Upload
danghanh
View
240
Download
1
Embed Size (px)
Citation preview
BAB 4
Hasil dan Pembahasan
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
Id Kecamatan tahun lahan irigasi ch
1 Weru 2012 2031 1106 2239
2 Bulu 2012 1116 580 2663
3 Tawangsari 2012 1669 1497 2554
4 Sukoharjo 2012 2362 2362 2894
5 Nguter 2012 2692 1328 2915
6 Bendosari 2012 2569 1234 3019
7 Polokarto 2012 2576 1127 2252
8 Mojolaban 2012 2234 2234 2004
2
9 Grogol 2012 1007 413 2848
10 Baki 2012 1272 1272 2608
11 Gatak 2012 1266 1266 1839
12 Kartasura 2012 540 540 2131
13 Weru 2013 2070 1128 2351
14 Bulu 2013 1116 580 3122
15 Tawangsari 2013 1678 1506 2781
16 Sukoharjo 2013 2361 2361 3139
17 Nguter 2013 2694 1330 3100
18 Bendosari 2013 2569 1234 3258
19 Polokarto 2013 2576 1127 2357
20 Mojolaban 2013 2234 2234 2043
21 Grogol 2013 1007 413 3161
22 Baki 2013 1269 1269 2814
23 Gatak 2013 1266 1266 1773
24 Kartasura 2013 546 546 2134
Tabel 4.1 merupakan hasil perediksi data luas lahan, irgasi
dan tenaga kerja tahun 2012 dan 2013 yang nantinya akan
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.
Sebelum digunakan untuk prediksi produksi padi di
Kabupaten Sukoharjo, metode regresi linier berganda harus
melewati beberapa tahapan. Tahap-tahap tersebut adalah persiapan
data yang terdiri dari data produksi padi, luas lahan, irigasi dan
tenaga kerja Kabupaten Sukoharjo pada tahun 2007 hingga 2011,
uji kelinieran data, pembentukan model regresi, uji asumsi klasik,
perediksi produksi padi tahun 2012 dan 2013.
3
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
Id Kecamatan tahun panen lahan irigasi ch
1 Weru 2007 24790 1854 1006 1694
2 Bulu 2007 14100 1117 581 0
3 Tawangsari 2007 25761 1626 1454 1463
4 Sukoharjo 2007 30136 2367 2367 1927
5 Nguter 2007 39136 2680 1316 1900
6 Bendosari 2007 37049 2569 1234 1884
7 Polokarto 2007 40651 2576 1127 1634
8 Mojolaban 2007 42474 2234 2234 1569
9 Grogol 2007 14461 1007 413 2028
10 Baki 2007 18090 1285 1285 1535
11 Gatak 2007 18842 1266 1266 2550
12 Kartasura 2007 8298 515 515 1977
13 Weru 2008 27047 1866 1018 1900
14 Bulu 2008 14315 1117 581 1214
15 Tawangsari 2008 24980 1632 1460 1768
16 Sukoharjo 2008 35962 2364 2364 1888
17 Nguter 2008 35270 2680 1316 2506
18 Bendosari 2008 37114 2569 1234 2322
19 Polokarto 2008 44734 2576 1127 2293
20 Mojolaban 2008 44661 2234 2234 2216
21 Grogol 2008 14132 1007 413 1030
22 Baki 2008 18584 1285 1285 1962
23 Gatak 2008 18169 1266 1266 1921
24 Kartasura 2008 7688 515 515 2208
25 Weru 2009 26043 1866 1018 1901
26 Bulu 2009 15171 1117 581 1591
27 Tawangsari 2009 31038 1651 1479 1766
28 Sukoharjo 2009 40604 2364 2364 1864
29 Nguter 2009 38780 2680 1316 2227
4
30 Bendosari 2009 42015 2569 1234 1911
31 Polokarto 2009 40566 2576 1127 1605
32 Mojolaban 2009 44538 2234 2234 2126
33 Grogol 2009 14737 1007 413 1522
34 Baki 2009 17275 1276 1276 1960
35 Gatak 2009 18247 1266 1266 1735
36 Kartasura 2009 8230 515 515 2114
37 Weru 2010 27473 1989 1082 1648
38 Bulu 2010 16814 1117 581 1441
39 Tawangsari 2010 29387 1656 1484 1731
40 Sukoharjo 2010 46118 2363 2363 2043
41 Nguter 2010 41093 2689 1325 2175
42 Bendosari 2010 39416 2569 1234 2288
43 Polokarto 2010 45437 2576 1127 1697
44 Mojolaban 2010 47226 2234 2234 1294
45 Grogol 2010 16582 1007 413 1688
46 Baki 2010 18329 1276 1276 1888
47 Gatak 2010 20057 1266 1266 1608
48 Kartasura 2010 9593 515 515 2402
49 Weru 2011 27279 1989 1082 2378
50 Bulu 2011 14079 1116 580 2182
51 Tawangsari 2011 27778 1656 1484 2621
52 Sukoharjo 2011 31657 2363 2363 3074
53 Nguter 2011 34919 2689 1325 2991
54 Bendosari 2011 32398 2569 1234 3098
55 Polokarto 2011 39822 2576 1127 2457
56 Mojolaban 2011 29599 2234 2234 2226
57 Grogol 2011 11386 1007 413 3267
58 Baki 2011 16109 1276 1276 2603
59 Gatak 2011 13688 1266 1266 2375
60 Kartasura 2011 4946 546 546 1898
Tabel 4.2 adalah tabel data produksi padi, luas lahan, irigasi
dan tenaga kerja Kabupaten Sukoharjo yang akan digunakan dalam
proses perhitungan regresi linier berganda untuk memperoleh
persamaan regresi linier. Persamaan ini sebagai persamaan untuk
5
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 4.1 merupakan hasil plot dari data luas lahan dan
produksi padi pada tahun 2007 hingga 2011. Luas lahan berada pada
sumbu X dan produksi padi berada pada sumbu Y. Bulatan – bulatan
kecil yang terdapat dalam plot adalah titik – titik data yang tersebar
berdasarkan hubungan antara besaran luas lahan dan produksi padi
pada tahun 2007 hingga 2011. Berdasarkan plot tersebut, dapat
diketahui bahwa titik – titik data membentuk pola linier antara luas
lahan dan produksi padi.
6
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 Hubungan Kelinieran Tenaga kerja dan Produksi Padi
7
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 Hasil Analisis Regresi Linier
8
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.
Pada Gambar 4.4 terlihat pula nilai p-value model regresi
linier berganda yang diperoleh sebesar 2.2 x 10-16
. Berdasarkan
hasil tersebut dapat ditarik kesimpulan bahwa model regresi yang
diperoleh dapat diterima. Hal ini dibuktikan dengan nilai p-value
dari Fhitung sebesar 2.2 x 10-16
lebih kecil dari nilai α sebesar 0.05.
Berdasarkan hasil analisis di atas, diperoleh juga persamaan yang
digunakan untuk melakukan peramalan produksi padi berdasarkan
luas lahan, irigasi dan tenaga kerja yang disajikan pada persamaan
lima di bawah ini.
(5)
Dimana :
Y : Produksi Padi
X1 : Luas Lahan
X2 : Irigasi
X3 : Tenaga kerja
9
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 statistik Kolmogorov-Smirnov normality test digunakan
untuk menguji normalitas karena dianggap paling baik karena
Kolmogorov-Smirnov normality test bekerja dengan
membandingkan dua distribusi atau sebaran data. Data yang
digunakan dalam uji normalitas adalah data atau nilai residu. Hasil
10
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
Gambar 4.6 merupakan hasil plot data residu yang dihasilkan
dari model regresi linier berganda yang terbentuk. Berdasarkan
Gambar 4.6 dapat titik – titik data residu menyebar disekitar garis
11
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
Gambar 4.10 merupakan hasil perediksi produksi padi tahun
2012 dan 2013 menggunakan persamaan 5. Data hasil perediksi
12
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
id Kecamatan tahun panen lahan irigasi ch
1 Weru 2012 32864 2031 1106 2239
2 Bulu 2012 20779 1116 580 2663
3 Tawangsari 2012 28599 1669 1497 2554
4 Sukoharjo 2012 40070 2362 2362 2894
5 Nguter 2012 45038 2692 1328 2915
6 Bendosari 2012 43578 2569 1234 3019
7 Polokarto 2012 40993 2576 1127 2252
8 Mojolaban 2012 35051 2234 2234 2004
9 Grogol 2012 19811 1007 413 2848
10 Baki 2012 22900 1272 1272 2608
11 Gatak 2012 20115 1266 1266 1839
12 Kartasura 2012 10371 540 540 2131
13 Weru 2013 33835 2070 1128 2351
14 Bulu 2013 22388 1116 580 3122
15 Tawangsari 2013 29528 1678 1506 2781
16 Sukoharjo 2013 40914 2361 2361 3139
17 Nguter 2013 45716 2694 1330 3100
18 Bendosari 2013 44416 2569 1234 3258
19 Polokarto 2013 41361 2576 1127 2357
20 Mojolaban 2013 35188 2234 2234 2043
21 Grogol 2013 20908 1007 413 3161
22 Baki 2013 23577 1269 1269 2814
23 Gatak 2013 19884 1266 1266 1773
24 Kartasura 2013 10470 546 546 2134
Berdasarkan Tabel 4.3, produksi padi pada tahun 2012 dan
2013 akan terjadi kenaikan dibanding dengan tahun – tahun
sebelumnya. Setelah diperoleh hasil peramalan, langkah selanjutnya
adalah memvisualisasikan dalam bentuk peta.
13
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
Gambar 4.8 adalah gambar peta perediksi produksi padi
tahun 2012. Di dalam peta prediksi di atas terdapat range data yang
14
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.
Peta prediksi peramalan produksi padi Kabupaten
Sukoharjo pada tahun 2013 disajikan pada Gambar 4.9 di bawah ini.
15
Gambar 4.9 Peta Perediksi Produksi Padi Tahun 2013
Gambar 4.9 adalah gambar peta perediksi produksi padi tahun 2013
yang memiliki kesamaan pada peta perediksi produksi padi tahun
2012, dimana Kecamatan Polokarto, Bendosari dan Nguter memiliki
produksi padi yang tinggi ditunjukkan dengan warna biru tua.
Kecamatan Mojolaban dan Sukoharjo berada di urutan kedua yang
ditunjukkan warna biru laut dan seterusnya. Perbedaanya adalah
range yang terbentuk, dimana range hasil produksi padi tertinggi
dimulai dari 41271.6 hingga 45716 dan range terendah antara 10470
hingga 21204 yang menunjukkan terjadi kenaikan hasil produksi
dadi walau hanya sedikit.