ABSTRAK
Indonesia memiliki lahan pertanian yang cukup besar dan tentulah mampu memenuhi kebutuhan
beras masyarakatnya, tetapi pada kenyataan produksi beras di Indonesia belum dapat memenuhi
permintaan masyarakat sehingga pemerintah mengambil kebijakkan untuk mengadakan impor
beras agar kebutuhan terpenuhi. Penelitian ini bertujuan untuk mengetahui variabel-variabel yang
mempengaruhi impor beras di Sulawesi Utara dan menentukan model regresi terbaiknnya.
Penelitian dilakukan di Kota Manado, Sulawesi Utara dan berlangsung selama 5 bulan sejak
November 2016 sampai April 2017. Data yang digunakan adalah data sekunder tahunan Badan
Pusat Statistik yang diolah dari buku Sulawesi Utara dalam Angka 2008-2016. Data yang
diperoleh dianalisi dengan Metode regresi Stepwise. Variabel-variabel yang mempengaruhi impor
beras di Sulawesi Utara yaitu penerimaan beras dari dalam negeri (X 4) dan devisa impor unpaid
pada bea dan cukai Bitung (X8) yang membentuk model regresi terbaik 𝑌̂ = 26322,228 −
0,626𝑋4 + 0.001𝑋8 dengan nilai R-sqr = 93,7% dan R-adj = 91,8%. Variabel-variabel tersebut
cukup baik untuk menduga besar jumlah impor beras di Sulawesi Utara.
Kata Kunci: Metode Stepwise, koefisien determinasi, beras, Sulawesi Utara.
ABSTRACT
Indonesia has a large agricultural land and certainly able to supply for people, but in reality the
rice production in Indonesia has not been able to complete the demands of the people, so the
government took the policy to import rice. The purpose of this research is to determine the
variables that affecting rice imports in North Sulawesi and determine the best regression model.
The research was held in Manado City, North Sulawesi and lasted for five months from
November 2016 to April 2017. The data used is secondary data of Statistics Indonesia and
processed from book North Sulawesi in Figures 2008-2016. The data were analyzed by Stepwise
Regression Method. The variables that influence rice import in North Sulawesi are the receipt of
domestic rice (X4) and unpaid import devisa at excise Bitung customs and excise office (X8)
which make the best regression model 𝑌̂ = 26322,228 − 0,626𝑋4 + 0.001𝑋8, with R-sqr = 93,7%
and R-adj = 91,8%. These variables are good to estimate the number of rice imports in North
Sulawesi.
Keywords: Stepwise method, coefficient of determination, rice, North Sulawesi
PENDAHULUAN
Indonesia memiliki lahan pertanian produksi dapat melebihi kebutuhan
yang cukup besar, tentulah harus dapat masyarakat, pangan dalam hal ini yaitu
menghasilkan bahan pangan yang cukup beras. Kenyataan saat ini, produksi beras di
untuk dikonsumsi penduduknya bahkan hasil Indonesia belum dapat memenuhi
Wohon, Hatidja dan Nainggolan: Penentuan Model Regresi ……… 81
belajar dan hasil belajar matematika (Bunga, Jika F* > F (1 − 𝛼; 𝑝 − 1, 𝑛 − 𝑝), terima Ha
2015). (Hatidja, 2006).
Tujuan dari uji parsial adalah untuk
Uji Koefisien Determinasi mengetahui seberapa jauh pengaruh dari
Untuk mengetahui ketepatan atau variabel independen (X) terhadap variabel
kecocokan garis regresi yang terbentuk dependen (Y) secara parsial. Pengujian
dalam mewakili kelompok data hasil hipotesis akan dilakukan dengan
observasi, perlu dilihat sampai seberapa jauh menggunakan tingkat signifikan sebesar
model yang terbentuk mampu menerangkan 0,05 (α = 5%) atau tingkat keyakinan
kondisi yang sebenarnya yang dikenal sebesar 0.95 (Ghozali, 2011). Hipotesis
dengan nama koefisien determinasi (R2). dirumuskan sebagai berikut :
Nilai koefisien determinasi merupakan suatu H0 : 𝛽𝑘 = 0
ukuran yang menunjukan besar sumbangan Ha : 𝛽𝑘 ≠ 0
dari variabel penjelasan terhadap respon Kita dapat menggunakan statistik uji :
(Siagaan dan Sugiarto, 2006). 𝑏𝑘
𝑡∗ =
𝑠{𝑏𝑘 }
𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑢𝑎𝑑𝑟𝑎𝑡 𝐺𝑎𝑙𝑎𝑡 (𝐽𝐾𝐺)
R2 = 1 − 𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑢𝑎𝑑𝑟𝑎𝑡 𝑇𝑜𝑡𝑎𝑙 (𝐽𝐾𝑇) Kaidah keputusan :
𝛼
Penambahan lebih banyak peubah Jika |𝑡 ∗| ≤ 𝑡 ( ; 𝑛 − 𝑝 − 1), terima H0
2
bebas ke dalam model selalu akan Jika selainnya, terima Ha (Hatidja, 2006).
menaikkan nilai R2 tidak pernah
2
menurunkannya. Karena R sering bisa Korelasi
dibuat besar dengan cara menyertakan Koefisien korelasi adalah koefisien
banyak peubah bebas, maka ada yang yang menggambarkan tingkat keeratan
menyarankan agar ukuran ini dimodifikasi hubungan linier antara dua peubah bebas
untuk mempertimbangkan banyaknya atau lebih. Besaran koefisien korelasi tidak
peubah bebas didalam model. Koefisien menggambarkan hubungan sebab akibat
determinasi ganda terkoreksi (adjusted antara dua peubah atau lebih tetapi semata-
coefficient multiple determination), mata menggambarkan keterkaitan linier
dilambangkan oleh Radj mengoreksi R2 antar peubah (Hatidja, 2006).
dengan cara membagi setiap jumlah kuadrat Koefisien korelasi antara peubah X dan Y
dalam rumus bagi R2 dengan derajat dapat dirumuskan sebagai berikut:
bebasnya masing-masing (Hatidja, 2006).
𝑛 ∑ 𝑋𝑌 − (∑ 𝑋)(∑ 𝑌)
𝑅𝑥𝑦 =
𝐽𝐾𝐺 ⁄(𝑛 − 𝑝) √{𝑛 ∑ 𝑋 2 − (∑ 𝑋)2 }{𝑛 ∑ 𝑌 2 − (∑ 𝑌)2 }
𝑅𝑎𝑑𝑗 = 1 − Keterangan :
𝐽𝐾𝑇⁄(𝑛 − 1)
𝑅𝑥𝑦 = koefisien korelasi variabel X dan Y
𝑛 − 1 𝐽𝐾𝐺 𝑛 = banyak pasangan variabel X dan Y
=1−( )( )
𝑛 − 𝑝 𝐽𝐾𝑇 Dalam analisis regresi dan korelasi
berganda dikenal pula nilai koefisien
korelasi parsial. Nilai koefisien korelasi
Uji Koefisien Regresi Secara Serentan parsial merupakan besaran nilai yang
(Uji F) Dan Parsial (Uji T) digunakan untuk mengukur tingkat keeratan
Untuk menguji apakah ada hubungan hubungan antara dua variabel jika variabel
regresi antara peubah takbebas Y dengan lainnya konstan dalam suatu analisis yang
peubah-peubah bebas X1, …, Xp-1, dengan kata melibatkan lebih dari dua variabel. Misalnya
lain untuk memilih di antara altenatif- untuk korelasi antara variabel bebas pertama
alternatif: (X1) dengan variabel terikat (Y) apabila
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝−1 = 0 variabel bebas kedua (X2) nilainya konstan.
Ha : tidak semua 𝛽𝑘 sama dengan nol Adapun rumus untuk menentukan nilainya
Kita menggunakan statistik uji : adalah:
𝐾𝑇𝑅
F*= 𝑟𝑌1 − (𝑟𝑌2 × 𝑟12 )
𝐾𝑇𝐺 𝑟𝑌1.2 =
Kaidah keputusan dengan galat jenis 1 2 2 ))
√(1 − 𝑟𝑌2 ) × (1 − 𝑟12
dikendalikan sebesar α adalah :
Jika F* ≤ F (1 − 𝛼; 𝑝 − 1, 𝑛 − 𝑝), terima H0
Wohon, Hatidja dan Nainggolan: Penentuan Model Regresi ……… 83
Karena nilai p > 𝛼 atau 0,198 > 0,05 dan Devisa Impor Unpaid Pada Bea dan
maka terima H0, artinya bahwa variabel- Cukai Bitung (𝑋8 ), dan merupakan
variabel X tidak memberi pengaruh variabel yang membentuk model regresi
signifikan terhadap impor beras di Sulawesi terbaik dari Impor beras di Sulawesi
Utara (Y). Nilai R2 = 99,2% dan Radj = Utara.
92,5%. 2. Model regresi terbaik dari impor beras di
Sulawesi Utara adalah
Perbandingan Model Regresi 𝑌̂ = 26322,228 + 0.001𝑋8 − 0,626𝑋4
Tabel 3. Perbandingan Model Regresi Nilai R2 = 93,7% dan nilai (Radj) = 91,8
berdasarkan nilai R2 dan Radj %.
No Variabel bebas
R2 Radj
model regresi DAFTAR PUSTAKA
1 X4, X8 93,7 % 91,8%
2 X1, X4, X8 94,4% 91,6% Badrudin, R. 2012. Ekonomika Otonomi
3 X1, X2, X3, X4, Daerah. UPP STIM YKPN,
X5, X8, X9, 99,2% 92,5% Yogyakarta.
X10
Bunga, K., J. Prang., dan N. Nainggolan.
2015. Hubungan antara Minat
Indikator yang digunakan dalam Belajar dan Hasil Belajar
proses penentuan model regresi terbaik Matematika siswa SMA Kristen
adalah korelasi dan korelasi parsial masing- Eben Heazer Ibu dengan
masing variabel dan untuk indikator Menggunakan Analisis Regresi. Jurna
penentuan model regresi terbaik adalah nilai de Cartesian 2(4): 224-228.
R2 dan Radj dari masing-masing model yang
ada. Ghozali, I. 2011. Aplikasi Analisis
Berdasakan nilai-nilai dari R2 dan Radj, Multivariate Dengan Program IBM
model regresi pertama yang merupakan hasil SPSS 19 (edisi kelima.) Semarang:
dari analisis metode stepwise cukup baik Universitas Diponegoro.
digunakan untuk menduga besar jumlah Gujarati, D. 2006. Ekonometrika Dasar
impor beras di Sulawesi Utara, dengan nilai Diterjemahkan oleh Sumarto Zain.
Radj = 91.8% yang artinya sebesar 91.8% Erlangga. Jakarta.
keragaman dari impor beras di Sulawesi
Utara (Y) bisa dijelaskan dengan model Hanum, H. 2011. Perbandingan Metode
regresi pertama, dan sisanya dijelaskan oleh Stepwise, Best Subset Regression, dan
faktor lain. Model regresi pertama adalah Fraksi dalam Pemilihan Model
sebagai berikut : Regresi Berganda Terbaik. Jurnal
𝑌̂ = 26322,228 + 0,001𝑋8 − 0,626𝑋4 . Penelitian Sains. 14(2A): 1-6.
Pada saat devisa impor unpaid pada bea dan Hatidja, D. 2006. Analisis Regresi. Bahan
cukai Bitung (𝑋8 ) dan penerimaan beras Ajar. Manado : Materi Mata
dari dalam negeri di Sulawesi Utara (𝑋4 ) Kuliah Untuk Mahasiswa Semester
bernilai nol, maka besarnya dugaan nilai IV Jurusan Matematika FMIPA
impor beras di Sulawesi Utara (𝑌̂) adalah UNSRAT.
sebesar 26322,228. Apabila devisa impor
Jambormias, E. 2005. Prosedur
unpaid pada bea dan cukai Bitung (𝑋8 ) naik
Pemilihan Model Regresi
satu satuan maka impor beras (𝑌̂ ) bertambah
Terbaik (Dengan Interpretasi
0,001 dan apabila penerimaan beras dari
Keluaran Program Minitab Dan Sas).
dalam negeri di Sulawesi Utara (𝑋4 ) naik Bahan ajar. Ambon.
satu satuan maka impor beras (𝑌̂ ) berkurang
sebesar 0,626. Kurniawan, H. 2013. Faktor-faktor yang
Mempengaruhi Impor Beras di
KESIMPULAN Indonesia tahun 1980-2009 [Skripsi].
Fakultas Ekonomi, Semarang.
1. Variabel-variabel yang mempengaruh
impor beras di Sulawesi Utara adalah
penerimaan beras dari dalam negeri (𝑋4 )
88 Jurnal Ilmiah Sains Vol. 17 No. 2, Oktober 2017