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