ISSN : 2460 Ae 7797 e-ISSN : 2614-8234 Website : jurnal.
id/index.
php/fbc Email : fibonacci@umj.
Jurnal Pendidikan Matematika dan Matematika
ANALISIS REGRESI LINIER BERGANDA DALAM ESTIMASI
PRODUKTIVITAS TANAMAN PADI DI KABUPATEN KARAWANG
Tesa Nur Padilah.
Riza Ibnu Adam.
Program Studi Teknik Informatika.
Fakultas Ilmu Komputer.
Universitas Singaperbangsa Karawang.
Jl.
Ronggowaluyo.
Telukjambe Timur.
Karawang, 41361 nurpadilah@staff.
Abstrak Karawang merupakan salah satu pusat penanaman padi di Pulau Jawa.
Sebagai pusat penanaman padi, sudah seharusnya produktivitas padi dari tahun ke tahun mengalami Namun, produktivitas padi ternyata tidak konsisten, tahun 2015 mengalami kenaikan sedangkan tahun 2016 mengalami penurunan.
Oleh karena itu, diperlukan suatu estimasi sehingga dapat diketahui produktivitas padi untuk tahun-tahun berikutnya.
Beberapa algoritma yang dapat digunakan untuk mengestimasi hubungan antar variabel diantaranya regresi linier, fuzzy, dan jaringan syaraf tiruan.
Regresi linier terbagi menjadi regresi linier sederhana dan regresi linier berganda.
Regresi linier berganda digunakan untuk menelusuri pola hubungan antara variabel terikat dengan dua atau lebih variabel bebas.
Berdasarkan suatu penelitian, regresi linier berganda lebih baik jika dibandingkan dengan metode fuzzy dan jaringan syaraf tiruan.
Oleh karena itu, masalah produktivitas padi di Kabupaten Karawang dapat diestimasi dengan menggunakan analisis regresi linier berganda.
Model regresi linier berganda dapat dinyatakan dalam bentuk perkalian matriks.
Selanjutnya, perhitungan nilai-nilai koefisien regresi dapat dicari dengan menggunakan eliminasi Gauss.
Berdasarkan model regresi yang didapat, sebesar 80,46% faktor-faktor produktivitas padi dapat dijelaskan oleh produksi, luas panen, luas tanam, curah hujan, dan hari hujan.
Sedangkan sisanya 19,54% dapat dijelaskan oleh faktor-faktor lain yang tidak diteliti dalam penelitian ini.
Variabel-variabel yang mempengaruhi peningkatan jumlah produktivitas yaitu variabel produksi dan curah hujan, sedangkan variabel-variabel yang mempengaruhi penurunan jumlah produktivitas yaitu variabel luas panen, luas tanam, dan hari hujan.
Ratarata kesalahan relatif regresi yang diperoleh yaitu 0,04642 atau 4,642%.
Kata Kunci: eliminasi gauss, estimasi, produktivitas, regresi linier berganda.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika Volume 5 No.
2 Bulan Desember Tahun 2019
PENDAHULUAN
Kabupaten Karawang mempunyai potensi besar dalam subsektor pertanian khususnya tanaman pangan baik ditinjau dari aspek sumber daya alam maupun sumber daya manusia.
Sumber daya petani pembangunan pertanian di Kabupaten Karawang, dimana 61,9% penduduk bergerak di bidang usaha pertanian dengan persentase buruh tani sekitar 59,43% (Dinas Pertanian Kehutanan Perkebunan dan Peternakan Kabupaten Karawang.
Menurut Makarim & Suhartatik .
Karawang merupakan salah satu pusat penanaman padi di Pulau Jawa.
Dengan luas areal pertanian lahan basah 000 hektar.
Kabupaten Karawang mampu memproduksi padi sekitar 1,4 juta ton GKP per tahun.
Dengan jumlah produksi padi sebesar itu.
Karawang memberikan kontribusi beras hingga 9% dari produksi beras yang dihasilkan provinsi Jawa Barat.
Sebagai pusat penanaman padi, sudah seharusnya produktivitas padi dari tahun ke tahun mengalami peningkatan.
Namun, produktivitas padi ternyata tidak konsisten, pada tahun 2015 diketahui produktivitas mengalami kenaikan dari 76,05 kw/ha menjadi 79,99 kw/ha, sedangkan pada tahun 2016, produktivitas mengalami penurunan menjadi 75,38 kw/ha.
Kenaikan dan penurunan ini dapat disebabkan oleh beberapa faktor seperti rata-rata curah hujan, luas tanam, produksi, luas panen, dan rata-rata hari hujan (Dinas Pertanian Kehutanan Perkebunan dan Peternakan Kabupaten Karawang, 2.
Hal kekhawatiran jika suatu saat produktivitas mengalami penurunan secara terus Oleh karena itu, produktivitas padi perlu diestimasi agar dapat diperkirakan seberapa besar produktivitas padi selanjutnya.
Beberapa algoritma yang dapat digunakan untuk mengestimasi hubungan antar variabel diantaranya regresi linier, fuzzy, dan jaringan syaraf tiruan.
Regresi linier terbagi menjadi regresi linier sederhana dan regresi linier berganda.
Regresi linier berganda merupakan suatu menelusuri pola hubungan antara variabel terikat dengan dua atau lebih variabel bebas (Uyanik & Guler, 2.
Pada penelitian Wati.
Sebayang, & Sitepu .
tentang peramalan jumlah produksi, regresi linier berganda lebih baik jika dibandingkan dengan fuzzy.
Hal ini dapat dilihat dari nilai rata-rata kesalahan relatif regresi linier berganda sebesar 9,383% yang lebih kecil daripada nilai rata-rata kesalahan relatif fuzzy sebesar 20.
Selanjutnya.
Nurmahaludin membandingkan algoritma Particle Swarm Optimization (PSO) pada jaringan syaraf tiruan dengan regresi linier berganda pada Hasil menunjukkan bahwa pada prakiraan temperatur udara minimum, penggunaan algoritma PSO memberikan tingkat kesalahan paling minimum dengan ratarata kesalahan sebesar 2,597%, sedangkan pada regresi linier berganda sebesar 2,675%.
Akan tetapi, pada prakiraan temperatur udara maksimum, metode regresi linear berganda memberikan hasil yang lebih baik dengan rata-rata kesalahan 911%, sedangkan pada jaringan syaraf tiruan sebesar 5,930%.
Analisis regresi linier berganda telah digunakan dalam estimasi produktivitas padi di Kabupaten Demak oleh Aziz.
Prasetyo, & Sukmono .
Selain itu, pendugaan produktivitas padi dengan analisis regresi linier berganda juga telah Tesa Nur Padilah dan Riza Ibnu Adam: Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas Tanaman Padi di Kabupaten Karawang.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika.
Vol.
, pp: 117 - 128.
dilakukan oleh Kurnianto.
Ariffin, & Azizah .
berdasarkan curah hujan di Kabupaten Malang.
Oleh karena itu, pada penelitian ini digunakan regresi linier Kabupaten Karawang.
METODE PENELITIAN
Tahapan penelitian ini adalah sebagai berikut:
Identifikasi Variabel Identifikasi variabel merupakan tahapan penentuan variabel terikat dan variabel-variabel bebas berdasarkan data yang diperoleh dari Dinas Pertanian Kehutanan Perkebunan dan Peternakan Kabupaten Karawang.
Analisis Data Pada tahap ini dilakukan pengujian asumsi klasik dan pengujian hipotesis (Mona.
Kekenusa, & Prang, 2.
Pengujian dilakukan dengan bantuan tools Minitab 18 dan SPSS 16.
Pengujian Asumsi Klasik Pengujian ini terdiri dari uji normalitas.
Syarat mendapatkan model regresi yang baik adalah distribusi datanya normal atau mendekati normal.
Jika data tidak berdistribusi normal, maka perlu dilakukan transformasi data terlebih Selanjutnya, model regresi yang baik adalah model regresi yang heteroskedastisitas, dan autokorelasi (Ndruru.
Situmorang, & Tarigan.
Pengujian Hipotesis Setelah semua syarat untuk ditelitinya suatu model regresi terpenuhi semua, maka langkah selanjutnya untuk mengetahui diterima atau tidaknya hipotesis yang diajukan yaitu dengan melakukan uji simultan .
ji F) dan uji signifikansi .
ji T).
Uji F dilakukan untuk mengetahui apakah semua variabel bebas berpengaruh secara signifikan terhadap variabel terikat.
Sedangkan uji T dilakukan untuk mengetahui apakah dalam model regresi, variabel bebas secara parsial (Sulistyono Sulistiyowati, 2.
Penentuan Model Regresi Linier Berganda Tahap selanjutnya adalah penentuan koefisien atau parameter-parameter regresi dengan metode kuadrat terkecil (Walpole.
Myers.
Myers, & Ye, 2.
Pada metode kuadrat terkecil akan diperoleh suatu sistem persamaan linier yang dapat dibentuk ke dalam perkalian matriks.
Perhitungan nilai koefisien regresi dilakukan dengan menyelesaikan solusi Solusi sistem tersebut dapat dicari dengan menggunakan eliminasi Gauss (Anton & Rorres, 2.
Perhitungan dilakukan dengan bantuan tools Matlab Selanjutnya dibandingkan dengan nilai yang diperoleh dengan perhitungan menggunakan tools Minitab 18.
Setelah itu, kebaikan model regresi dapat diukur dari nilai koefisien determinasi (R.
(Widiyawati & Setiawan.
Nilai koefisien determinasi berkisar antara 0 sampai 1.
Jika nilainya mendekati 1, maka dapat dikatakan pengaruh variabel bebas terhadap variabel terikat adalah Artinya model yang digunakan baik untuk menjelaskan pengaruh variabel tersebut (Ndruru et al.
, 2.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika Volume 5 No.
2 Bulan Desember Tahun 2019 Evaluasi Evaluasi menghitung nilai rata-rata kesalahan relatif .
(Wati et al.
, 2.
Hasil uji normalitas untuk data luas panen dapat dilihat pada gambar Penarikan Kesimpulan Dari hasil analisis yang didapatkan maka tahap terakhir yang dilakukan pada HASIL DAN PEMBAHASAN Identifikasi Variabel Data yang digunakan adalah data perbulan yang berjumlah 57 data.
Variabel terikat pada penelitian ini adalah .
w/h.
Data produktivitas padi dihasilkan dari dua data utama yaitu data produksi dibagi dengan luas panen (Damiri & Ishak, n.
Sedangkan variabel-variabel bebasnya yaitu produksi, luas panen, luas tanam, rata-rata curah hujan, dan rata-rata hari Analisis Data Pengujian Asumsi Klasik Uji Normalitas Uji normalitas menggunakan uji Kolmogorov-Smirnov (K-S) dengan bantuan tools Minitab 18.
Hasil uji normalitas untuk data produksi dapat dilihat pada gambar berikut.
Gambar 1.
Uji normalitas data produksi Gambar 2.
Uji normalitas data luas panen Hasil uji normalitas untuk data luas tanam dapat dilihat pada gambar Gambar 3.
Uji normalitas data luas tanam Hasil uji normalitas untuk data ratarata curah hujan dapat dilihat pada gambar berikut.
Gambar 4.
Uji normalitas data rata-rata curah hujan Tesa Nur Padilah dan Riza Ibnu Adam: Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas Tanaman Padi di Kabupaten Karawang.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika.
Vol.
, pp: 117 - 128.
Hasil uji normalitas untuk data ratarata hari hujan dapat dilihat pada gambar berikut.
Gambar 6.
Uji normalitas data hasil Gambar 5.
Uji normalitas data ratarata hari hujan Berdasarkan Gambar 1, 2, 3, 4, dan 5, nilai P-Value untuk data produksi, luas panen, luas tanam, ratarata curah hujan, dan rata-rata hari hujan masing-masing adalah >0,150.
0,110.
>0,150.
<0,010.
dan 0,035.
Data berdistribusi normal jika nilai P-Value lebih dari 0,05.
Ini berarti variabel produksi, luas panen, dan luas tanam variabel rata-rata curah hujan dan ratarata hari hujan tidak berdistribusi Pada transformasi Box-Cox.
Kemudian pada data hasil transformasi tersebut dilakukan uji normalitas, hasilnya sebagai berikut.
Berdasarkan Gambar 6.
P-Value untuk data transformasi curah hujan dan transformasi hari hujan keduanya bernilai >0,150.
Ini berarti kedua variabel tersebut berdistribusi normal.
Dengan demikian, data yang akan digunakan selanjutnya adalah variabel produksi, luas panen, luas tanam, transformasi hari hujan.
Uji Multikolinieritas Pengujian multikolinieritas dilakukan dengan melihat nilai VIF menggunakan tools Minitab 18 pada gambar berikut.
Gambar 7.
Nilai coefficients Berdasarkan Gambar 7 terlihat mempunyai nilai VIF kurang dari 10.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika Volume 5 No.
2 Bulan Desember Tahun 2019 Uji Heteroskedastisitas Pengujian Glejser menggunakan tools SPSS 16 sebagai Gambar 8.
Hasil uji glejser Berdasarkan Gambar 8, diperoleh nilai signifikansi untuk variabel produksi, luas panen, luas tanam, transformasi hari hujan masing-masing 0,029.
0,015.
0,404.
0,394.
dan 0,266.
Nilai-nilai tersebut lebih dari 0,01 heteroskedastisitas dalam model.
Ini berarti semua variabel bebas dalam model ini memiliki sebaran varian yang sama .
Uji Autokorelasi Pengujian autokorelasi dilakukan dengan uji Durbin Watson (DW) menggunakan tools Minitab 18.
Nilai statistik uji Durbin Watson diperoleh Berdasarkan Durbin Watson dengan derajat , banyaknya , dan banyaknya variabel bebas diperoleh nilai Durbin Lower Durbin Upper Oleh karena nilai lebih besar daripada dan lebih kecil daripada , atau maka tidak terdapat autokorelasi positif dan negatif dalam model.
Pengujian Hipotesis Uji Simultan (Uji F) Hasil pengolahan data untuk uji F dengan tools SPSS 16 disajikan dalam tabel berikut.
Tabel 1.
Uji simultan .
Model Sum of Squares df 1 Regre 13364.
Resid 3246.
Total Mean Square Sig.
Tesa Nur Padilah dan Riza Ibnu Adam: Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas Tanaman Padi di Kabupaten Karawang.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika.
Vol.
, pp: 117 - 128.
Hipotesis awal dan hipotesis alternatif pada uji F adalah:
hujan, atau transformasi hari hujan terhadap variabel produktivitas.
H0 : variabel produksi, luas panen, luas tanam, transformasi curah hujan, dan mempunyai pengaruh yang signifikan secara bersama-sama terhadap variabel Nilai Ttabel dengan derajat 51 dan derajat untuk uji dua sisi adalah 2,00758.
Dengan demikian, untuk:
H1 : variabel produksi, luas panen, luas tanam, transformasi curah hujan, dan transformasi hari hujan mempunyai pengaruh yang signifikan secara bersama-sama Berdasarkan Tabel 1, dapat diketahui bahwa nilai Fhitung adalah 851 dan Ftabel dengan derajat , untuk dan derajat kepercayaan adalah 2,40.
Dengan demikian.
Fhitung > Ftabel sehingga H0 ditolak, artinya variabel produksi, luas panen, luas tanam, transformasi curah hujan, dan transformasi hari hujan secara bersama-sama mempunyai pengaruh yang signifikan terhadap variabel produktivitas.
Uji Signifikansi (Uji T) Hasil pengolahan data untuk uji T dengan tools Minitab 18 dapat dilihat dari nilai T-Value pada Gambar 7.
Hipotesis awal dan hipotesis alternatif pada uji T adalah:
H0 : secara parsial tidak ada pengaruh signifikan variabel produksi, luas panen, luas tanam, transformasi curah hujan, atau transformasi hari hujan terhadap variabel produktivitas.
H1 : secara parsial terdapat pengaruh signifikan variabel produksi, luas panen, luas tanam, transformasi curah .
Variabel Produksi Berdasarkan Gambar 7 diperoleh nilai T-Value = 14,45 dan P-Value = 0,000 sehingga T-Value > Ttabel .
,45 > 2,00.
dan P-Value < 0,05, artinya H0 ditolak.
Dengan demikian, variabel produksi secara parsial berpengaruh signifikan terhadap variabel produktivitas.
Variabel Luas Panen Berdasarkan Gambar 7 diperoleh nilai T-Value = -13,04 dan P-Value = 0,000 sehingga T-Value < -Ttabel (-13,04 < -2,00.
dan P-Value < 0,05, artinya H0 ditolak.
Dengan demikian, variabel luas panen .
Variabel Luas Tanam Berdasarkan Gambar 7 diperoleh nilai T-Value = -0,59 dan P-Value = 0,559 sehingga T-Value > -Ttabel (-0,59 > -2,00.
dan P-Value > 0,05, artinya H0 diterima.
Dengan demikian, variabel luas tanam secara parsial tidak berpengaruh .
Variabel Transformasi Curah Hujan Berdasarkan Gambar 7 diperoleh nilai T-Value = 0,65 dan P-Value = 0,518 sehingga T-Value < Ttabel .
,65 < 2,00.
dan P-Value > 0,05, artinya H0 diterima.
Dengan demikian, variabel transformasi FIBONACCI : Jurnal Pendidikan Matematika dan Matematika Volume 5 No.
2 Bulan Desember Tahun 2019 curah hujan secara parsial tidak berpengaruh signifikan terhadap variabel produktivitas.
Variabel Transformasi Hari Hujan Berdasarkan Gambar 7 diperoleh nilai T-Value = -0,93 dan P-Value = 0,357 sehingga T-Value > -Ttabel (-0,93 > -2,00.
dan P-Value > 0,05, artinya H0 diterima.
Dengan demikian, variabel transformasi hari hujan secara parsial tidak berpengaruh signifikan terhadap variabel produktivitas.
Penentuan Model Regresi Linier Berganda Perhitungan nilai koefisien regresi dilakukan dengan menyelesaikan solusi sistem persamaan linier berikut.
[ ]
Solusi persamaan .
menggunakan eliminasi Gauss dengan bantuan tools Matlab 2016b diperoleh nilai berikut:
sehingga diperoleh linier berganda yaitu Hasil tersebut sama dengan hasil perhitungan dengan bantuan tools Minitab 18 pada gambar berikut.
Tesa Nur Padilah dan Riza Ibnu Adam: Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas Tanaman Padi di Kabupaten Karawang.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika.
Vol.
, pp: 117 - 128.
Gambar 9.
Model regresi linier berganda Persamaan regresi pada Gambar 9 dapat diartikan sebagai berikut:
Nilai koefisien untuk variabel produksi bernilai positif sebesar 0,000504.
Hal ini menunjukkan bahwa dengan mengasumsikan diabaikannya variabel bebas lainnya, jika variabel produksi meningkat sebesar 1% maka dapat mempengaruhi peningkatan jumlah produktivitas sebesar 0,000504.
Nilai koefisien untuk variabel luas panen bernilai negatif sebesar 0,004074.
Hal ini menunjukkan bahwa dengan mengasumsikan diabaikannya variabel bebas lainnya, jika variabel luas panen meningkat sebesar 1% maka dapat mempengaruhi penurunan jumlah produktivitas sebesar 0,004074.
Nilai koefisien untuk variabel luas tanam bernilai negatif sebesar 0,000084.
Hal ini menunjukkan bahwa dengan mengasumsikan diabaikannya variabel bebas lainnya, jika variabel luas tanam meningkat sebesar 1% maka dapat mempengaruhi penurunan jumlah produktivitas sebesar 0,000084.
Nilai transformasi curah hujan bernilai positif sebesar 1,11.
Hal ini mengasumsikan diabaikannya variabel transformasi curah hujan meningkat sebesar 1% maka dapat mempengaruhi peningkatan jumlah produktivitas sebesar 1,11.
Nilai transformasi hari hujan bernilai negatif sebesar -2,21.
Hal ini menunjukkan diabaikannya variabel bebas lainnya, jika variabel transformasi hari hujan meningkat sebesar 1% maka dapat mempengaruhi penurunan jumlah produktivitas sebesar 2,21.
Dengan demikian, variabel-variabel yang mempengaruhi peningkatan jumlah produktivitas yaitu variabel produksi dan curah hujan, sedangkan variabel-variabel yang mempengaruhi penurunan jumlah produktivitas yaitu variabel luas panen, luas tanam, dan hari hujan.
Nilai koefisien determinasi (R.
dari persamaan regresi pada Gambar 5 dapat dilihat pada gambar berikut.
Gambar 10.
Nilai koefisien determinasi Berdasarkan Gambar 10, diperoleh nilai koefisien determinasi adalah 80,46%, artinya sebesar 80,46% faktor-faktor produktivitas padi dapat dijelaskan oleh produksi, luas panen, luas tanam, transformasi curah hujan, dan transformasi hari hujan.
Sedangkan sisanya 19,54% dapat dijelaskan oleh faktor-faktor lain yang tidak diteliti dalam penelitian ini.
Evaluasi Jika masing-masing produksi, luas panen, luas tanam, transformasi curah hujan, dan transformasi hari hujan dimasukkan ke dalam persamaan pada Gambar 9, maka diperoleh estimasi produktivitas padi pada tabel FIBONACCI : Jurnal Pendidikan Matematika dan Matematika Volume 5 No.
2 Bulan Desember Tahun 2019 Tabel 2.
Estimasi produktivitas padi Estimasi Produktivitas Produktivitas .
w/h.
w/h.
60,45454545 76,67245907 61,16564968 68,93625235 68,69033413 65,69505135 116,2621284 139,5700058 47,34344565 40,66201206 140,1493931 101,6925244 71,33149226 75,9759457 61,82746099 62,05998478 10,35852338 53,65478441 51,72115949
83,94207478 83,48761065
103,0324544 84,23115855
79,62636222 77,92902637
74,25297114 76,71594087
75,20626368 74,81795475
85,45202463 86,55549765
67,53807359 60,27226549
68,17257127 71,58691885
78,06092008 78,72338739
74,71327674 77,90340034
72,77268533 76,20163115
78,6872087 78,68168017
77,55928854 76,28513064
79,14755027 78,86777128
79,33121019 79,83719786
83,43157045 81,32954343
71,90856074 72,3141517
76,60578481 72,86696182
76,02013247 74,33465417
72,31965849 74,31372465
74,02594011 76,3806686
76,938832 75,99424716
78,62437077 78,11368064
80,2667378 81,3385099
73,78396096 71,44116329
77,64129269 77,76509277
74,9132948 77,51871492
70,16465423 79,0325661
71,91062403 71,28957311
77,48700415 76,19303735
Kesalahan Relatif
0,26826624
0,127041938
0,043605593
0,200476954
0,141126897
0,27439911
0,065110841
0,00376085
0,036038257
0,005414021
0,182479355
0,021316255
0,033169982
0,005163253
0,012913363
0,10758092
0,05008389
0,008486542
0,042698216
0,047118583
0,00007026
0,016428179
0,003534904
0,006378166
0,025194624
0,005640371
0,048806014
0,022171473
0,027572948
0,031809505
0,012277088
0,006495316
0,013352631
0,031752127
0,001594513
0,034779142
0,126387167
0,008636428
0,016699146
Estimasi Produktivitas Produktivitas .
w/h.
w/h.
75,48187322 71,27566172 77,03693495 78,28622568 76,79296346 80,26774954 114,7587393 109,9638655 80,04011768 82,12019434 81,9900295 84,11745927 80,97911833 82,42906923 62,26787182 67,70460636 78,78838174 78,11248054 76,40870617 78,47077485
76,00047136 76,31715479
77,09120013 76,38781955
76,54638755 75,00880613
75,14425361 70,95420143
74,58220797 76,27300776
75,00818087 72,54490382
76,12150453 73,55476976
Jumlah Kesalahan Relatif
0,05572479
0,016216776
0,045248756
0,04178221
0,025987926
0,02594742
0,017905244
0,087312034
0,008578691
0,026987353
0,004166861
0,009124006
0,020086923
0,055760115
0,022670283
0,032840112
0,033718918
2,64588948
Berdasarkan Tabel 2 diperoleh ratarata kesalahan relatif regresi yaitu SIMPULAN Berdasarkan model regresi yang didapat, sebesar 80,46% faktor-faktor produktivitas padi dapat dijelaskan oleh produksi, luas panen, luas tanam, curah hujan, dan hari hujan.
Sedangkan sisanya 19,54% dapat dijelaskan oleh faktor-faktor lain yang tidak diteliti dalam penelitian ini.
Variabel-variabel yang mempengaruhi peningkatan jumlah produktivitas padi yaitu variabel produksi dan curah hujan, variabel-variabel produktivitas yaitu variabel luas panen, luas tanam, dan hari hujan.
Rata-rata Tesa Nur Padilah dan Riza Ibnu Adam: Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas Tanaman Padi di Kabupaten Karawang.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika.
Vol.
, pp: 117 - 128.
kesalahan relatif regresi yang diperoleh UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada Universitas Singaperbangsa Karawang
sebagai penyandang dana dalam penelitian DAFTAR PUSTAKA