3.1 Lokasi dan Waktu Penelitian
Penelitian ini dilakukan di Kabupaten Deli Serdang. Pemilihan lokasi dilakukan secara purposive sampling (sengaja), dengan alasan daerah tersebut merupakan salah satu lokasi dengan produksi padi sawah terbesar di Provinsi Sumatera Utara. Penelitian ini dilakukan pada tahun 2014.
3.2Jenis Data dan Metode Pengumpulan Data
Jenis data yang digunakan adalah data sekunder yang terdiri dari data kuantitatif. Data sekunder bersumber dari studi pustaka dan informasi dari beberapa instansi terkait dan referensi-referensi lainnya berupa makalah, hasil penelitian terdahulu, jurnal dan internet. Sebelum dilakukan analisis data terlebih dahulu di lakukan uji Asumsi Klasik..
3.2.1. Analisis Liniear Berganda
Analisi regresi liniear berganda digunakan oleh peneliti, bila peneliti bermaksud meramalkan bagaimana keadaan (naik turunnya) variabel. Jadi regresi liniear berganda akan dilakukan apabila jumlah variabel independennya minimal dua.
Untuk mengetahui dampak perubahan iklim terhadap produksi padi sawah maka digunakan rumus regresi linier berganda dengan rumus:
Y = a0 + b1X1 + b2X2 + b3X3 + b4X4 + e/µ Dimana :
Y = Produksi Padi Sawah (Rp/Kg/Ha) a = Koefisien Tetap
X1 = Temperatur (̊C)
X2 = Kelembaban Udara (%) X3 = Curah Hujan (mm) X4 = Penyinaran Matahari
b1,b2,b3 = Koefisien Regresi Untuk Masing – Masing Variabel e/µ = Kesalahan Pengganggu
Hipotesis yang digunakan:
H0:Temperatur, kelembaban udara, curah hujan dan penyinaran matahari tidak berpengaruh secara positif dan signifikan terhadap produksi padi sawah.
H1:Temperatur, kelembaban udara, curah hujan dan penyinaran matahari berpengaruh secara positif dan signifikan terhadap produksi padi sawah.
Berdasarkan salah satu asumsi yang digunakan bahwa dalam persamaan regresi adalah tidak ada kesalahan dalam spesifikasi model, dengan kata lain model telah terspesifikasi dengan benar. Maka perlu disebutkan beberapa kriteria untuk menilai kebaikan dan kesesuaian suatu model regresi. Kriteria tersebut adalah R2,
F-test dan t-test (Subanti, 2014).
1. Koefisien Determinasi (R2)
Uji koefisien determinasi (R2) adalah suatu angka yang dapat dijadikan sebagai salah satu kriteria untuk menilai kebaikan atau kesesuaian sebuah model regresi. Dalam bahasa sehari-hari koefisien determinasi didefinisikan sebagai bagian atau porsi dari variasi variabel dependen yang dapan diternagkan oleh variabel bebas.
Dengan demikian semakin mampu variabek independen menerangkan fluktuasi yang terjadi pada variabel dependen, maka akan semakin besar pula nilai R2 dari model sehingga semakin baik atau sesuai pula model regresi tersebut. Sebaliknya jika R2 relatif kecil, model yang dibentuk dikategorikan kurang baik atau kurang sesuai.
Tidak ada acuan terkait berapa nilai R2 yang dikategorikan cukup baik atau sesuai. Karena nilai R2 itu sendiri sangata dipengaruhi oleh banyaknya variabel bebas yang diikutsertakan dalam model serta banyaknya observasi.
2. Uji F (F-Test)
Uji F menguji signifikansi pengaruh seluruh variabel bebas terhadap variabel terikat sekaligus tanpa memperhatikan tingkat pengaruh dari setiap variabel sehingga jika uji F memberikan hasil yang sangat signifikan meskipun terdapat satu atau dua variabel yang berpengaruh nyata terhadap variabel dependen maka perlu diperlukan pengujian signifikansi masing-masing koefisien regresi sehingga dapat ditentukan secara lebih spesifik variabel bebas mana saja yang berpengaruh signifikan terhadap variabel terikat.
Jika sig < 0,05 maka H0 diterima H1 ditolak Jika sig > 0,05 maka H0 ditolak H1 diterima
3. Uji Individu (t-test)
Koefisien regresi merupakan dugaan yang mengandung unsur ketidakpastian. Oleh sebab itu, koefisien tersebut harus diuji apakah nilainya dapat dianggap sama dengan suatu nilai tertentu atau sebaliknya. Karena nilai suatu koefisien dapat dianggap sama dengan nol, maka pengaruh variabel bebas bersangkutan terhadap
variabel terikat tidak signifikan. Sebaiknya, variabel tersebut tidak perlu dimasukkan ke dalam model.
Jika sig < 0,05 maka H0 ditolak H1 diterima
Jika sig > 0,05 maka H0 diterima H1 ditolak (Subanti,2014).
3.2.2. Uji Asumsi Klasik
Pengujian Asumsi Klasik merupakan pengujian asumsi-asumsi statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Ketika asumsi tidak terpenuhi, biasanya dilakukan berbagai solusi agar asumsi dapat terpenuhi atau beralih ke metode yang lebih advance agar asumsinya dapat terselesaikan. Pengujian asumsi klasik harus dilakukan untuk menguji asumsi-asumsi yang ada dalam permodelan regresi linear berganda. Pengujian asumsi klasik yang harus dipenuhi yaitu:
1. Uji Normalitas
Tujuan uji normalitas adalah untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal. Asumsi Normalitas adalah asumsi residual yang berdistribusi normal, asumsi ini harus terpenuhi untuk untuk model regresi yang baik. Pengujian normalitas dapat dilakukan dengan menggunakan metode formal seperti: Uji Kolmogorov-Smirnov, Uji Anderson-Darling, Uji
Shapiro-Wilk dan Uji Jarque-Bera yang mana semua pengujian ini memiliki hipotesis interprestasi, yaitu:
H0 : Residual berdistribusi Normal
Asumsi Normalitas terpenuhi ketika pengujian Normalitas menghasilkan P-value (Sign.) lebih besar dari α denagn nilai α ditentukan sebesar 1%, 5% atau 10% (Statistical Data Analyst).
2. Uji Heteroskedastisitas
Adanya penyimpangan nilai absolut model yang tidak sama untuk setiap nilai variabel bebas sepanjang periode observasi. Dengan kata lain, model yang diperoleh memiliki varian yang tidak homogen atau sering pula disebut dengan
hetroscedastic. Sekalipun persoalan heteroskedastisitas umumnya terjadi pada data cross-section, namun dalam data time series pun persoalan tersebut bisa terjadi(Subanti,2014).
Cara-cara mengidentifikasi adanya kasus Heterokedastisitas:
1. melakukan pemeriksaan dengan metode grafik, seperti:
• pemeriksaan output scatter plot dari variabel respon (Y) pada sumbu-Y dengan masing-masing prediktornya (X) pada sumbu-X.
• pemeriksaan output scatter plot dari variabel residual (e) pada sumbu-Y dengan varabel prediksi respon (Y-hat) pada usmbu-X.
• pemeriksaan output scatter plot dari variabel residual (e) pada sumbu-Y dengan masing-masing variabel prediktornya (X) pada sumbu-X.
2. Melakukan pengujian dengan metode formal, meliputi Uji Park, Uji Glejser, Uji Goldfeld-Quandt, Uji Breusch-Pagan/Godfrey dan Uji White dengan menggunakan software EVIEWS (Statistical Data Analyst).
3. Uji Multikolinieritas
Multikolonieritas dapat didefinisikan sebagai adanya hubungan atau kolerasi yang ukup kuat antara sesama variabel bebas yang disertakan dalam model. Adapun devinisi lain adalah kolerasi liniear yang “perfect” atau eksak diantara variabel penjelas yang dimasukkan ke dalam model. Sebab munculnya multikoliniearitas bukan muncul tanpa sebab diantaranya yaitu cara pengambilan data, ukuran sampel terlalu kecil, acuan yang digunakan kepada model, populasi yang disampel, spesifikasi model tidak tepat, dan ketidakseimbangan variabel yang terdapat dalam model dengan jumlah sampel(Subanti,2014).
4. Uji Autokorelasi
Diartikan sebagai adanya residual regresi yang tidak bebas dari satu observasi ke observasi lain. Autokorelasi merupakan persoalan yang umum ditemukan dalam data time series tetapi tidak menutup kemungkinan terjadi pula pada data cross section.
Berikut pengidentifikasian adanya kasus autokorelasi :
1. Pengujian Durbin-Watson yang menguji adanya autokorelasi pada lag-1. Pada Tabel Durbin-Watson diperoleh output tabel, yaitu nilai Durbin-Watson batas bawah (dL) dan batas atas (dU). Kriteria pemeriksaan asumsi Autokorelasi residual menggunakan nilai Durbin-Watson (d), yaitu:
• Jika d < 2 dan d <dL, maka residual bersifat Autokorelasi positif • Jika d < 2 dan d >dU, maka residual tidak bersifat Autokorelasi
• Jika d > 2 dan 4 – d <dL, maka residual bersifat Autokorelasi negatif. • Jika d > 2 dan 4 - d > dU, maka residual tidak bersifat Autokorelasi
• Jika d > 2 dan dL ≤ 4 – d ≤dU, maka hasil pengujian tidak dapat disimpulkan.
2. Pengujian Autokorelasi lainnya, seperti : Uji Breusch-Godfrey dan Uji Ljung-Box dengan menggunakan software EVIEWS (Statistical Data Analyst).
