Bab ini membahas tentang implementasi pemodelan prediksi produksi panen komoditas padi menggunakan metode regresi linier yang diolah menggunakan R Studio.
4.1 Pengolahan Data
4.1.1 Pengelolaan Data Luas Lahan, Irigasi dan Tenaga kerja Pada penelitian ini data awal yang akan diolah adalah data luas lahan, irigasi dan tenaga kerja Kabupaten Sukoharjo yang terdiri dari 12 kecamatan pada tahun 2007 hingga 2011. Data awal tersebut diolah untuk mencari prediksi data luas lahan, irigasi dan tenaga kerja pada tahun 2012 dan 2013 menggunakan regresi linier sederhana. Data inilah yang nantinya digunakan untuk masukan proses prediksi produksi padi tahun 2012 dan 2013 di Kabupaten Sukoharjo. Hasil perediksi data luas lahan, irigasi dan tenaga kerja pada tahun 2012 dan 2013 Kabupaten Sukoharjo disajikan pada Tabel 4.1.
Tabel 4.1 Perediksi Data Luas Lahan, Irigai dan Tenaga kerja
9 Grogol 2012 1007 413 2848 digunakan sebagai masukan proses perediksi produksi padi. Seperti yang telah dijelaskan pada bab sebelumnya, pada penelitian ini luas lahan merupakan variabel bebas pertama (X1), irigasi merupakan variabel bebas kedua (X2) dan tenaga kerja merupakan variabel bebas ketiga (X3) yang digunakan untuk menentukan variabel terikat (Y) berupa produksi padi.
4.1.2 Pembentukan Model Regresi Linier Berganda
Data yang digunakan dalam perhitungan ini adalah data produksi padi, luas lahan, irigasi dan tenaga kerja Kabupaten Sukoharjo pada tahun 2007 hingga 2011 yang tersaji pada Tabel 4.2.
Tabel 4.2 Data Produksi Padi, Luas Lahan, Irigai dan Tenaga kerja
30 Bendosari 2009 42015 2569 1234 1911
menghitung perediksi produksi padi tahun 2012 dan 2013 Kabupaten Sukoharjo.
Sebelum melakukan proses perhitungan regresi linier berganda, terlebih dahulu dilakukan uji kelinieran data dengan membentuk plot antara variabel terikat (Y) dengan masing-masing varabel bebas (X). Hal ini bertujuan untuk pendeteksian awal apakah regresi linier cocok diterapkan.
Gambar 4.1 Hubungan Kelinieran Luas Lahan dan Produksi Padi
Gambar 4. 2 Hubungan Kelinieran Irigasi dan Produksi Padi
Gambar 4.2 adalah hasil plot dari data irigasi dengan data produksi padi pada tahun 2007 hingga tahun 2011. Irigasi berada pada sumbu X dan produksi padi berada pada sumbu Y. Plot tersebut menggambarkan tentang hubungan kelinieran antara data irigasi dan produksi padi tahun 2007 hingga 2011yang diwakili dengan titik – titik data. Berdasarkan gambar tersebut dapat terlihat bahwa data membentuk pola linier yang dapat diwakili dengan suatu garis lurus.
Gambar 4.3 adalah hasil plot dari data tenaga kerja dengan data produksi padi pada tahun 2007 hingga tahun 2011. Tenaga kerja berada pada sumbu X dan produksi padi berada pada sumbu Y. Sama dengan Gambar 4.1 dan Gambar 4.2, plot yang terbentuk adalah plot yang menggambarkan hubungan kelinieran antara data tenaga kerja dan produksi padi tahun 2007. Terlihat bahwa data membentuk pola linier yang dapat diwakili dengan suatu garis lurus.
Berdasarkan pada ketiga gambar plot regresi linier tersebut dapat terlihat bahwa regresi linier cocok untuk diterapkan karena hubungan antara variabel luas lahan, irigasi dan tenaga kerja dengan produksi padi adalah linier.
Langkah selanjutnya adalah membentuk model regresi dari data yang telah tersedia. Pada penelitian ini pembentukkan model regresi memakai bantuan software statistik R Studio. Hasil analisis regresi disajikan pada Gambar 4.4 dibawah ini.
Gambar 4.4 merupakan hasil analisis regresi linier menggunakan software statistik R Studio. Nilai intercept, lahan (luas lahan), irigasi dan ch (tenaga kerja) yang terdapat pada kolom estimate atau estimasi adalah nilai koefisien regresi yang merupakan
nilai duga parameter dalam model regresi untuk kondisi yang sebenarnya. Nilai intercept merupakan nilai rata – rata variabel Y apabila nilai pada variabel X bernilai 0. Sedangkan nilai lahan, irigasi dan tenaga kerja merupakan koefisiensi regresi untuk variabel X. Nilai p-value dari koefisien regresi untuk variabel lahan, irigasi dan ch dapat dilihat pada kolom Pr(>|t|), dimana nilai p-value yang diperoleh lebih kecil dibanding dengan nilai α = 0.05. Hal ini mempunyai arti ketiga koefisian tersebut signifikasn secara statistik.
Analisis hubungan antara variabel luas lahan, irigasi dan tenaga kerja dapat dilihat pada persamaan regresi linier berganda yang terbentuk. Jika luas lahan ditambah 1 Ha dengan asusmsi irigasi dan tenaga kerja tetap, maka produksi padi akan meningkat 14.8323%. jika irigasi ditambah dengan asumsi luas lahan dan tenaga kerja tetap, maka produksi padi akan meningkat sebesar 3.5053%. namun apabila jumlah tenaga kerja meningkat sedangkan lluas lahan dan irigasi tetap, maka produksi padi akan menurun sebesar 2.4067%.
Sebelum benar-benar menerima hasil analisis regresi linier ini, diperlukan uji asumsi klasik regresi linier yang bertujuan untuk mengetahui apakah model regresi yang telah terbentuk bebas dari pelanggaran asumsi klasik.
4.1.3 Uji Asumsi Klasik Regresi Linier
Seperti yang telah dijelaskan pada bab sebelumnya, uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi liner berganda dengan berbasis Ordinary Least Square (OLS). Pada penelitian ini uji asumsi klasik yang digunakan adalah uji normalitas. Uji normalitas dipakai untuk melihat apakah nilai residual terdistribusi secara normal atau tidak. Model regresi yang baik adalah model regresi yang memiliki nilai residual yang terdistrbusi secara normal.
uji Kolmogorov-Smirnov normality test atau ks.test yang diolah melalui software R studio disajikan pada Gambar 4.5.
Gambar 4. 5 Hasil Uji Kolmogorov-Smirnov normality test
Pada Gambar 4.5 terlihat bahwa uji Kolmogorov-Smirnov normality test menghasilkan nilai p-value sebesar 1, dimana bernilai
lebih besar dari α = 0.05. Berdasarkan hal tersebut, dapat dikatakan
bahwa asumsi kenormalan error tidak dilanggar.
Selain menggunakan uji Kolmogorov-Smirnov normality test, uji normalitas dapat dilihat menggunakan fungsi QQ Plot yang tersaji pada Gambar 4.6 dibawah ini.
Gambar 4. 6 Hasil Uji QQ Plot
lurus yang terbentuk. Hal ini dapat disimpulkan bahwa data menyebar normal, sehingga asumsi kenormalan error tidak dilanggar. Ciri – ciri data yang menyebar normal adalah bila diplotkan dengan QQ Plot, titik – titik data tersebar di sekitar garis lurus (Kurniawan, 2008).
4.2
Perediksi Produksi Padi
Setelah dilakukan proses perhitungan regresi linier yang menghasilkan persamaan 5 dan model regresi linier diangap sesuai dengan kasus yang diangkat, maka tahap selanjutnya adalah prediksi hasil produksi padi pada tahun 2012 dan 2013 menggunakan persamaan 5 yang telah dijabarkan di atas. Data yang digunakan dalam tahap ini adalah hasil prediksi data luas lahan, irigasi dan tenaga kerja tahun 2012 dan 2013 yang disajikan pada Tabel 4.1.
Hasil perhitungan perediksi produksi padi pada tahun 2012 dan 2013 di Kabupaten Sukoharjo dapat dilihat pada Gambar 4.7 di bawah ini.
Gambar 4.7Hasil Perediksi Produksi Padi Tahun 2012 dan 2013
produksi padi tahun 2012 dan 2013 di Kabupaten Sukoharjo disajikan pada Tabel 4.3 di bawah ini.
Tabel 4.3 Hasil Perediksi Produksi Padi Tahun 2012 dan 2013
4.3
Pemetaan Produksi Padi Tahun 2012 dan 2013
Setelah diperoleh hasil perediksi produksi panen komoditas padi tahun 2012 dan 2013 Kabupaten Sukoharjo, langkah selanjutnya adalah melakukan pemetaan. Pemetaan digunakan untuk memvisualisasi hasil perediksi, sehingga memudahkan user dalam menganalisis hasil keluaran. Peta peramalan produksi panen komoditas padi Kabupaten Sukoharjo pada tahun 2012 diolah menggunakan bantuan tools R Studio. Data yang digunakan adalah data hasil peramalan produksi padi pada tahun 2012 dan 2013 Pemetaan hasil prediksi produksi padi disajikan pada Gambar 4.8.
Gambar 4.8 Peta Perediksi Produksi Padi Tahun 2012
terletak di sebelah kiri peta, range tersebut berguna untuk mengetahui berapa banyak produksi padi yang dihasilkan dalam setiap daerah yang ditandai dengan warna. Berdasarkan peta prediksi produksi padi tersebut dapat diketahui Kecamatan Polokarto, Bendosari dan Nguter memiliki produksi padi yang tinggi ditunjukkan dengan warna biru tua. Besarnya produksi padi di Kecamatan Polokarto, Bendosari dan nguter memiliki range antara 40808.4 – 45038. Kecamatan Mojolaban dan Sukoharjo berada di urutan kedua yang ditunjukkan warna biru laut. Pada tahun ini daerah yang memiliki hasil produksi padi paling sedikit adalah Kecamatan Kartasura, Gatak dan Grogol yang ditunjukkan dengan warna biru muda.
Gambar 4.9 Peta Perediksi Produksi Padi Tahun 2013
