bab 2 tinjauan pustaka · 2015. 12. 14. · 4 . 2.3. produksi padi padi merupakan salah satu...
TRANSCRIPT
1
Bab 2
Tinjauan Pustaka
2.1 Penelitian Sebelumnya
Pada penelitian yang berjudul “Prediksi Produksi
Padi Menggunakan Weighted Rainfall Index Dengan
Pendekatan Fast And Robust Bootstrap For Least Trimmed
Square (Studi Kasus Di Kabupaten Gunungkidul)” tenaga
kerja digunakan sebagai variabel untuk memprediksi
produksi padi (Munir, 2010). Berdasarkan penelitian
tersebut, dapat disimpulkan bahwa tenaga kerja dapat
digunakan sebagai salah satu variabel untuk memprediksi
produksi padi di Kabupaten Sukoharjo. Berbeda dengan
penelitian sebelumnya, pada peneltian ini metode yang
digunakan untuk membentuk model prediksi produksi panen
komoditas padi adalah metode regresi linier berganda.
Penelitian yang pernah dilakukan oleh Suhermin Ari
Pujiati berjudul “Analisis Regresi Linier Berganda Untuk
Mengetahui Hubungan Antara Beberapa Aktifitas Promosi
dengan Penjualan Produk” disebutkan metode regresi linear
merupakan suatu metode analisis statistik yang mempelajari
pola hubungan antara dua atau lebih variabel. Metode
analisis regresi ini sangat menguntungkan bagi banyak pihak,
baik di bidang sains, sosial, industri, pertanian maupun bisnis
(Pujiati, 2003). Pada penelitian ini, metode regresi linier
2
digunakan dalam bidang pertanian. Metode regresi linier
berganda tidak hanya digunakan untuk mempelajari pola
hubungan antar variabel, namun juga digunakan sebagai
metode untuk memprediksi produksi panen komoditas padi
di Kabupaten Sukoharjo.
Dalam penelitian yang berjudul “Pengaruh Luas
Lahan, Tenaga Kerja, Penggunaan Benih dan Pupuk
Terhadap Produksi Padi di Jawa Tengah Tahun1994 - 2008”,
disebutkan luas lahan sangat berpengaruh terhadap produksi
padi. Apabila luas lahan padi semakin luas maka produksi
beras akan semakin meningkat. Sebaliknya apabila luas
lahan padi semakin sempit maka produksi beras akan
semakin sedikit (Zulmi, 2011). Pada penelitian sebelumnya
regresi linier berganda digunakan untuk mengetahui seberapa
besar pengaruh luas lahan, tenaga kerja, penggunaan benih
dan pupuk terhadap produksi padi. Berbeda dengan
penelitian sebelumnya, pada penelitian ini metode regresi
linier berganda digunakan untuk memprediksi produksi
panen komoditas padi. Pada penelitian ini data yang
digunakan untuk memprediksi produksi panen komoditas
padi adalah luas lahan, irigas dan tenaga kerja Kabupaten
Sukoharjo tahun 2007 hingga 2011.
2.2 Kabupaten Sukoharjo
Kabupaten Sukoharjo adalah salah satu kabupaten di
Jawa Tengah dengan luas daerah sebesar 446.666 Ha.
Kabupaten Sukoharjo berbatasan langsung dengan Kota
3
Surakarta di sebelah utara, Kabupaten Karanganyar di
sebelah timur, Kabupaten Gunung Kidul di sebelah selatan
dan Kabupaten Klaten di sebelah barat. Bengawan Solo
membelah kabupaten ini menjadi dua bagian, bagian utara
pada umumnya merupakan dataran rendah dan
bergelombang, sedangkan bagian selatan dataran tinggi dan
pegunungan. Secara administratif, Sukoharjo terbagi menjadi
12 kecamatan, yaitu Sukoharjo, Grogol, Baki, Gatak,
Kartosuro, Mojolaban, Polokarto, Bendosari, Nguter,
Tawangsari, Bulu dan Weru, 150 desa dan 17 kelurahan
(Wikipedia, 2011).
Kabupaten Sukoharjo memiliki selogan MAKMUR
yang mempunyai arti Maju, Aman, Konstitusional, Mantap,
Unggul dan Rapi. Slogan ini digunakan Kabupaten
Sukoharjo untuk mencapai masyarakat yang madani, gemah,
ripah loh jinawi. Potensi yang terdapat pada Kabupaten
Sukoharjo selain industri dan pariwisata adalah pertanian.
Pertanian di Kabupaten Sukoharjo sebenarnya sangat
berpotensi untuk memberikan hasil yang maksimal. Akan
tetapi banyaknya lahan pertanian yang beralih fungsi
menyebabkan pertanian hanya menempati urutan ketiga
sektor yang memberikan kontribusi Produk Domestik
Regional Bruto. Pemerintah Kabupaten Sukoharjo
menggalakan berbagai cara untuk meningkatkan produk
pertanian sebagai upaya swasembada pangan dan menjadikan
Provinsi Jawa Tengah sebagai lumbung pangan Nasional
(Alita, 2011).
4
2.3 Produksi Padi
Padi merupakan salah satu tanaman budidaya
terpenting dalam peradapan. Diduga padi berasal dari India
atau Indocina dan masuk ke Indoneisa sekitar 1500 SM
(Wikipedia, 2012). Padi merupakan sumber karbohidrat
utama bagi mayoritas penduduk dunia. Padi dapat tumbuh
pada ketinggian 0-1500 mdpl dengan temperatur 19-270C,
memerlukan penyinaran matahari penuh tanpa naungan. Padi
tumbuh pada tanah lumpur yang subur dengan ketebalan 18
cm sampai 22 cm dan ph tanah antara 4 sampai 7
(Sandiwantoro,2009).
Produksi pada dasarnya merupakan hasil kali luas
panen dengan produktivitas per Ha lahan, sehingga seberapa
besar produksi suatu wilayah, tergantung seberapa luas
panen pada tahun yang bersangkutan atau berapa tingkat
produktivitasnya (Triyanto, 2006). Tidak hanya luas lahan,
banyak hal dapat mempengaruhi produksi padi, antara lain
irigasi dan tenaga kerja. Tingkat pengairan yang sesuai dan
tenaga kerja yang tepat dapat mempengaruhi produksi padi.
Produksi padi memiliki nilai startegis dan
berpengaruh besar terhadap kebijikan ekonomi nasional.
Program pembangunan pertanian di Indonesia dimulai sejak
Pelita Pertama. Sejak saat itu produksi beras menunjukkan
kecenderungan meningkat. Puncaknya pada tahun 1984
Indonesia telah menyatakan diri sebagai negara yang
5
berswasembada beras. Berjalannya waktu kondisi produksi
beras di Indonesia tidak selalu stabil, mengalami kenaikan
dan penurunan. Pada tahun 1997, produksi padi Indonesia
merosot sebesar 3.4%, sedangkan pada tahun 1998 produksi
padi Indonesia kembali merosot sebesar 4,6% (Triyanto,
2006). Hal ini menyebabkan produksi beras Indonesia jauh
tertinggal dari permintaan, sementara tingkat konsumsi beras
di Indonesia cukup tinggi, yaitu sekitar 97% hingga 100%
(Achmad, 2001). Sejak tahun 1992 Indonesia terpaksa
melakukan import beras untuk memenuhi kebutuhan beras di
Indoneisa yang sangat tinggi.
2.4 Pengaruh Luas Lahan Terhadap Produksi
Luas lahan sangat berpengaruh terhadap produksi
padi. Apabila luas lahan padi semakin luas maka produksi
beras akan semakin meningkat. Sebaliknya apabila luas
lahan padi semakin sempit maka produksi beras akan
semakin sedikit (Zulmi, 2011). Lahan pertanian semakin
lama semakin berkurang, sebagai akibat dari beralihnya
fungsi lahan pertanian ke non pertanian mengakibatkan
berkurangnnya produksi padi di Indonesia. Sementara
kebutuhan pangan terus meningkat sebagai akibat dari
bertambahnya jumlah penduduk dan pertumbuhan industri
yang menggunakan bahan baku dari beras.
6
2.5 Pengaruh Irigasi Terhadap Produksi
Berdasarkan Peraturan Pemerintah Nomer 77 tahun
2001 tentang perairan menyatakan bahwa irigasi merupakan
usaha pengadaan dan pengaturan air secara buatan, baik air
tanah maupun air permukaan untuk menunjang pertanian
(Hendra, 2006). Irigasi yang dibangun di lahan pertanian
berfungsi sebagai penjamin kelangsungan proses fisiologi
dan biologi tanaman untuk evapotranspirasi, proses asimilasi,
pelarut unsur hara, media pengangkut unsur-unsur di dalam
tubuh tanaman dan pengaturan tegangan sel atau tugor
(Dumairy, 1992). Tingkat produksi padi sangat dipengaruhi
oleh kondisi irigasi, dimana suatu usaha tani yang terjamin
irigasinya memberikan hasil produksi yang lebih tinggi
daripada usaha tani yang tidak terjamin irigasinnya (Kalo,
1983).
Produksi padi sawah akan menurun jika tanaman padi
menderita cekaman air (water stress). Gejala umum akibat
kekurangan air antara lain daun terbakar (leaf scorching),
anakan padi berkurang, tanaman kerdil, pembunggan
tertunda dan biji hampa (Kurnia dkk, 2004). Pada sekala
makro, irigasi sering diterapkan secara tidak efisien.
Kehilangan air di sepanjang saluran melalui rembesan
(seepage) masih tergolong tinggi. Sebagian besar petani
menerapkan irigasi dengan prinsip mengairi lahannya dengan
volume air sebanyak mungkin tanpa menghiraukan
kebutuhan optimum air untuk tanaman, sementara sebagian
lahan petani lainya tidak mendapatkan air cukup yang
7
berakibat pada rendahnya produktivitas tanaman. Penerapan
irigasi yang tidak efisien bisa terjadi melalui cara pemberian
air yang tidak tepat baik jumlah dan waktunya ataupun oleh
kehilangan air yang berlebihan melalui rembesan (seepage).
2.6 Pengaruh Tenaga kerja Terhadap Produksi
Tenaga kerja merupakan salah satu faktor produksi
dalam bidang pertanian, terutama untuk produksi padi di Jawa
tengah. Tenaga kerja di sektor pertanian seringkali menjadi
kendala, seiring dengan menurunnya minat tenaga kerja muda
untuk terjun di sektor pertanian maka sering dijumpai
kelangkaan tenaga kerja pada saat pengolahan lahan atau pada
saat panen raya.
Seorang produsen yang rasionil tentunya akan
mengombinasikan faktor-faktor produksi sedemikian rupa untuk
mencapai usaha tani yang efisien. Tenaga kerja merupakan salah
satu faktor yang terpenting dalam proses produksi. Tenaga kerja
mempunyai pengaruh yang nyata terhadap produksi padi (Zulmi,
2010).
2.7 Prediksi (Forecasting)
Prediksi adalah penggunaan data masa lalu dari sebuah
variabel atau kumpulan variabel untuk estimasi nilainya di
masa yang akan datang (Anderson dkk, 1984). Prediksi
merupakan bagian yang penting bagi setiap organisasi atau
instansi tertentu. Prediksi menjadi dasar bagi perancangan
jangka panjang suatu organisasi atau instansi yang digunakan
sebagai dasar pengambilan keputusan.
8
Sistem prediksi yang baik adalah sistem prediksi yang
menghasilkan prediksi yang akurat dengan biaya yang
terjangkau dan dapat menyederhanakan permasalahan yang
rumit (Algifari, 1997). Metode perediksi dapat
diklasifikasikan menjadi dua (Gujarati, 1991), yaitu :
1. Metode Kualitatif
Metode ini digunakan dimana tidak ada model
matematika, hal ini dikarenakan data yang ada tidak
cukup representatif untuk memprediksikan masa yang
akan datang (long term forecasting).
2. Metode Kuantitatif
Metode yang penggunaannya didasari ketersediaan data
mentah disertai serangkaian kaidah matematis untuk
meramalkan hasil di masa depan. Metode kuantitatif
dibagi menjadi tiga macam, yaitu model regresi, model
ekonometrik dan model time series analysis.
2.8 Regresi Linier Berganda
Secara umum regresi adalah metode yang digunakan
untuk meramalkan nilai harapan yang bersyarat (Kutner,
2004). Persamaan regresi adalah persamaan matematika yang
dapat digunakan untuk meramalkan variabel suatu peubah
terikat (dependen atau respon) yang berasal dari variabel satu
9
atau lebih peubah bebas (independen atau prediktor)
(Thomasyunigunarto, 2000). Persamaan regresi juga
menggambarkan hubungan antara variabel-variabel yang ada
di dalamnya (Supranto, 2001). Nilai variabel terikat
dinyatakan dengan konotasi Y dan nilai variabel bebas
dinyatakan dengan konotasi X. Regresi dikatakan linier,
apabila hubungan antara variabel bebas dan variabel
terikatnya adalah linier. Regresi dikatakan non linier, apabila
hubungan antara variabel bebas dan variabel terikatnya tidak
linier (Usman dan Purnomo, 2000).
Regresi linier adalah metode statistik yang digunakan
untuk membentuk model hubungan antara variabel terkait
dengan satu atau lebih variabel bebas (Kurniawan, 2008).
Ketika variabel bebas hanya satu, maka regresi linier disebut
sebagai regresi linier sederhana. Sedangkat jika variabel
bebas berjumlah lebih dari satu, maka regresi linier disebut
sebagai regresi linier berganda. Analisis regresi linier
mempunyai banyak kegunaan, antara lain sebagai tujuan
deskripsi dari fenomena data atau kasus yang sedang diteliti,
tujuan pengendalian dan tujuan prediksi. Regresi mampu
mendeskripsikan fenomena data melalui terbentuknya suatu
model hubungan yang bersifatnya numerik. Regresi juga
dapat digunakan untuk melakukan pengendalian atau kontrol
terhadap suatu kasus atau hal-hal yang sedang diamati
melalui penggunaan model regresi yang diperoleh. Selain itu,
model regresi juga dapat dimanfaatkan untuk melakukan
prediksi untuk variabel terikat. Namun yang perlu diingat,
prediksi di dalam konsep regresi hanya boleh dilakukan di
10
dalam rentang data dari variabel-variabel bebas yang
digunakan untuk membentuk model regresi tersebut (Kutner
dkk, 2004).
Regresi linier berganda dapat dirumuskan sebagai
berikut (Galton, 1911):
(1)
Dimana :
Dalam suatu model regresi terdapat koefisiensi yang
merupakan nilai duga parameter di dalam model regresi
untuk kondisi yang sebenarnya (true condition). Koefisiensi
untuk model regresi merupakan suatu nilai rata-rata yang
berpeluang terjadi pada variabel terikat (Y) bila suatu
variabel bebas (X) diberikan. Kuat tidaknya hubungan antara
variabel bebas dengan variabel terikat dapat diukur
menggunakan koefisiensi korelasi, sedangkan besarnya
pengaruh variabel bebas terhadap variabel terikat dapat
diukur menggunakan koefisiensi regresi. Koefisiensi regresi
dibagi menjadi dua, yaitu:
1. Intersep (Intercept)
Secara matematis, intersep didefinisikan sebagai
suatu titik perpotongan antara suatu garis dengan
Y : Variabel terikat
A : Konstanta atau intersep
b1, b2 : Koefisien regresi
X1, X2 : Variabel bebas
11
sumbu Y pada diagram atau sumbu kartesius saat nilai
X sama dengan 0. Sedangkan definisi secara statistika
adalah nilai rata-rata pada variabel Y apabila nilai pada
variabel X bernilai 0. Jika X tidak memberikan
kontribusi, maka secara rata-rata variabel Y akan
bernilai sebesar intersep. Intersep hanyalah suatu
konstanta yang memungkinkan munculnya koefisien
lain di dalam model regresi. Apabila data pengamatan
pada variabel X tidak mencakup nilai 0 atau mendekati
0, maka intersep tidak memiliki makna yang berarti,
sehingga tidak perlu diinterpretasikan (Kurniawan,
2008).
2. Slope
Secara matematis, slope merupakan ukuran
kemiringan dari suatu garis. Slope adalah koefisien
regresi untuk variabel X. Dalam konsep statistika,
slope merupakan suatu nilai yang menunjukkan
seberapa besar kontribusi yang diberikan suatu variabel
X terhadap variabel Y. Nilai slope dapat diartikan pula
sebagai rata-rata pertambahan atau pengurangan yang
terjadi pada variabel Y untuk setiap peningkatan satu
satuan variabel X (Kurniawan, 2008).
Gambar 2.1 di bawah ini adalah contoh garis regresi
linier dalam sebuah grafik.
12
Gambar 2. 1 Contoh Garis Regresi Linier (Kurniawan, 2008)
Pada Gambar 2.1 terlihat bahwa sumbu X berada
pada kisaran angka 5 lebih hingga angka 15 lebih yang
berarti hanya diijinkan untuk melakukan prediksi nilai Y
untuk nilai X yang berada dalam rentang tersebut. Garis
merah yang terlihat merupakan titik perpotongan yang
disebut intersep dan slope yang merupakan ukuran
kemiringan.
2.8.1 Uji Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistik yang
harus dipenuhi pada analisis regresi liner berganda dengan
berbasis Ordinary Least Square (OLS) (Statistik, 2009).
Dengan teknik pendugaan OLS kesalahan pendugaan dapat
13
diminimalisir dan merupakan yang terbaik dengan syarat
memenuhi beberapa asumsi yang disebut asumsi klasik
regresi linier. Untuk mengetahui apakah koefisien regresi
yang kita dapat benar atau dapat diterima diperlukan
pengujian terhadap kemungkinan adanya pelanggaran asumsi
klasik tersebut. Secara manual, sebelum melakukan uji
asumsi klasik diharuskan untuk mendapatkan data residual.
Namun hal ini tidak berlaku saat menggunakan software
statistik, karena sebelum melakukan uji asumsi klasik,
software statistik terlebih dahulu menghitung data
residualnya (Kurniawan, 2008)
Uji asumsi klasik terdiri dari uji normalitas, uji
multikolinearitas, uji heteroskedastisitas dan uji autokorelasi
yang akan dijelaskan di bawah ini.
1. Uji Normalitas
Uji normalitas adalah uji untuk melihat apakah nilai
residual terdistribusi secara normal atau tidak. Model
regresi yang baik adalah model regresi yang memiliki
nilai residual yang terdistribusi secara normal. Uji
normalitas tidak dilakukkan pada masing-masing
variabel, tetapi pada nilai residualnya (Statistik, 2009).
Uji statistik yang sering digunakan untuk
menghitung uji normalitas adalah Kolmogorov-
Smirnov normality test. Kolmogorov-Smirnov
normality test bekerja dengan cara membandingkan
dua distribusi atau sebaran data, yaitu distribusi yang
dihipotesiskan dan distribusi yang teramati. Apabila
distribusi yang teramati mirip dengan distribusi yang
14
dihipotesiskan, maka dapat disimpulkan bahwa data
yang diamati memiliki distribusi atau sebaran normal
(Kurniawan, 2008). Selain Kolmogorov-Smirnov
normality test uji normalitas dapat dilakukan dengan
QQ Plot. Contoh grafik QQ Plot dimana data yang
diplotkan menyebar normal disajikan pada Gambar 2.2
di bawah ini.
Gambar 2. 2 Contoh Grafik QQ Plot
Seperti terlihat pada Gambar 2.2, ciri-ciri data
yang menyebar normal bila diplotkan dengan QQ Plot
adalah titik-titik data tersebut tersebar di sekitar garis
lurus. Bila dapat didekati atau digambarkan dengan garis
lurus, maka data tersebut dapat dikatakan menyebar
normal (Kurniawan, 2008).
15
2. Uji Multikolinearitas
Uji multikolinearitas adalah uji untuk melihat ada
atau tidaknya korelasi yang tinggi antara variabel-
variabel bebas dalam suatu model regresi linear
berganda. Jika ada korelasi yang tinggi di antara
variabel-variabel bebasnya, maka hubungan antara
variabel bebas terhadap variabel terikatnya menjadi
terganggu (Statistik, 2009).
Uji statistik yang sering digunakan untuk menguji
gangguan multikolinearitas adalah Variance Inflation
Factor (VIF), korelasi pearson antara variabel-variabel
bebas atau dengan melihat eigenvalues dan Condition
Index (CI). Pada uji statistik Variance Inflation Factor
(VIF), apabila nilai VIF lebih besar dari sepuluh
mengindikasi adanya multikolinearitas yang serius
(Zulmi, 2012).
3. Uji Heteroskedastisitas
Uji heteroskedastisitas adalah uji untuk melihat
apakah terdapat ketidaksamaan varians dari residual
satu ke pengamatan yang lain. Model regresi yang
memenuhi persyaratan adalah terdapat kesamaan
varians dari residual satu pengamatan ke pengamatan
yang lain tetap atau disebut homoskedastisitas.
Deteksi heteroskedastisitas dapat dilakukan dengan
metode scatter plot dengan memplotkan nilai ZPRED
(nilai prediksi) dengan SRESID (nilai residualnya).
Model yang baik didapatkan jika tidak terdapat pola
16
tertentu pada grafik, seperti mengumpul di tengah,
menyempit kemudian melebar atau sebaliknya melebar
kemudian menyempit. Uji statistik yang dapat
digunakan adalah uji Breusch Pagan Test, uji Glejser,
uji Park atau uji White (Statistik, 2009).
4. Uji Autokorelasi
Uji autokorelasi adalah uji untuk melihat apakah
terjadi korelasi antara suatu periode t dengan periode
sebelumnya (t -1). Analisis regresi merupakan cara
untuk melihat pengaruh antara variabel bebas terhadap
variabel terikat, sehingga tidak diperbolehkan adanya
korelasi antara observasi dengan data observasi
sebelumnya. Uji autokorelasi hanya dilakukan pada
data time series (runtut waktu) dan tidak perlu
dilakukan pada data cross section seperti pada
kuesioner di mana pengukuran semua variabel
dilakukan secara serempak pada saat yang bersamaan.
Uji statistik yang sering digunakan dalam uji
autokorelasi adalah uji Durbin Watson, Run Test dan
jika observasi di atas 100 data sebaiknya menggunakan
uji Lagrange Multiplier (Kurniawan, 2008).
Apabila asumsi-asumsi di atas terpenuhi, maka model
regresi linier yang diperoleh bersifat Best Linear Unbiased
Estimator (BLUE) (Kurniawan, 2008).
17
2.8.2 Uji Simultan Model Regresi
Uji simultan pada konep regresi linier adalah pengujian
yang bertujuan untuk mengetahui apakah model regresi yang
diperoleh benar-benar dapat diterima. Uji simultan
menunjukan apakah semua variabel bebas yang dimasukkan
ke dalam model regresi mempunyai pengaruh secara bersama-
sama terhadap variabel terikat. Secara statistik formulasi uji
simultan disajikan pada persamaan 2 (Gujarati, 2003) di
bawah ini :
(2)
Dimana :
F : Uji simultan
R2 : Koefisiensi determinasi
K : Banyaknya variabel yang diamati
N : Jumlah pengamatan
Bila F hitung > F tabel pada tingkat derajat
kepercayaan 5% dan tingkat kepercayaan tertentu atau nilai
probabilitas signifikansi lebih kecil dari 0,05 maka H0 ditolak
yang berarti variabel bebas secara bersama-sama
mempengaruhi variabel terikat.
Penjabaran hitungan untuk uji simultan ketika
menggunakan software statitik dapat dilihat pada tabel Analysi
of Variance (ANOVA). Dalam tabel ANOVA akan ditemui
nilai statistik F (Fhitung), dimana :
18
Jika Fhitung Ftabel ( db1 , db2 ) maka H0 diterima,
sedangkan
Jika Fhitung Ftabel ( db1 , db2 ) maka H0 ditolak
db1 dan db2 adalah parameter-parameter Ftabel yang
mempunyai persamaan seperti di bawah ini :
(3)
(4)
Dimana :
db1 dan db2 : Derajat bebas
P : Banyaknya parameter model regresi linier
N : Banyaknya pengamatan
Apabila H0 ditolak, maka model regresi yang diperoleh
dapat digunakan.
2.8.3 Uji Parsial
Uji parsial digunakan untuk menguji apakah variabel
bebas benar-benar memberikan kontribusi terhadap variabel
terikat. Uji parsial dapat diuji menggunakan statistik t, yaitu
Jika thitung ttabel (n – p), maka H0 diterima
Jika thitung ttabel (n – p), maka H0 ditolak
Dimana :
(n – p) : Parameter ttabel
N : Banyaknya pengamatan
P : Banyaknya parameter model regresi linier
19
Apabila H0 ditolak, maka variabel bebas tersebut
memiliki kontribusi yang siknifikan terhadap variabel terikat.
2.8.4 Koefisien Determasi
Koefisien determinasi adalah besarnya keragaman
(informasi) di dalam variabel Y yang dapat diberikan oleh
model regresi yang didapatkan. Nilai R2 berkisar antara 0
sampai dengan. 1. Apabila nilai R2 dikalikan 100%, maka hal
ini menunjukkan persentase keragaman (informasi) di dalam
variabel Y yang dapat diberikan oleh model regresi yang
didapatkan. Semakin besar nilai R2 , semakin baik model
regresi yang diperoleh.
20