35 tahun sebelum t tersebut dan dikalikan dengan 100 persen. Hal ini dilakukan juga
pada tahun-tahun berikutnya sehingga diperoleh laju alih fungsi lahan setiap tahun. Nilai V 0 berarti bahwa luas lahan tersebut mengalami penyusutan.
4.4.3. Analisis Regresi Linear Berganda
Analisis regresi linier berganda adalah sebuah alat analisis statistik yang memberikan penjelasan tentang pola hubungan antara dua variabel atau lebih.
Tujuan dari analisis regresi ini adalah menggambarkan hubungan antara variabel terikat dengan variabel bebas atau variabel yang mempengaruhinya. Variabel
terikat atau dependen Y adalah variabel yang dijelaskan atau dipengaruhi oleh variabel bebas. Sedangkan variabel bebas atau independen X adalah variabel
yang menjelaskan atau mempengaruhi variabel terikat. Metode ini dipilih peneliti untuk menduga faktor-faktor yang berpengaruh terhadap alih fungsi lahan
pertanian secara makro, dimana luas lahan sawah tersebut merupakan variabel terikat Y.
Faktor-faktor makro yang diduga berpengaruh terhadap kegiatan alih fungsi lahan di tingkat wilayah adalah:
1. PDRB X
1
Produk Domestik Regional Bruto PDRB merupakan salah satu indikator yang dapat menggambarkan pertumbuhan ekonomi. Semakin besar
pertumbuhan ekonomi suatu wilayah dapat mempercepat terjadinya perubahan struktur ekonomi ke arah sektor manufaktur, jasa, dan sektor
non pertanian lainnya. Hal ini akan menggeser peruntukan lahan dari pertanian menjadi non pertanian. Hipotesis pada penelitian ini bahwa
semakin besar PDRB maka semakin besar alih fungsi lahan yang terjadi.
36 2.
Laju Pertumbuhan penduduk X
2
Laju pertumbuhan penduduk adalah kecepatan bertambahnya penduduk. Jumlah penduduk yang semakin meningkat akan menambah permintaan
akan tempat tinggal atau pemukiman. Hal ini mendorong peningkatan pembangunan pemukiman, sehingga menurunkan luasan lahan pertanian.
Hipotesis pada penelitian ini adalah semakin besar laju pertumbuhan penduduk maka semakin besar alih fungsi lahan yang terjadi.
3. Jumlah Industri X
3
Industri merupakan salah satu hal yang menyebabkan alih lahan pertanian. Permintaan terhadap lahan dari masing-masing sektor saling bersaingan.
Jika jumlah industri bertambah maka lahan yang dibutuhkan oleh industri tersebut juga bertambah. Ada indikasi luas pertanian akan dialihfungsikan
menjadi industri jika jumlah industri tersebut semakin bertambah. Hipotesis pada penelitian ini adalah semakin banyak jumlah industri yang
ada maka semakin besar pula alih fungsi lahan yang terjadi. Persamaan model regresi linear berganda untuk mengetahui faktor yang
mempengaruhi alih fungsi lahan adalah sebagai berikut : � = + �
1 1
+ �
2 2
+ �
3 3
+ �
dimana: Y
= Penurunan lahan pertanian α
= Intersep β
i
= koefisien regresi X
i
= Faktor-faktor yang diduga mempengaruhi penurunan lahan ε
= Error TermResidual
37 Model analisis regresi linear berganda merupakan metode analisis yang
didasarkan pada metode Ordinary Least Square OLS. Konsep dari metode OLS adalah menduga koefisien regresi β
i
dengan meminimumkan residual. OLS dapat menduga koefisien regresi dengan baik, karena: 1 memiliki sifat tidak bias
dengan varian yang minimum, 2 variabelnya konsisten dimana dengan meningkatnya ukuran sample maka koefisien regresi mengarah pada nilai populasi
yang sebenarnya, dan 3 koefisien regresinya terdistribusi secara normal Gujarati 2002.
Untuk mengetahui seberapa jauh pengaruh faktor-faktor yang telah ditentukan dalam persamaan akan mempengaruhi alih fungsi lahan, dilakukan
pengujian ketelitian dan pengujian kemampuan model regresi. Pengujian model regresi ini terdiri dari uji koefisien determinasi, Uji koefisien regresi menyeluruh,
dan Uji koefisien regresi parsial. 1.
Uji Koefisien Determinasi R
2
Nilai R
2
mencerminkan seberapa besar keragaman dari variabel terikat yang dapat diterangkan oleh variabel bebasnya. Nilai R
2
memiliki besaran yang positif dan kurang dari satu 0 ≤ R
2
≤ 1. Jika nilai R
2
bernilai nol maka keragaman dari variabel terikat tidak dapat dijelaskan oleh variabel bebasnya. Sebaliknya,
jika nilai R
2
bernilai satu maka keragaman dari variabel terikat secara keseluruhan dapat dijelaskan oleh variabel bebas secara sempurna. R
2
dapat dirumuskan sebagai berikut :
2
= Dimana:
38 ESS
= Explained of Sum Square TSS
= Total of Sum Square 2.
Uji Koefisien Determinasi yang Disesuaikan Adj-R
2
Penambahan variabel bebas akan menyebabkan bertambahnya nilai R
2
. Permasalahan tersebut dapat diselesaikan dengan menghitung Adj-R
2
. Adj-R
2
adalah koefisien determinasi yang telah disesuaikan, sehingga penambahan nilainya menjadi terbebas dari pengaruh penambahan jumlah variabel bebas. Arti
dari nilai Adj-R
2
secara harfiah sama dengan nilai R
2
, hanya saja Adj-R
2
lebih tepat karena telah menghilangkan pengaruh dari jumlah variabel. Adj-R
2
dapat dirumuskan sebagai berikut:
� -
2
= 1 −
� − − 1 � − 1
Dimana: RSS
= Residual of Sum Square TSS
= Total of Sum Square n
= jumlah observasi K
= jumlah koefisien 3.
Uji Koefisien Regresi Menyeluruh F Uji F dilakukan untuk mengetahui pengaruh variabel bebas secara
bersama-sama terhadap variabel terikat. Adapun prosedur yang digunakan : H
: β
1
= β
2
= β
3
= ... = β
i
= 0 H
1
: minimal ada satu β
i
≠ 0
ℎ �
= − 1
� − Dimana:
39 JKR
= Jumlah Kuadrat Regresi JKG
= Jumlah Kuadrat GalatResidual k
= Jumlah variabel terhadap intersep n
= Jumlah pengamatan sample Apabila F
hit
F
tab
maka H diterima yang berarti bahwa variabel bebas
secara keseluruhan tidak berpengaruh nyata terhadap variabel terikat. Sedangkan apabila F
hit
F
tab
maka H ditolak yang berarti bahwa variabel bebas berpengaruh
nyata terhadap variabel terikat. 4.
Uji Koefisien Regresi Parsial t Uji t dilakukan untuk menghitung koefisien regresi masing-masing
variabel bebas sehingga dapat diketahui pengaruh masing-masing variabel bebas terhadap variabel terikat. Menurut Gujarati 2002, adapun prosedur
pengujiannya: H
: β
1
= 0 H
1
: β
1
≠ 0 �
ℎ �
= � −
�
Dimana: b
= parameter pendugaan β
t
= parameter hipotesis Seβ = standar error parameter β
Jika t
hit
t
tabel α2
, maka H diterima, artinya variabel bebas yang diuji tidak
berpengaruh nyata terhadap variabel terikat. Namun, jika t
hit
t
tabel α2
, maka H
40 ditolak, artinya variabel bebas yang diuji berpengaruh nyata terhadap variabel
terikat. Model yang dihasilkan dari regresi linear haruslah baik. Jika tidak maka
akan mempengaruhi interpretasinya. Interpretasi ini benar jika model regresi linear 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 dilakukan uji penyimpangan asumsi, yaitu: 1.
Uji Normalitas Uji normalitas bertujuan untuk melihat apakah pada model tersebut
residual terdistribusi normal atau tidak. Model yang baik harus mempunyai residual yang terdistribusi normal atau hampir normal. Uji yang dapat digunakan
adalah dengan membuat histrogram normalitas. Nilai probality yang lebih besar dari taraf nyata α menandakan residual terdistribusi secara normal.
2. Uji Heterokedastisitas
Suatu model dapat dikatakan mempunyai sifat heterokedastisitas jika ragam residual dalam model tidak sama untuk tiap pengamatan ke-i dari variabel-
variabel bebas dalam model regresi. Akibat dari sifat ini adalah penduga OLS-nya tidak efisien lagi karena standar residualnya bias ke bawah. Salah satu cara
mendeteksi heterokedasitisitas adalah dengan melakukan uji Glejser. Uji ini dilakukan dengan meregresikan nilai absolut dari residual terhadap variabel bebas
yang diperkirakan memiliki hubungan erat dengan ragam model, dimana setelah pergresian tersebut didapatkan nilai unsur kesalahan Prob. Chi-Square. Jika nilai
41 tersebut lebih besar dari taraf nyata α yang digunakan maka tidak ada
permasalahan heterokedastisitas. 3.
Uji Autokolerasi Autokorelasi terjadi jika ada korelasi serial antara residual. Korelasi
tersebut terjadi karena residual saling mempengaruhi satu sama lain sehingga residual tersebut tidak bebas. Korelasi tersebut menyebabkan penduga OLS
menjadi tidak efisien lagi. Cara mendeteksi autokorelasi dapat dilakukan dengan menggunakan uji Breusch-Godfrey. Uji ini dilakukan dengan meregresikan
residual dengan lag residual dan semua regresor. Hasil regresi tersebut akan diperoleh koefisien determinasi Prob. Chi-Square untuk mengetahui
autokorelasi. Jika nilai tersebut lebih besar dari taraf α yang digunakan maka tidak ada permasalahan autokorelasi.
4. Uji Multikolinearitas
Multikolinearitas adalah adanya hubungan linear sempurna antar variabel bebas dalam suatu model. Hal ini terjadi jika nilai R
2
tinggi namun banyak variabel yang tidak signifikan dari uji t. Suatu model yang mempunyai sifat ini
maka interpretasi dari model tersebut akan menjadi sulit. Salah satu cara untuk mendeteksi adanya multikolinearitas yaitu dengan melihat nilai VIF Variance
Inflation Factor dari masing-masing variabel. Jika nilai VIF 10 maka terjadi masalah multikolinearitas yang serius.
4.4.4. Analisis Regresi Logistik