IV. METODE PENELITIAN
4.4 Metode Analisis Data
4.4.2 Analisis Linier Berganda
Analisis data yang digunakan dalam mengkaji faktor-faktor pengaruh alih fungsi lahan adalah analisis regresi linier berganda. Tujuannya adalah membuat suatu deskripsi, gambaran, atau lukisan secara sistematis, faktual, dan akurat mengenai fakta-fakta. Analisis regresi adalah hubungan secara linier antara dua
atau lebih variabel peubah bebas atau independent (X) dengan variabel peubah tak
bebas atau dependent (Y).
Faktor – faktor yang mempengaruhi tingkat konversi lahan di tingkat wilayah adalah :
1. Luas Bangunan (X1)
Luas bangunan merupakan jumlah luasan bangunan per hektar. Sebagian besar alih fungsi lahan pertanian diubah menjadi bangunan-bangunan baik dalam bentuk pemukiman, industri, maupun sarana prasarana lainnya. Dengan meningkatnya jumlah penduduk akan menambah permintaan akan tempat tinggal. Hal ini akan mendorong peningkatan luasan bangunan untuk pemukiman sehingga menurunkan luasan lahan pertanian.
2. PDRB non pertanian (X2)
Produk Domestik Regional Bruto (PDRB) non pertanian merupakan salah satu indikator yang dapat menggambarkan pertumbuhan ekonomi pada sektor di luar pertanian. Semakin besar pertumbuhan ekonomi pada sektor non pertanian suatu wilayah dapat mempercepat terjadinya perubahan struktur ekonomi dari sektor pertanian ke arah sektor jasa, perdagangan, manufaktur, dan sektor non pertanian lainnya. Sehingga penggunaan lahan pun akan tergeser dari lahan untuk pertanian menjadi non pertanian.
3. Perubahan Panjang Jalan Aspal (X3)
Meningkatnya luasan panjang aspal pada suatu wilayah merupakan salah satu cara untuk meningkatkatkan aksesibilitas. Dengan meningkatnya perubahan panjang aspal, diduga akan meningkatkan penurunan luas lahan sawah akibat alih fungsi lahan.
Persamaan model regresi linier berganda antara peubah – peubah diatas dapat dirumuskan sebagai berikut :
Ln Y= α + Ln (β1X1) + Ln(β2X2) + Ln(β3X3) + ε ...(4.2)
Tanda yang diharapkan :
β i > 0
Dimana :
Y = Penurunan lahan pertanian akibat konversi lahan
α = Intersep
Xi = Faktor – faktor yang diduga mempengaruhi alih fungsi lahan
β i = Koefisien regresi
ε = Error Term
Analisis regresi linier berganda merupakan alat untuk memperoleh suatu prediksi di masa lalu maupun yang akan datang dengan dasar keadaan saat ini. Prediksi dalam hal ini bukanlah merupakan hal yang pasti, namun mendekati kebenaran. Regresi linier sederhana dengan variabel ganda adalah analisis statistik yang mencakup hubungan banyak variabel. Apabila dijumpai satu variabel terikat yang dipengaruhi oleh beberapa variabel bebas dalam mempengaruhi variabel terikat itu bermacam, sehingga bentuk hubungannya pun tentunya berbeda-beda. Sifat hubungan berjenjang sering kali terjadi dalam kajian ilmu sosial. Variabel lain menjembatani pengaruh variabel bebas terhadap variabel terikat tersebut dengan variabel antara. Variabel bebas itu sendiri mempunyai pola hubungan yang tidak tetap. Artinya bisa benar-benar bebas, berkorelasi tetapi tidak signifikan atau mempunyai hubungan yang tidak erat.
Metode regresi linier berganda memiliki beberapa asumsi. Asumsi model regresi dikaitkan dengan pengujian parameter model dimana pengujian dikatakan sah jika asumsi pengujian dipenuhi. Asumsi tersebut menyangkut sifat dari distribusi residual. Residual harus menyebar di sekitar 0, memiliki varians konstan
(identik) dan independen (tidak berkorelasi satu sama lain). Salah satu syarat
untuk mencapai ini yaitu data tidak bersifat time series. Regresi linier berganda
dibutuhkan kondisi antar variabel X tidak saling berkorelasi (independent).
Terdapat beberapa kriteria yang dapat digunakan untuk menentukan bahwa model yang telah dihasilkan adalah baik. Menurut Sutandi (2009), model yang baik haruslah memenuhi beberapa uji asumsi pelanggaran, seperti:
1. Kriteria Ekonomi
Model yang diuji berdasarkan kriteria ekonomi akan dilihat tanda dan besaran tiap koefisien dugaan yang telah diperoleh. Kriteria ekonomi mensyaratkan tanda dan besaran yang terdapat pada tiap koefisien dugaan sesuai dengan teori ekonomi. Apabila model tersebut memenuhi kriteria ekonomi, maka model tersebut dapat dikatakan baik secara ekonomi, namun, apabila kriteria tersebut tidak memenuhi standar ekonomi maka model tersebut tidak dapat dikatakan baik secara ekonomi.
2. Kriteria Statistik dan Ekonometrika
Ada beberapa uji yang dapat digunakan untuk menentukan kesesuaian model regresi yang telah didapatkan secara statistika dan ekonometrika. Uji tersebut adalah sebagai berikut:
a. Uji Normalitas
Uji normalitas bertujuan untuk melihat apakah pada model tersebut residual terdistribusi normal atau tidak. Model yang baik harus mempunyai residual yang terdistribusi normal atau hampir normal. Uji yang dapat digunakan adalah dengan membuat histrogram normalitas.
Nilai probality yang lebih besar dari taraf nyata α = 10% menandakan
residual terdistribusi secara normal. b. Uji Multikolinieritas
Model yang melibatkan banyak peubah bebas sering terjadi masalah Multikolinieritas, yaitu terjadinya korelasi yang kuat antar peubah bebas. Masalah ini dapat dilihat langsung melalui output komputer,
dimana apabila nilai Varian Inflaction Factor (VIF) < 10 maka tidak
pelanggaran dan persamaan yang digunakan merupakan persamaan yang baik dan tidak terdapat pelanggaran.
c. Uji Heteroskedastisitas
Salah satu asumsi metode penggunaan kuadrat terkecil adalah Homoskedastisitas, yaitu ragam galat konstan dalam setiap amatan. Pelanggaran atas asumsi Homoskedastisitas adalah Heteroskedastisitas.
Masalah Heteroskedastisitas dapat dideteksi dengan uji glejser. Uji
glejser dilakukan dengan meregresikan variabelvariabel bebas terhadap
nilai absolut residualnya. Jika nilai signifikannya dari hasil uji gletser
lebih besar dari α =10% maka tidak terdapat Heteroskedastisitas.
d. Uji Autokorelasi
Uji autokolerasi dilakukan untuk melihat apakah terdapat hubungan diantara galat dalam persamaan regresi yang diperoleh. Jika kita mengabaikan adanya autokorelasi, maka akan berdampak terhadap pengujian hipotesis dan proses peramalan. Uji paling sering digunakan dalam mendeteksi adanya autokolerasi dalam suatu model adalah uji DW (Durbin Watson Test), dan jika hasilnya mendekati 2 maka tidak ada autokolerasi. Selain itu, cara mendeteksi autokorelasi dapat
dilakukan dengan menggunakan uji Breusch-Godfrey. Uji ini dilakukan
dengan meregresikan residual dengan lag residual dan semua regresor. Dari hasil regresi tersebut akan diperoleh koefisien determinasi (Prob. Chi-Square) untuk mengetahui autokorelasi. Jika nilai tersebut lebih
besar dari taraf α = 10% maka tidak ada permasalahan autokorelasi.