Y = b X
1 b1
X
2 b2
X
3 b3
X
4 b4
X
5 b5
X
6 b6
X
7 b7
X
8 b8
X
9 b9
X
10 b10
X
11 b11
X
12
X
13 b13
X
14 b14
X
15 b15
X
16 b16
X
17 b17
X
18 b18
e Dalam bentuk Ln menghasilkan persamaan regresi linear berganda multiple
linear regression sebagai berikut:
Ln Y = Ln b + b
1
LnX
1
+ b
2
LnX
2
+ b
3
LnX
3
+ b
4
LnX
4
+ b
5
LnX
5
+ b
6
LnX
6
+ b
7
LnX
7
+ b
8
LnX
8
+ b
9
LnX
9
+ b
10
LnX
10
+ b
11
LnX
11
+ b
12
LnX
12
+ b
13
LnX
13
+ b
14
LnX
14
+ b
15
LnX
15
+ b
16
LnX
16
+ b
17
LnX
17
+ b
18
LnX
18
+ e Keterangan:
Y = Pendapatan Rpbulan
b = Intersep
bi = Koefisien regresi penduga variabel ke-i
X
1
= Luas Lahan m
2
X
2
= TKLK HOK X
3
= Harga beli tanaman hias Puring Rp X
4
= Harga beli tanaman hias Aglaonema Rp X
5
= Harga beli tanaman hias Anggrek Rp X
6
= Harga beli tanaman hias Krisan Rp X
7
= Harga jual tanaman hias Puring Rp X
8
= Harga jual tanamana hias Aglaonema Rp X
9
= Harga jual tanaman hias Anggrek Rp X
10
= Harga jual tanaman hias Krisan Rp X
11
= Pupuk Kandang Kg X
12
= Pupuk Kompos Kg X
13
= NPK Kg X
14
= Sekam Kg X
15
= Pakis Kg X
16
= Obat-obatan ml X
17
= Transportasi Rp X
18
= Pot Buah e
= Gangguan stokhastik atau kesalahan
4.5 Pengujian Asumsi-asumsi Regresi a. Pengujian Asumsi OLS
Metode pendugaan model yang digunakan adalah metode kuadrat terkecil ordinary least square, OLS, sehingga agar model yang digunakan sesuai dengan
asumsi OLS maka dilakukan pengujian-pengujian Sulaiman, 2004:
1. Normalitas Salah satu cara mengecek normalitas adalah dengan plot Probabilitas
Normal. Melalui plot ini, masing-masing nilai pengamatan dipasangkan dengan nilai harapan pada distribusi normal. Normalitas terpenuhi apabila
titik-titik data terkumpul di sekitar garis lurus. 2. Homoskedastisitas
Suatu model memenuhi asumsi homoskedastisitas jika memiliki varians eror yang sama, yaitu nilai-nilai Y bervariasi dalam satuan yang sama baik
untuk nilai X yang tinggi maupun nilai X yang rendah, hal ini dapat dilihat dari plot antara sisaan dengan nilai dugaan telah menunjukkan bahwa titik-
titik telah menyebar secara acak dan tidak membentuk pola. 3. Multikolinearitas
Multikolinieritas berarti ada hubungan linier yang “sempurna” pasti di antara beberapa atau semua variabel independen dari model regresi.
Adapun cara pendeteksiannya adalah jika multikolinearitas tinggi, jika nilai R
2
tinggi tetapi tidak satu pun atau sangat sedikit koefisien yang ditaksir yang signifikanpenting secara statistik.
4. Autokorelasi Autokorelasi merupakan kondisi linier antara anggota serangkaian
observasi yang diurutkan menurut waktu dan ruang. Untuk mendeteksi ada atau tidaknya autokorelasi maka dilakukan pengujian Durbin-Watson
DW dengan ketentuan sebagai berikut: 1. 1,65 DW 2,35
tidak ada autokorelasi 2. 1,21 DW 1,65 atau 2,35 DW 2,79
tidak dapat disimpulkan
3. DW 1,21 atau DW 2,79 terjadi autokorelasi Masalah autokorelasi ini pada umumnya terjadi pada data time series,
sehingga pada penelitian ini tidak dilakukan. Karena data yang digunakan adalah data cross section.
b. Koefisien Determinasi R
2
Koefisien determinasi adalah besaran yang dipakai untuk menunjukkan sampai sejauh mana keragaman pendapatan Y dapat diterangkan oleh model
dugaan. Nilai koefisien determinasi berkisar antara nol dan satu, jika nilai koefisien determinasi semakin mendekati satu berarti semakin besar keragaman
hasil pendapatan dapat dijelaskan oleh faktor-faktor yang mempengaruhinya.
c. Pengujian Paramater Secara Keseluruhan Uji-F
