4.4 Metode dan Prosedur Analisis Penelitian
4.4.1 Analisis Regresi Linear Berganda
Dalam mengkaji faktor-faktor yang mempengaruhi penurunan lahan akibat alih fungsi lahan pertanian digunakan model analisis regresi linear berganda. Analisis regresi adalah sebuah alat analisis statistik yang memberikan penjelasan tentang pola hubungan (antara dua variabel atau lebih). Tujuan dari analisis regresi ini adalah meramalkan nilai rata-rata satu variabel. Metode ini sebenarnya menggambarkan hubungan antara peubah bebas atau independent (Y) dengan peubah tak bebas atau dependent (X) dan sering disebut dengan peubah penjelas.
Faktor-faktor yang diduga berpengaruh terhadap kegiatan alih fungsi lahan di tingkat wilayah adalah:
1. Laju Pertumbuhan Penduduk (persen)
Jumlah penduduk mempengaruhi permintaan lahan. Semakin meningkat jumlah penduduk maka permintaan lahan terutama untuk pembangunan perumahan akan semakin tinggi sehingga mendorong penurunan luas lahan sawah akibat alih fungsi lahan sawah yang semakin tinggi.
33 2. Jumlah Industri (unit)
Adanya peningkatan jumlah industri mendorong terjadinya peningkatan permintaan lahan. Semakin tinggi jumlah industri maka semakin tinggi penurunan luas lahan sawah akibat alih fungsi lahan sawah yang terjadi. 3. Produktivitas Lahan Pertanian (ton/ha)
Semakin rendah produktivitas lahan pertanian, maka diduga akan meningkatkan penurunan luas lahan sawah akibat alih fungsi lahan karena lahan dianggap memiliki opportunitunity cost.
4. Proporsi Luas Lahan Sawah Terhadap Luas Wilayah (persen)
Peningkatan luas lahan sawah karena adanya pencetakan sawah baru menyebabkan terjadinya pembangunan yang dilakukan di atas lahan sawah akan semakin besar. Semakin luas proporsi luas lahan sawah terhadap luas wilayah maka akan semakin tinggi penurunan luas lahan sawah akibat alih fungsi lahan yang terjadi.
5. Kebijakan pemerintah (dummy)
Adanya kebijakan pemerintah mengenai tata ruang wilayah pada saat ini dan saat tahun sebelumnya. Hal ini dilakukan untuk membedakan penggunaan lahan pertanian berdasarkan kebijakan tata ruang wilayah saat ini dan tahun sebelumnya. Adanya perubahan kebijakan menyebabkan terjadinya peningkatan penggunaan lahan sawah untuk keperluan non-pertanian.
Persamaan model regresi linear berganda untuk mengetahui faktor yang mempengaruhi alih fungsi lahan adalah sebagai berikut:
34 Tanda yang diharapkan:
β1 > 0 β2 > 0 β3 < 0 β4 > 0 D > 0 Dimana:
Y = Penurunan lahan pertanian akibat alih fungsi lahan (m2 ) α = Intersep
Xi = Faktor-faktor yang diduga mempengaruhi alih fungsi lahan βi =Koefisien Regresi
D = Dummy ε = Eror Term
Model analisis regresi linear berganda merupakan metode analisis yang didasarkan pada metode Ordinary Least Square (OLS). Konsep dari metode least square adalah menduga koefisien regresi (β) dengan meminimumkan kesalahan (error). Ordinary least square (OLS) dapat menduga koefisien regresi dengan baik karena: (1) memiliki sifat tidak bias dengan varians yang minimum (efisien) baik linear maupun bukan, (2) konsisten, dangan meningkatknya ukuran sampel maka koefisien regresi mengarah pada nilai populasi yang sebenarnya, serta (3) β0 dan β1 terdistribusi secara normal (Gujarati 2002).
Model ini mencangkup hubungan banyak variabel terdiri dari satu variabel dependent dan berbagai variabel independent. Penggunaan metode ini saling terikat antara satu variabel dengan variabel lainnya. Jika dijumpai bahwa saat satu
35 variabel terikat yang dipengaruhi oleh beberapa variabel bebas dalam mempengaruhi variabel terikat itu bermacam maka bentuk hubungan antar variabel pun juga akan berbeda. Dalam regresi linear berganda sifat hubungan berjenjang sering kali terjadi dalam kajian ilmu sosial.
Sebagai langkah awal pengujian dilakukan pengujian ketelitian dan kemampuan model regresi. Pengujian model regresi diperlukan dalam penelitian ini terdiri dari tiga pengujian, yaitu uji koefisien determinasi (R-squared), Uji F, dan Uji t.
Untuk mengetahui seberapa jauh pengaruh peubah-peubah dalam persamaan akan mempengaruhi alih fungsi lahan pertanian akan uji statistik sebagai berikut:
1. Uji Koefisien Determinasi (R-squared)
Nilai R-squared mencerminkan seberapa besar keragaman dari variabel dependen yang dapat diterangkan oleh variabel independen. Nilai R-squared memiliki besaran yang positif dan besarannya adalah 0 < R-squared < 1. Jika nilai R-squared bernilai nol maka artinya keragaman variabel dependen tidak dapat dijelaskan oleh variabel independennya. Sebaliknya, jika nilai R-squared bernilai satu maka keragaman dari variabel dependen secara keseluruhan dapat diterangkan oleh variabel independennya secara sempurna (Gujarati, 2002). R-squared dapat dirumuskan sebagai berikut:
...(4.3) Dimana:
ESS = Explained of Sum Squared TSS = Total Sum of Squared
36 2. Uji t
Uji t dilakukan untuk menghitung koefisien regresi masing-masing variabel independen sehingga dapat diketahui pengaruh variabel independen tersebut terhadap variabel dependennya. Adapun prosedur pengujiannya yang diungkap Gujarati (2002): H0 : β1 = 0 H0 : β1 ≠ 0 ... (4.4) Dimana: b = Parameter dugaan βt = Parameter Hipotesis Seβ = Standar error parameter β
Jika thitung (n-k) < t tabel α/2, maka H0 diterima, artinya variabel berarti variabel (Xi) tidak berpengaruh nyata terhadap (Y). Namun, jika thitung (n-k) > t tabel α/2, maka H0 ditolak, artinya variabel (Xi) berpengaruh nyata terhadap (Y)
3. Uji F
Uji F dilakukan untuk mengetahui pengaruh variabel independent atau bebas (Xi) secara bersama-sama terhadap variabel dependent atau tidak bebas (Y). Adapun prosedur yang digunakan dalam uji F (Gujarati 2002):
H0 = β1 = β2 = β3 = .... = βi = 0 H1 = minimal ada satu βi ≠ 0
37 Dimana:
JKR = Jumlah Kuadrat Regresi JKG = Jumlah Kuadrat Galat
k = jumlah variabel terhadap intersep n = jumlah pengamatan/sampel
Apabila F hitung < F tabel maka H0 diterima dan H1 ditolak yang berarti bahwa variabel bebas (Xi) tidak berpengaruh nyata terhadap variabel tidak bebas (Y). Sedangkan apabila F hitung > F tabel maka H0 ditolak dan H1 diterima yang berarti bahwa variabel (Xi) berpengaruh nyata terhadap variabel (Y).
Model yang dihasilkan dari regresi linear berganda haruslah baik. Jika tidak baik maka akan mempengaruhi interpretasinya. Interpretasi ini menjadi tidak benar apabila terdapat hubungan linear antara variabel bebas (Chatterjee and price dalam Nachrowi et all 2002) Namun, agar diperoleh model regresi linear berganda yang baik, maka model harus memenuhi kriteria BLUE (Best Linear Unbiased Estimator). BLUE dapat dicapai bila memenuhi asumsi klasik. Uji asumsi klasik merupakan pengujian pada model yang telah berbentuk linear untuk mendapatkan model yang baik. Setelah model diregresikan kemudian dilakukan uji penyimpangan asumsi.
a. Uji Normalitas
Uji normalitas bertujuan untuk melihat apakah model tersbut baik atau tidak. Model dikatakan baik jika mempunyai distribusi normal atau hampir normal. Uji yang dapat digunakan adalah Uji Kolmogorov-Smirnov.
Hipotesis pada uji Kolmogorov-Smirnov adalah sebagai berikut: H0 : Error term terdistribusi normal.
38 H1 : Error term tidak terdistribusi normal.
Dengan kriteria uji :
Jika P-value < α maka tolak H0
Jika P-value > α maka terima H0
Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat lain. Penerapan pada uji Kolmogorov-Smirnov adalah jika signifikansi di atas 5 persen berarti tidak terdapat pebedaan yang signifikan antara data yang akan diuji dengan data normal baku, artinya data tersebut normal.
b. Uji Autokorelasi
Menurut Nachrowi et all (2002), Autokorelasi adalah adanya korelasi antara variabel itu sendiri, pada pengamatan berbeda waktu dan individu. Umumnya, kasus autokorelasi terjadi pada data time series. Ada beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya autokorelasi. Salah satu cara yang digunakan adalah Uji Durbin Watson (DW-test). Uji ini hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept dalam model regresi dan tidak ada variabel lag diantara variabel penjelas. Jika pengujian autokorelasi diabaikan, maka akan berdampak terhadap pengujian hipotesis dan proses peramalan. Besarnya nilai statistik DW dapat diperoleh dengan rumus (Nachrowi et all. 2002):
...………... (4.6)
Dimana:
d = statistik Durbin-Watson ut dan ut-1 = Gangguan estimasi
39 Pengambilan keputusannya:
− Jika nilai DW terletak antara batas atau upper bound (du) dan (4-du), maka koefisien autokorelasi sama dengan nol, berarti tidak ada autokorelasi positif.
− Jika nilai DW lebih rendah dari pada batas bawah atau lower bound (dl), maka koefisien autokorelasi lebih besar dari pada nol, berarti ada autokorelasi positif.
− Jika DW lebih besar dari pada (4-dl), maka koefisien autokorelasi lebih kecil dari pada nol, berarti ada autokorelasi positif.
− Jika nilai DW lebih besar dari pada (4-dl), maka koefisien autokorelasi lebih kecil dari pada nol, berarti ada autokorelasi negatif.
− Jika nilai DW terletak diantara batas atas (du) dan batas bawah (dl) atau DW terletak antara (4-du) dan (4-dl), maka hasilnya tidak dapat disimpulkan. c. Uji Multikolinearitas
Jika suatu model regresi berganda terdapat hubungan linear sempurna antar peubah bebas dalam model tersebut, maka dapat dikatakan model tersebut mengalami multikolinearitas. Terjadinya multikolinearitas menyebabkan R-squared tinggi namun tidak banyak variabel yang signifikan dari uji t. Ada berbagai cara untuk menentukan apakah suatu model memiliki gejala multikolinearitas. Salah satu cara yang digunakan adalah uji Varian Infiaction Factor (VIF). Cara ini sangat mudah, hanya melihat apakah nilai VIF untuk masing-masing variabel lebih besar dari 10 atau tidak. Bila nilai VIF lebih besar dari 10 maka diindikasikan model tersebut mengalami multikolinearitas.
