Estimasi Parameter Hama dan Penyakit Jagung Menggunakan Regresi

Logistik Multinomial

Desi Herlina Saraswati

Jurusan Matematika, Fakultas MIPA, Universitas Sriwijaya
Jl. Palembang Prabumulih km 32 Indralaya 30662
Email: desiherlina3011@gmail.com

Abstrak
Tanaman jagung (zea mayes) merupakan salah satu tanaman yang memiliki banyak potensi.
Tanaman jagung dapat dimanfaatkan sebagai bahan pakan, bahan industri dan bahan pangan
yang sehat bagi tubuh. Salah satu masalah yang banyak dialami tanaman jagung adalah
serangan hama dan penyakit. Penelitian ini bertujuan untuk melihat hubungan antara variabel
respon yang bersifat lebih dari dua kategori (multinomial) dengan variabel prediktor yang
bersifat kategori maupun kontinu serta berskala ordinal maka digunakan analisis regresi
logistik multinomial untuk menyelesaikannya. Data hama dan penyakit tanaman jagung yang
digunakan berjumlah 761 yang terdiri dari 120 hama penggerek tongkol, 298 hama
spodoptera frugiperda, 108 hama belalang , 98 penyakit hawar daun, 88 penyakit karat daun,
dan 48 penyakit bulai. Metode yang digunakan adalah kuantitatif dengan menerapkan teknik
analisis regresi multinomial. Hasil analisis menunjukkan bahwa variabel yang berpengaruh
signifikan adalah variabel R ( X 1 ¿, G(X 2), B(X 3). Model yang diperoleh memiliki ketepatan
klasifikasi sebesar 71,1% dan model tersebut tidak layak atau tidak sesuai karena variabel
independen (prediktor) dan jumlah data yang digunakan tidak seimbang.

Kata Kunci : Jagung, Regresi logistik multinomial

Abstract
Corn (zea mayes) is one of the plants that has a lot of potential. Corn plants can be used as
feed ingredients, industrial materials and healthy food for the body. One of the problems that
many corn plants experience is pest and disease attacks. This study aims to see the
relationship between response variables that are more than two categories (multinomial) with
predictor variables that are categorical or continuous and on an ordinal scale. Multinomial
logistic regression analysis is used to solve it. The data on maize pests and diseases used were
761 consisting of 120 cob borer, 298 Spodoptera frugiperda, 108 grasshoppers, 98 leaf blight,
88 leaf rust and 48 downy mildew. The method used is quantitative by applying the technique
of multinomial regression analysis. The results of the analysis show that the variables that
have a significant effect are the variables R ( X 1 ¿, G( X 2), B(X 3). The model obtained has a
classification accuracy of 71.1% and the model is not feasible or inappropriate because the
independent variables (predictors) and the amount of data used are not balanced.

Keywords : Corn, Corn pests and diseases, Multinomial logistic regression

1. PENDAHULUAN
Di Indonesia tanaman jagung (Zea mays) adalah salah satu jenis tanaman yang
berpotensi sangat baik sehingga sebagian besar dapat dimanfaatkan untuk memenuhi
kebutuhan pakan dan dapat dimanfaatkan sebagai bahan industri. Tanaman jagung juga dapat
digunakan untuk memenuhi kebutuhan pangan yang sehat bagi tubuh, sehingga tanaman
jagung penting untuk terus dibudidayakan agar kebutuhan pangan, industri dan pakan dapat
terus terpenuhi (Sobron et al., 2020). Dalam budi daya tanaman jagung, serangan hama dan
penyakit menjadi kendala yang dapat menyebabkan produktivitas tanaman jagung menjadi
rendah (Fauzia, 2013). Tenaga tani di Indonesia yang faham mengenai penyakit tanaman
jagung masih terbatas. Sehingga masih banyak petani yang menyelesaikan masalah hama dan
penyakit yang menyerang tanaman jagung dengan cara yang salah (Sihotang et al., 2018).
Penyakit yang berpotensi dapat menyerang tanaman jagung adalah penyakit Hawar daun,
Bulai, Busuk Tongkol, dan Busuk Pelapah (Kurniawan & Fidiawati, 2021).
Jenis penyakit dan hama yang dapat menyerang tanaman jagung memiliki banyak jenis.
Untuk mengetahui besar peluang tanaman jagung dapat terserang hama dan penyakit
diperlukan suatu model. Metode regresi logistik merupakan salah satu metode yang
digunakan untuk mengetahui adanya hubungan antara variabel responden yang bersifat
kategorik (nominal atau ordinal) dengan varibel prediktor yang bersifat kategorik maupun
kontinu (Yudissanta & Ratna, 2012). Dalam penelitian ini diperlukan analisis untuk melihat
hubungan antara variabel respon yang bersifat lebih dari dua kategori (multinomial) dengan
variabel prediktor yang bersifat kategori maupun kontinu serta berskala ordinal maka
digunakan analisis regresi logistik multinomial untuk menyelesaikannya.
2. METODE PENELITIAN
2.1 Sumber Data
Data yang digunakan dalam penelitian ini adalah menggunakan data sampel yang
didapatkan dari 3 desa yaitu Desa Tanjung Putus, Desa Tanjung Baru dan Desa Tanjung
Seteko yang berada di Kecamatan Indralaya, Kabupaten Ogan Ilir, Sumatera Selatan pada
tahun 2021. Data terdiri dari 3 jenis hama dan 3 jenis penyakit tanaman jagung dengan
jumlah data sebanyak 761.
2.2 Variabel Penelitian
Variabel respon yang digunakan dalam penelitian ini adalah jenis hama dan penyakit
tanaman jagung yaitu hama belalang (HB) yang diberi nilai 1, hama spodoptera (HSF) yang
diberi nilai 2, karat daun (KD) yang diberi nilai 3, penyakit bulai (PB) yang diberi nilai 4,
penyakit hawar daun (PHD) yang diberi nilai 5, dan hama penggerak tongkol (PT) yang
diberi nilai 6. Variabel prediktor yang digunakan dalam penelitian ini berupa nilai rata-rata
citra RGB yaitu warna merah (R), warna hijau (G), warna biru (B) dengan R sebagai X 1 , G
sebagai X 2 dan B sebagai X 3 .
2.3 Regresi Logistik Multinomial
Regresi logistik multinomial merupakan salah satu pendekatan pemodelan yang dapat
digunakan dalam mendefinisikan hubungan antara beberapa variabel independen dan variabel
dependen multinomial atau polytomous. Data yang berskala nominal adalah data dengan
angka yang diberikan kepada objek memiliki arti sebagai label dan tidak menunjukkan
tingkatan. Sedangkan data yang memiliki tingkatan disebut data ordinal. Jika terdapat k yang
berarti banyaknya kategori pada variabel independen maka model logistik yang terbentu
sebanyak k −1. Menurut Sitinjak (2021), secara umum model regresi logistik multinomial
untuk p banyaknya variabel dependen yang dinyatakan dalam vektor x i dan probabilitas
kategori independen ke-k sebagai berikut.
 exp ⁡( g k ( x i ) )
π k ( xi ) = p ( y=k| xi ) = k−1
(2.1)
∑ exp( gk ( x i ) )
j=0
Rumus cumulative odds untuk kategori ke- j sebagai berikut.
P¿¿ (2.2)
Sehingga diperoleh model kumulatif logit sebagai berikut.

log ( x i +…+ x j
x j +1+ …+ x j
T
=x j β j ) (2.3)

Alternatif lain dari model kumulatif odds yaitu rasio dari peluang berhasil untuk kategori
yang bersebelahan sebagai berikut.
π1 π2 π
, , … , j−1 (2.4)
π 2 π3 πj
Model adjacent logit menjadi,

log
( )
πj
π j+1
=x Tj β j (2.5)

Diperoleh model rasio lainnya sebagai berikut.

π 1 π 1+ p i 2 π 1+ …+ π j−1
, ,…, (2.6)
π2 π3 πj
Atau
π1 pi 2 π j−1
, ,…,
π 2+ …+π j π 3 + …+π j πj
(2.7)
Sehingga model logit rasio menjadi,
πj T
log =x j β j (2.8)
π j+1 +…+ π j
2.4 Estimasi Parameter
Metode maksimum likelihood merupakan teknik pendugaan parameter yang layak atau
sesuai untuk menduga model logit dengan peubah responnya yang berskala kualitatif. Tujuan
dari pendugaan ini adalah untuk mendapatkan model yang akan digunakan dalam melakukan
pengklasifikasian. Menurut Djakaria et al. (2019) fungsi maksimum likelihood sebagai
berikut.
n
l ( β ) =∏ π 0 ( x i ) π 1( xi ) π 2 ( x i )
y oi y 1i y 2i
(2.9)
i=1

dengan ∑ ij=1. Fungsi log likelihood sebagai berikut.

n
l ( β ) =∑ y 1 i g1 (x ¿¿ i)+ y 2 i g2 (x ¿¿ i)−ln ¿ ¿ ¿ (2.10)
i−1

2.5 Uji Simultan

Uji simultan atau uji G dilakukan untuk mengetahui pengaruh variabel prediktor
terhadap variabel respon dalam model secara serentak atau bersama-sama. Hipotesis yang
digunakan dalam uji signifikansi parameter serentak dengan statistik uji G atau likelihood
ratio menurut Djakaria et al. (2019) sebagai berikut.
H 0 : β 1=β 2=…=β p =0 (tidak ada satupun variabel independen yang secara statistik
signifikan mempengaruhi variabel dependen).
H 1 : minimal ada satu β j ≠ 0 (minimal terdapat satu variabel independen yang secara statistik
signifikan mempengaruhi variabel dependen), dengan j=1,2 ,… , p
Statistik Uji :

G=−2 ln
[ ]L0
L1
(2.11)

dengan,
L0 = likelihood tanpa peubah bebas
L1 = likelihood dengan peubah bebas
Kriteria Uji :
2
Tolak H 0 jika G> χ (db ,α) atau p-value ¿ α .
2.6 Uji Parsial
Uji parsial dilakukan untuk mengetahui apakah variabel prediktor memiliki pengaruh
signifikan terhadap varaiabel respon atau tidak. Uji ini bertujuan untuk melihat layak atau
tidaknya suatu variabel prediktor masuk dalam model (Rohmi, 2017). Menurut Djakaria et
al. (2019) hipotesis dalam uji parsial sebagai berikut.
H 0= β j=0 (Variabel independen ke- i secara statistik signifikan mempengaruhi variabel
dependen).
H 0= β j ≠ 0 (Variabel independen ke- j secara statistik tidak signifikan mempengaruhi
variabel dependen), dengan j=1,2 ,… p.
Uji parsial menggunakan uji Wald sebagai berikut.

( β^ j
)
2

W= (2.12)
SE ( ^β j )
Kriteria untuk tolak H 0atau daerah penolakan H 0 adalah jika |W |>Z α /2 atau W > χ (db ,α ).
2 2

2.7 Uji Kebaikan Model

Uji kebaikan model bertujuan untuk mengetahui apakah model dengan varaibel
dependen merupakan model yang sesuai. Statistik uji yang digunakan adalah Pearson.
Menurut Sari (2017) hipotesis yang digunakan adalah sebagai berikut.
H 0 : Model telah sesuai atau model layak digunakan.
H 1 : Model tidak sesuai atau model tidak layak digunakan.
Statsitik uji Pearson :
2
g
( ok −nk π k )
C=∑
^ (2.13)
k=1 nk π k (1−π k )

dimana
o k = Observasi pada grup ke-k

( )
ck
mk π k
π k = Rata-rata taksiran peluang ∑ nk
k=1

g = Jumlah grup (kombinasi kategori dalam model serentak)

n k = Banyak observasi pada grup ke-k.
Kriteria untuk tolak H 0atau daerah penolakan H 0 adalah jika nilai p−value<α atau
^ χ 2(db , α).
C>
2.8 Koefisien Determinasi
Uji koefisien determinasi dilakukan untuk mengetahui seberapa besar varibel independen
mempengaruhi variabel dependen. Besar nilai koefisien determinasi dalam model regresi
logistik diperlihatkan oleh nilai McFadden, CoxanandSnell, dan Nagelkerke R-Square. Model
dikatakan baik apabila koefisien Nagelkerke mencapai lebih dari 70% yang berarti variabel
independen yang dibuat model mempengaruhi 70% terhadap variabel dependen (Sitinjak,
2021).
2
R MF=1−
[
likelihood model B
likelihood model A ] (2.14)
2
Dengan R merupakan koefisien determinasi McFadden. Rumus untuk memperoleh
MF

koefisien determinasi Cox and Snell sebagai berikut.

2
RCS =1−exp
−2
n [
[ likelihood ( model B )−likelihod (model a) ] (2.15) ]
2
Dengan R CS sebagai koefisien determinasi Cox and Snell.
2
R MAX =1−exp
[ −2
n
× likelihood( model A)
] (2.16)

R2N =
[ ] R2CS
2
R MAX
(2.17)

Dengan R2N sebagai koefisien determinasi Nagelkerke.

2.9 Odds Ratio
Dalam regresi logistik untuk menginterpretasi hasil digunakan nilai odds ratio untuk
menunjukkan perbandingan berapa kali lipat kenaikan atau penurunan angka kejadian Y = j
terhadap Y =1 sebagai kategori pembanding apabila nilai variabel ( x) atau variabel prediktor
berubah sebesar nilai tertentu (Tulong et al., 2018). Persamaan yang digunakan sebagai
berikut.
P(Y = j∨x=a)/ P(Y =1∨x=a)
¿ j ( a ,b )=Ψ ab=
P(Y = j∨x=b)/ P(Y =1∨x=b)
(2.18)
Hubungan antara odds ratio terhadap parameter model (β ) yaitu :
Ψ ab =exp ( ^β ) (2.19)
3. HASIL DAN PEMBAHASAN
3.1 Uji Parameter
Sebelum melakukan uji parameter akan dilihat parameter estimates atau penduga
parameter dengan menggunakan metode maximum likelihood yang disajikan pada Tabel 1.
Tabel 1. Hasil Penduga Parameter
Logit Variabel B Std. Wald df Siq.
prediktor Error
2 Intercept 11,183 2,164 26,702 1 0,000
R -0,247 0,030 70,017 1 0,000
 G 0,110 0,025 19,986 1 0,000
B 0,059 0,011 27,640 1 0,000
Intercept 11,180 2,428 21,194 1 0,000
R 0,026 0,032 0,682 1 0,409
3
G -0,161 0,030 29,921 1 0,000
B 0,069 0,014 23,277 1 0,000
Intercept 10,087 2,851 12,517 1 0,000
R 0,006 0,035 0,028 1 0,867
4
G -0,068 0,030 5,067 1 0,024
B -0,026 0,015 3,114 1 0,078
Intercept 25,925 2,790 86,326 1 0,000
R -0,416 0,050 69,120 1 0,000
5
G 0,105 0,039 7,191 1 0,007
B 0,097 0,017 31,826 1 0,000
Intercept 11,152 2,952 14,276 1 0,000
R 0,314 0,039 64,188 1 0,000
6
G -0,353 0,038 84,490 1 0,000
B -0,060 0,019 9,791 1 0,002
Berdasarkan Tabel 1, dilihat dari nilai signifikansi yang kurang dari α =0,05 dapat
diketahui variabel independen mana yang berpengaruh terhadap variabel dependen. Variabel
independen yang memiliki pengaruh terhadap variabel dependen adalah variabel R kategori 2
(HSF), G kategori 2 (HSF), B kategori 2 (HSF), G kategori 3 (KD), B kategori 3 (KD), G
kategori 4 (PB), R kategori 5 (PHD), G kategori 5 (PHD), B kategori 5 (PHD), R kategori 6
(PT), G kategori 6 (PT), dan variabel B kategori 6 (PT), sehingga diperoleh 5 fungsi regresi
logistik multinomial dan dari kelima fungsi regresi logistik multinomal tersebut, dapat
dibentuk model logit terbaik regresi logistik multinomial pada kasus hama dan penyakit
tanaman jagung untuk masing-masing kategori sebagai berikut.
Logit 2

[ ]
g2 ( x ) =ln
π 2( x )
π 1( x )

g2 ( x ) =11,183−0,247 X 1+ 0,110 X 2+ 0,059 X 3

Dengan Logit 1 merupakan log perbandingan antara peluang hama spodoptera (HSF)
terhadap hama belalang (HB) pada hama dan penyakit tanaman jagung.
Logit 3

[ ]
g3 ( x ) =ln
π 3( x)
π 1( x)

g3 ( x ) =11,180−0,161 X 2 +0,069 X 3
Dengan Logit 2 merupakan log perbandingan antara peluang penyakit karat daun (KD)
terhadap hama belalang (HB) pada hama dan penyakit tanaman jagung.
Logit 4
g4 ( x )=ln
[ ]
π 4 ( x)
π1( x )

g4 ( x )=10,087−0,068 X 2
Dengan Logit 3 merupakan log perbandingan antara peluang penyakit bulai (PB)
terhadap hama belalang (HB) pada hama dan penyakit tanaman jagung.
Logit 5

g5 ( x ) =ln
[ ]
π 5( x)
π 1( x)

g5 ( x ) =25,925−0,416 X 1+ 0,105 X 2+ 0,097 X 3

Dengan Logit 4 merupakan log perbandingan antara peluang penyakit hawar daun (PHD)
terhadap hama belalang (HB) pada hama dan penyakit tanaman jagung.
Logit 6

g6 ( x )=ln
[ ]
π 6 ( x)
π 1 ( x)

g6 ( x )=11,152+0,314 X 1 −0,353 X 2−0,060 X 3

Dengan Logit 5 merupakan log perbandingan antara peluang penyakit tongkol (PT)
terhadap hama belalang (HB) pada hama dan penyakit tanaman jagung.
3.2 Uji Simultan
Uji parameter dengan menggunakan uji simultan atau uji G bertujuan untuk mengetahui
taksiran parameter yang didapatkan memiliki pengaruh secara signifikan atau tidak signifikan
terhadap model dan masing-masing parameter tersebut memiliki pengaruh seberasa besar
terhadap model seperti pada Tabel 2.
Tabel 2. Hasil Uji Simultan
Model -2 Log Likelihod Chi-Square Df Sig
Intercept Only 1562,480
Final 407,847 1154,633 60 0,000
Berdasarkan Tabel 2, diketahui bahwa nilai signifikansi yang diperoleh adalah 0,000
yang lebih kecil dari α =0,05 . Artinya H 0 ditolak, sehingga dapat disimpulkan bahwa dengan
tingkat akurasi 95% terdapat minimal satu variabel yang secara statistik signifikan
mempengaruhi variabel dependen.
3.3 Uji Parsial
Uji Parsial dapat digunakan untuk mengetahui apa yang mempengaruhi masing-masing
variabel independen terhadap variabel dependen. Hasil uji parsial disajikan dalam Tabel 3.
Tabel 3. Hasil Uji Parsial
Variabel Chi-Square Df Sig. Keterangan
Intercept 138,089 5 0,000 Tolak H 0
R 628,723 5 0,000 Tolak H 0
G 435,156 5 0,000 Tolak H 0
B 113,919 5 0,000 Tolak H 0
 Nilai Likelihood ratio test dapat ditunjukkan oleh variabel independen yang ada dalam
model pada Tabel 3. Dari hasil uji parsial, terlihat bahwa ketiga variabel independen yaitu R,
G, B secara statistik signifikan memengaruhi variabel dependen. Hal ini terlihat dari nilai
signifikansi masing-masing variabel bebas yang lebih kecil dari α =0.05 yaitu masing-masing
memiliki nilai signifikansinya 0,000 yang dapat diartikan bahwa variabel R, G, B baik dalam
membentuk model.
3.4 Uji Kebaikan Model
Uji kebaikan model atau goodness of fit dapat digunakan untuk mengetahui apakah
semua variabel independen memiliki pengaruh terhadap variabel dependen dengan
menggunakan Uji Pearson. Hasil dari uji kebaikan model telah disajikan dalam Tabel 4.
Gambar 4. Hasil Uji Kebaikan Model
Chi-Square Df Sig.
43792039221,03 3575 0,000
Pearson
4
Deviance 1394,424 3575 1,000
Berdasarkan Tabel 4, dapat diketahui nilai p-value dari Pearson yaitu 0.000 yang lebih
kecil dari α =0.05 sehingga H 0 ditolak dan dapat disimpulkan bahwa tingkat keyakinan 95%
model yang telah diperoleh tidak sesuai atau model tidak layak untuk digunakan. Model tidak
layak kemungkinan disebabkan oleh ketidakseimbangan antara jumlah variabel prediktor dan
jumlah data yang digunakan untuk memodelkan pola jenis hama dan penyakit pada tanaman
jagung.
Setelah dilakukan uji kesesuaian model, langkah berikutnya model yang diperoleh
dihitung ketepatan klasifikasinya untuk dapat diketahui pe;uang kesalahan yang dilakukan
oleh model. Hasil ketepatan klasifikasi yang diperoleh model dapat dilihat pada Tabel 5.
Gambar 5. Hasil Ketetapan Klasifikasi Model
Observed Classification
HB HSF KD PB PHD PT Percent
Correct
HB 49 49 11 0 0 0 45,0%
HSF 29 262 5 0 2 0 87,9%
KD 3 35 40 0 0 10 45,5%
PB 12 32 3 0 1 0 0,0%
PHD 1 16 4 1 76 0 77,6%
PT 0 2 2 0 2 114 95,0%
Overall 12,4% 52,0% 8,5% 0,1% 10,6% 16,3% 71,1%
Percentage
Berdasarkan Tabel 4, diperoleh ketetapan klasifikasi dari model yang sudah terbentuk
yakni sebesar 71,1%, sehingga dapat diartikan bahwa banyaknya prediksi yang tepat
diklasifikasikan sesuai dengan observasi (kondisi sesungguhnya) sebesar 71,1% dan
kesalahan klasifikasi yang dihasilkan adalah sebesar 29,9%. Banyaknya observasi HB yang
tepat klasifikasinya sebesar 45,0% menunjukkan bahwa sebesar 55,0% kategori HB salah
dalam pengklasifikasiannya. Pada kategori HSF yang tepat klasifikasinya sebesar 87,9% dan
sebesar 13,1% kategori HSF salah dalam pengklasifikasiannya. Kemudian untuk kategori KD
pengklasifikasian yang tepat sebesar 45,5% dan pengklasifikasian yang salah sebesar 54,5%.
Selanjutnya pada kategori PB terdapat sebesar 0,0% klasifikasi yang tepat sehingga
menunjukkan bahwa 100% kategori PB salah dalam pengklasifikasiannya dan diprediksi
dalam kategori lain. Pada kategori PHD terdapat sebesar 77,6% yang tepat dalam
pengklasifikasiannya dan sebesar 23,4% kategori PHD yang salah pengklasifikasiannya. Dan
pada kategori PT ketepatan klasifikasi sebesar 95,0% dan sebesar 5,0% kategori PT salah
dalam pengklasifikasiannya.
3.5 Koefisien Determinasi
Nilai koefisien determinasi dapat diketahui dari nilaI Cox∧Snell , Nagelkerke dan
Mc Fadden . Hasil koefisien determinasi telah disajikan dalam Tabel 6.
Tabel 6. Hasil Koefisien Determinasi
Cox and Snell 0,757
Nagelkerke 0,788
McFadden 0,436
Berdasarkan Tabel 6, dapat diketahui nilai Cox and Snell yaitu 0,757 , nilai Nagelkerke
yaitu 0,788 dan nilai McFadden yaitu 0,436 . Diambil nilai Nagelkerke 0,788 yang
mengindikasikan bahwa keragaman data variabel bebas dalam penelitian mampu
menjelaskan keragaman data variabel terikatnya sebesar 78,8 % sedangkan sisanya dijelaskan
oleh variabel di luar model penelitian.
3.6 Interpretasi Model
Interpretasi model dapat dilakukan dengan menggunakan uji odds ratio. Hasil uji odds
ratio telah disajikan dalam Tabel 7.

Tabel 7. Hasil Uji Odds Ratio

Label Variabel Siq. Odds Ratio
R 0,000 0,781
HSF G 0,000 1,117
B 0,000 1,061
R 0,409 1,027
KD G 0,000 0,851
B 0,000 1,072
R 0,867 1,006
PB G 0,024 0,934
B 0,078 0,975
R 0,000 0,660
PHD G 0,007 1,111
B 0,000 1,102
R 0,000 1,369
PT G 0,000 0,703
B 0,002 0,941
Berdasarkan Tabel 7 diketahui :
1. Uji odds ratio untuk kategori R adalah angka kejadian untuk terserang hama
spodoptera frugiperda (HSF) pada tanaman jagung sebesar 0,781 kali lebih kecil
dibandingkan terserang hama belalang (HB). Untuk terserang penyakit karat daun (KD) pada
tanaman jagung sebesar 1,027 kali lebih besar dibandingkan terserang hama belalang (HB).
Untuk terserang penyakit bulai (PB) pada tanaman jagung sebesar 1,006 kali lebih besar
dibandingkan terserang hama belalang (HB). Kemudian untuk terserang penyakit hawar daun
(PHD) pada tanaman jagung sebesar 0,660 kali lebih kecil dibandingkan terserang hama
belalang (HB). Sedangkan untuk terserang hama penggerak tongkol (PT) pada tanaman
jagung sebesar 1,369 kali lebih besar dibandingkan terserang hama belalang (HB).
2. Uji odds ratio untuk kategori G adalah angka kejadian untuk terserang hama
spodoptera frugiperda (HSF) pada tanaman jagung sebesar 1,117 kali lebih besar
dibandingkan terserang hama belalang (HB). Untuk terserang penyakit karat daun (KD) pada
tanaman jagung sebesar 0,851 kali lebih kecil dibandingkan terserang hama belalang (HB).
Untuk terserang penyakit bulai (PB) pada tanaman jagung sebesar 0,934 kali lebih kecil
dibandingkan terserang hama belalang (HB). Kemudian untuk terserang penyakit hawar daun
(PHD) pada tanaman jagung sebesar 1,111 kali lebih besar dibandingkan terserang hama
belalang (HB). Sedangkan untuk terserang hama penggerak tongkol (PT) pada tanaman
jagung sebesar 0,703 kali lebih kecil dibandingkan terserang hama belalang (HB).
3. Uji odds ratio untuk kategori B adalah angka kejadian untuk terserang hama
spodoptera frugiperda (HSF) pada tanaman jagung sebesar 1,061 kali lebih besar
dibandingkan terserang hama belalang (HB). Untuk terserang penyakit karat daun (KD) pada
tanaman jagung sebesar 1,072 kali lebih besar dibandingkan terserang hama belalang (HB).
Untuk terserang penyakit bulai (PB) pada tanaman jagung sebesar 0,975 kali lebih kecil
dibandingkan terserang hama belalang (HB). Kemudian untuk terserang penyakit hawar daun
(PHD) pada tanaman jagung sebesar 1,102 kali lebih besar dibandingkan terserang hama
belalang (HB). Sedangkan untuk terserang hama penggerak tongkol (PT) pada tanaman
jagung sebesar 0,941 kali lebih kecil dibandingkan terserang hama belalang (HB).
4. KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan hasil dan pembahasan yang dilakukan pada hama dan penyakit jagung
dengan menggunakan regresi logistik multinomial diperoleh kesimpulan bahwa variabel
independen yang signifikan dalam mempengaruhi hama dan penyakit tanaman jagung adalah
variabel R ( X 1 ¿, G(X 2), B(X 3). Model regresi logistik yang didapatkan yaitu
g2 ( x ) =11,183−0,247 X 1+ 0,110 X 2+ 0,059 X 3, g3 ( x ) =11,180−0,161 X 2 +0,069 X 3 ,
g4 ( x )=10,087−0,068 X 2, g5 ( x ) =25,925−0,416 X 1+ 0,105 X 2+ 0,097 X 3 dan
g6 ( x )=11,152+0,314 X 1 −0,353 X 2−0,060 X 3 . Model yang diperoleh memiliki ketepatan
klasifikasi sebesar 71,1% dan model tersebut tidak layak atau tidak sesuai karena variabel
independen (prediktor) dan jumlah data yang digunakan tidak seimbang.
4.2 Saran
Penelitian yang telah dilakukan diketahui model yang dihasilkan mampu memperoleh
ketepatan klasifikasi sebesar 71,1%. Namun hasil dari uji keseuaian model menunjukkan
bahwa model belum layak atau tidak sesuai untuk memodelkan hama dan penyakit pada
tanaman jagung, sehingga untuk penelitian selanjutnya penulis menyarankan untuk
menggunakan metode lain yang dapat menghasilkan model yang layak atau model yang
sesuai.

DAFTAR PUSTAKA

Djakaria, I., Resmawan, & Ndangi, W. R. A. (2019). Jambura Journal of Mathematics. 1,

54–63.
Fauzia, F. (2013). INVENTARISASI HAMA DAN MUSUH ALAMI PADA TANAMAN
JAGUNG.
Kurniawan, A., & Fidiawati, R. (2021). Rancang Bangun Sistem Diagnosa Penyakit Dan
Hama Untuk Tanaman Jagung Menggunakan Algoritma Naive Bayes. 1(1), 1–10.
Rohmi, A. L. (2017). Analisis regresi logistik multinomial pada jenis pelanggaran lalu lintas
di kota surabaya.
Sari, S. N. (2017). TINDAKAN KRIMINAL DI KOTA SURABAYA TAHUN 2016 DENGAN
METODE REGRESI LOGISTIK.
Sihotang, H. T., Informatika, T., & Utara, S. (2018). Sistem pakar untuk mendiagnosa
penyakit pada tanaman jagung dengan metode bayes. 3(1).
Sitinjak, B. J. B. M. (2021). UNIVERSITAS SUMATERA UTARA Poliklinik UNIVERSITAS
SUMATERA UTARA.
Sobron, A. N., Titik, S., & Meidawati, S. (2020). Jurnal Inovasi Penelitian. Jurnal Inovasi
Penelitian, 1(3), 1–4.
Tulong, M. M., Mananohas, M., & Mongi, C. E. (2018). Regresi Logistik Multinomial Untuk
Menentukan Faktor- Faktor Yang Mempengaruhi Pilihan Perguruan Tinggi Pada Siswa
SMA dan SMK di Pulau Karakelang.
Yudissanta, A., & Ratna, M. (2012). Analisis Pemakaian Kemoterapi pada Kasus Kanker
Payudara dengan Menggunakan Metode Regresi Logistik Multinomial (Studi Kasus
Pasien di Rumah Sakit “X” Surabaya). Jurnal Sains Dan Seni ITS, 1(1), D112–D117.
http://ejurnal.its.ac.id/index.php/sains_seni/article/view/1269