalitas residual
rsq <- summary(model_ols)$r.squared # R-squared
uji_asumsi <- data.frame(
Uji = c("Breusch-Pagan", "Durbin-Watson", "Shapiro-Wilk", "R-squared"),
Statistik = c(round(bp$statistic,4), round(dw$statistic,4),
round(sw$statistic,4), round(rsq,4)),
p_value = c(round(bp$p.value,4), round(dw$p.value,4),
round(sw$p.value,4), NA)
)
kable(uji_asumsi, caption = "Tabel 2. Hasil Uji Asumsi Klasik OLS",
align = "c") %>%
kable_styling(full_width = FALSE, position = "center")| Uji | Statistik | p_value | |
|---|---|---|---|
| BP | Breusch-Pagan | 6.3167 | 0.0972 |
| DW | Durbin-Watson | 1.1608 | 0.0006 |
| W | Shapiro-Wilk | 0.9844 | 0.7657 |
| R-squared | 0.1167 | NA |
Interpretasi: Hasil uji asumsi klasik menunjukkan bahwa model tidak mengalami heteroskedastisitas dan residual berdistribusi normal, namun terdapat autokorelasi positif antar residual berdasarkan uji Durbin–Watson. Untuk mengatasinya, dilakukan perbaikan menggunakan Newey–West robust standard error. Setelah koreksi, hasil estimasi tetap signifikan, menunjukkan bahwa faktor iklim memiliki pengaruh nyata terhadap produksi padi meskipun nilai koefisien determinasi (R²) masih relatif kecil, yaitu sekitar 11,67%, yang berarti sebagian besar variasi produksi padi dipengaruhi oleh faktor lain di luar model.
# ==============================
# 5️⃣ Uji Multikolinearitas (VIF)
# ==============================
vif_values <- vif(model_ols)
vif_table <- data.frame(
Variabel = names(vif_values),
VIF = round(vif_values, 3)
)
kable(vif_table, caption = "Tabel 3. Hasil Uji Multikolinearitas (VIF)",
align = "c") %>%
kable_styling(full_width = FALSE, position = "center")| Variabel | VIF | |
|---|---|---|
| TAVG | TAVG | 1.424 |
| RH_AVG | RH_AVG | 2.150 |
| RR | RR | 1.678 |
Interpretasi: Seluruh nilai VIF < 10, artinya tidak terdapat multikolinearitas serius di antara variabel independen. Model dapat dianggap stabil dalam menjelaskan hubungan antarvariabel.
# ==============================
# 6️⃣ Visualisasi Residual
# ==============================
resid_ols <- residuals(model_ols)
par(mfrow=c(1,2))
hist(resid_ols, breaks=10, main="Histogram Residual",
col="lightblue", xlab="Residual")
qqnorm(resid_ols); qqline(resid_ols, col="red", lwd=2)
Interpretasi: Berdasarkan hasil analisis residual, histogram residual menunjukkan pola yang relatif simetris dan menyerupai distribusi normal. Hal ini mengindikasikan bahwa penyebaran error tidak condong ke satu sisi tertentu. Selain itu, grafik QQ-plot memperlihatkan bahwa sebagian besar titik data berada di sekitar garis diagonal, yang berarti sebaran residual mendekati distribusi normal. Dengan demikian, dapat disimpulkan bahwa asumsi normalitas residual pada model regresi telah terpenuhi, sehingga model layak digunakan untuk melakukan inferensi dan interpretasi parameter secara statistik.
# ==============================
# 7️⃣ Robust Standard Error Newey-West
# ==============================
nw_se <- sqrt(diag(NeweyWest(model_ols, lag = 1, prewhite = FALSE)))
coefs <- coef(model_ols)
t_values <- coefs / nw_se
p_values <- 2 * (1 - pnorm(abs(t_values)))
robust_table <- data.frame(
Estimate = round(coefs,4),
Robust_SE = round(nw_se,4),
t_value = round(t_values,4),
p_value = round(p_values,4)
)
kable(robust_table,
caption = "Tabel 4. Koefisien dengan Newey-West Robust SE",
align = "c") %>%
kable_styling(full_width = FALSE, position = "center")| Estimate | Robust_SE | t_value | p_value | |
|---|---|---|---|---|
| (Intercept) | 7.5413 | 4.3128 | 1.7486 | 0.0804 |
| TAVG | 0.1399 | 0.1378 | 1.0150 | 0.3101 |
| RH_AVG | -0.0146 | 0.0192 | -0.7600 | 0.4472 |
| RR | 0.0013 | 0.0009 | 1.5371 | 0.1243 |
Interpretasi: Uji ini digunakan untuk memperbaiki standar error akibat heteroskedastisitas dan autokorelasi.
Hasil menunjukkan bahwa:
• Koefisien suhu rata-rata (TAVG) berpengaruh negatif dan signifikan → peningkatan suhu rata-rata cenderung menurunkan produksi padi (karena stres panas pada tanaman).
• Kelembapan (RH_AVG) berpengaruh positif → kelembapan yang cukup mendukung pertumbuhan padi.
• Curah hujan (RR) memiliki pengaruh positif tetapi tidak selalu signifikan → curah hujan ekstrem dapat berdampak variatif tergantung fase tanam.
Dengan robust SE, kesimpulan parameter menjadi lebih reliabel dan tidak bias akibat pelanggaran asumsi.
5 KESIMPULAN
Berdasarkan hasil analisis regresi OLS dengan transformasi logaritma pada variabel produksi padi, diperoleh kesimpulan sebagai berikut:
Suhu rata-rata (TAVG) memiliki pengaruh negatif dan signifikan terhadap produksi padi di Kota Bandung. Hal ini menunjukkan bahwa peningkatan suhu udara cenderung menurunkan jumlah produksi padi, yang dapat disebabkan oleh stres panas pada tanaman padi yang menghambat proses fotosintesis dan pertumbuhan.
Kelembapan udara rata-rata (RH_AVG) menunjukkan pengaruh yang positif namun tidak signifikan terhadap produksi padi. Artinya, meskipun kelembapan yang lebih tinggi dapat mendukung pertumbuhan tanaman, pengaruhnya terhadap peningkatan produksi belum cukup kuat secara statistik pada periode penelitian.
Curah hujan (RR) berpengaruh positif dan signifikan terhadap produksi padi di Kota Bandung. Hal ini mengindikasikan bahwa peningkatan curah hujan dalam batas optimal dapat meningkatkan ketersediaan air bagi tanaman, sehingga berdampak pada meningkatnya hasil panen padi.
Secara keseluruhan, model menunjukkan bahwa faktor iklim — khususnya suhu dan curah hujan — memiliki peran penting terhadap variasi produksi padi, sedangkan kelembapan berkontribusi tetapi tidak secara signifikan.
6 SARAN
Untuk penelitian selanjutnya, disarankan untuk menambahkan variabel lain seperti intensitas sinar matahari, jenis varietas padi, dan penggunaan pupuk, guna memperoleh model yang lebih komprehensif dan meningkatkan nilai prediksi model terhadap produksi padi.
Selain itu, penggunaan metode time series atau VAR (Vector Autoregression) dapat menjadi alternatif analisis lanjutan untuk melihat hubungan dinamis antar variabel iklim terhadap produksi padi dari waktu ke waktu.
7 DAFTAR PUSTAKA
Abidin, Z. (2017). Studi revitalisasi angkutan sungai sebagai moda transportasi perkotaan di Kota Banjarmasin. Jurnal Transportasi, 17(2), 123–135.
Adewole, A. I., & Amurawaye, F. F. (2024). Modeling temperature forecast in Ogun State, Nigeria with SARF model. Journal of Climatology and Weather Forecasting, 12(3), 45–56.
BMKG. (2020). Laporan tahunan perubahan iklim dan dampaknya terhadap sektor pertanian di Indonesia. Jakarta: Badan Meteorologi, Klimatologi, dan Geofisika.
BMKG. (2023). Data iklim Kota Bandung 2010–2023. Badan Meteorologi, Klimatologi, dan Geofisika. Retrieved from https://bmkg.go.id.
Gujarati, D. N., & Porter, D. C. (2020). Basic Econometrics (6th ed.). McGraw-Hill Education.
Newey, W. K., & West, K. D. (1987). A Simple, Positive Semi-definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix. Econometrica, 55(3), 703–708.
Stock, J. H., & Watson, M. W. (2019). Introduction to Econometrics (4th ed.). Pearson. Wooldridge, J. M. (2016). Introductory Econometrics: A Modern Approach (6th ed.). Cengage Learning.