BAB I PENDAHULUAN
3.4 Teknik Analisis Data .1 Uji Asumsi Klasik.1 Uji Asumsi Klasik
Evaluasi ini dimaksudkan untuk meliahat apakah penggunaan model regresi linear berganda (Multiple Regression Linear) dalam menganalisis telah memenuhi asumsi klasika.
3.4.1.1 Uji Normalitas
Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran data pada sebuah kelompok data atau variabel, apakah sebaran data tersebut berdistribusi normal ataukah tidak.
Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal.
Metode klasik dalam pengujian normalitas suatu data tidak begitu rumit. Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan berdistribusi normal. Biasa dikatakan sebagai sampel besar.
3.4.1.2 Uji Multikolineritas
Uji multikolineritas diperlukan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan varibel lain dalam satu model. Kemiripan antar variabel independen dalam suatu model akan menyebabkan terjadinya korelasi yang sangat kuat antara suatu variabel independen dengan variabel independen lainnya. Selain itu menghindari kebiasaan dalam proses pengambilan kesimpulan mengenai pengaruh pada uji persial masing-masing variabel indepen dan terhadap variabel dependen.
Deteksi multikolineritas pada suatu model dapat dilihat dari beberapa hal, antara lain:
1) Jika nilai Variance Inflation Factor (VIF) faktor tidak lebih dari 10 dan nilai Tolerance tidak kuran dari 0,1maka model dapat dikatakan terbebas dari multikolineritas VIF = 1/tolerance, jika VIF = 10 maka tolerance= 1/10 = 0,1. Semakin tinggi VIF maka semakin rendah tolerance.
2) Jika nilai kofisien determinan, baik dilihat dari R2 maupun R- square di atas 0,60 namun tidak ada variabel independen yang berpengaruh terhadap variabel ndependen, maka ditengarai model terkena multikolineritas.
3.4.1.3 Uji Autokorelasi
Uji autokorelasi dalamsuatu model bertujuan untuk mengetahui ada tidaknya korelasi antara varibel pengganggu (et) pada periode tertentu dengan variabel pengganggu periode sebelumnya. (et) autokorelasi sering terjadi pada sampel dengan data time series dengan n-sampel adalah periode waktu. Sedangkan untuk sampel data crossection dengan n-sampel item seperti perusahaan, orang, wilayah, dan lain sebagainya jarang terjadi, karena varibel pengganggu item sampel yang satu berbeda dengan yang lain.
Cara mudah mendeteksi autokorelasi dapat dilakukan dengan uji Durbin Watson. Model regresi linier berganda terbebas dari autokorelasi jika nilai Durbin Watson hitung terletak di daerah No Autocorelation. Penentu letak tersebut dibantu dengan tabel dldan du, dibantu dengan nilai k (jumlah variabel independen).
Klasifikasi nilai Dw yang dapat digunalkan untuk melihat ada atau tidaknya autokorelasi dalam model regresi.
3.4.1.4 Uji Heteroskedastisitas
Tujuan Heteroskesdastisitas menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode pengamatan yang lain, atau gambaran hubungan antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut. Model regresi yang baik adalah model regresi yang memiliki persamaan variance residual suatu periode pengamatan dengan periode pengamatan yang lain, atau adanya hubungan antara nilai yang diprediksi dengan Studentized Delete Residualnilai tersebut sehingga dapat dikatakan model tersebut homo kesdastisitas.
Cara memprediksi ada tidaknya Heteroskesdastisitas pada suatu model dapat dilihat dari pola gambar Scatter plot tersebut. Analisis pada gambar Scatter plot yang menyatakan model regresi linear berganda tidak terdapat Heteroskesdastisitas jika:
1) Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0.
2) Titik-titik data tidak mengumpul hanya di atas atau di bawah saja.
3) Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
4) Penyebaran titik-titik data sebaiknya tidak berpola.
3.4.2 Analisis Regresi Linier Berganda
Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih variabel independen (X1, X2, X3, X4) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah masing-masing variabel independen berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan.
Untuk menguji hipotesis yang diajukan tentang seberapa besar pengaruh antar variabel atau faktor-faktor yang disajikan dalam mempengaruhi tingkat produksi padi, maka penulis menggunakan model analisis regresi berganda. Secara sistematika variabel-variabel dimasukkan dalam bentuk persamaan sebagai berikut:
Y = f (X1, X2, X3, X4)...(1) Secara eksplisit dapat dinyatakan dalam fungsi Cobb-Douglas berikut:
Y=a+β1X1+β2X2+β3X3+β4X4+π...(2) Untuk mengestimasi koefisien regresi menggunakan logaritma natural (ln) guna menghitung nilai elastisitas dari masing-masing variabel bebas terhadap variabel terikat ke dalam model sehingga diperoleh persamaan sebagai berikut:
Ln Y= a+ β1Ln X1+ β2Ln X2+ β3Ln X3+ β4Ln X4+π...(3)
Keterangan:
Y = Produksi padi (kg)
X1 = Tenaga Kerja
X2 = Luas Lahan (ha)
X3 = Pupuk Pertanian (kg) X4 = Pestisida/insektisida (liter)
A = Konstanta
β1, β2, β3,β4 = Koefisien regresi
π = Error term
3.4.3 Koefisien Determinasi ( Nilai R2)
Koefisien determinasi merujuk kepada kemampuan dari variabel independen (X) dalam menerangkan variabel dependen (Y). Koefisien determinasi digunakan untuk menghitung seberapa besar variabel dependen dapat dijelaskan oleh variasi variabel-variabel independen. Nilai R2 paling besar 1 dan paling kecil 0 (0 < R2< 1). Bila R2 sama dengan 0 maka garis regresi tidak dapat digunakan untuk membuat ramalan variabel dependen, sebab variabel-variabel yang dimasukkan ke dalam persamaan regresi tidak mempunyai pengaruh variasi variabel dependen adalah 0.
3.4.3.1 Uji Hipotesis Statistik Uji F
Uji ini digunakan untuk mengetahui pengaruh variabel independen secara signifikan terhadap variabel dependen. Jika fhitung< ftabel, maka H0 diterima atau variabel independen
secara bersama-sama tidak memiliki pengaruh terhadap variabel dependen (tidak signifikan) dengan kata lain perubahan yang terjadi pada variabel terikat tidak dapat dijelaskan oleh perubahan variabel independen, dimana tingkat signifikansi yang digunakan yaitu 5%. Analisis koefisien determinasi digunakan untuk mengukur seberapa besar pengaruh variabel independen (tenaga kerja, luas lahan, pupuk pertanian) terhadap variabel dependen (produksi padi).
Statistik Uji t
Uji ini digunakan untuk mengetahui apakah masing- masing variabel independen secara sendiri-sendiri mempunyai pengaruh secara signifikan terhadap ariabel dependen. Dengan kata lain, untuk mengetahui apakah masing-masing variabel independen dapat menjelaskan perubahan yang terjadi pada variabel dependen secara nyata. Untuk mengkaji pengaruh variabel independen terhadap dependen secara individu dapat dilihat hipotesis berikut: H1 : β1 = 0 → tidak berpengaruh, H1 : β1 > 0 → berpengaruh positif, H1 : β1 < 0 → berpengaruh negative. Dimana β1 adalah koefisien variabel independen ke-1 yaitu nilai parameter hipotesis Biasanya nilai β dianggap nol, artinya tidak ada pengaruh variabel X1terhadap Y bila thitung <
t tabel maka H0 diterima (tidak signifikan). Uji t digunakan untuk membuat keputusan apakah hipotesis terbukti atau tidak, dimana tingkatsignifikanyang digunakan yaitu 5%.
BAB V
KESIMPULAN DAN SARAN