commit to user 79
koefisien determinasi. Pengujian ekonometrika yaitu pengujian terhadap validitas asumsi klasik meliputi uji autokorelasi, multikoleniaritas, dan
heteroskedastisitas juga akan dilakukan dalam penelitian ini.
3. Metode Regresi Linier Berganda Ordinary Least Square
Hipotesis diuji menggunakan analisis regresi linier berganda sehingga dapat mengetahui pengaruh variabel luas lahan, jumlah tenaga
kerja, jumlah pupuk, jumlah bibit dan jenis bibit terhadap variabel jumlah produksi tebu di PG. Gondang Baru Klaten.
Tabel 4.15 Hasil Regresi Persamaan Jumlah Produksi. Luas Lahan, Tenaga Kerja, Jumlah Pupuk, Jumlah bibit dan Jenis Bibit
variabel Coefficient t-statistic probabilitas C 293.5140 2.049607 0.0453
LH 1.130398 0.038804 0.9692 TK 4.706541 4.344207 0.0001
JP -11.09676 -0.675607 0.5022 JMLB -0.180079 -0.222312 0.8249
D1 -479.2545 -2.203014 0.0319 D2 82.88100 0.399946 0.6908
R-squared 0.961510 F-statistic 224.8252
ProbF-statistic 0.000000
Sumber: hasil olahan eviews3, 2011 Berdasarkan tabel 4.15 di atas dapat dilihat bahwa dari 5 variabel
yang ada yaitu luas lahan, tenaga kerja, jumlah pupuk, jumlah bibit, dan jenis bibit yang signifikan pada tingkat 5 dan berpengaruh positif pada
jumlah produksi tebu hanya variabel tenaga kerja.
4. Uji Asumsi Klasik a Uji Multikolinearitas
Multikolinearitas adalah suatu keadaan di mana satu atau lebih variabel bebas dapat dinyatakan sebagai kombinasi linear dari variabel
commit to user 80
bebas lainnya. Multikolinearitas merupakan suatu masalah yang sering muncul dalam ekonomi karena dalam ekonomi, sesuatu tergantung
pada sesuatu yang lain everything depends on everything else. Ada berbagai cara untuk mengetahui ada tidaknya multikolinearitas di
antaranya dengan menggunakan progam Eviews3, dengan meregres antar variabel bebas dan dilihat tingkat signifikannya. Jika signifikan
pada tingkat 0,05 berarti terdapat multikolinearitas.
Tabel. 4.16 Hasil Regresi Persamaan Luas Lahan dan Tenaga Kerja
Variabel dependen: luas lahan variabel Coefficient t-statistic probabilitas
C 0.353835 0.729869 0.4684 TK 0.006447 13.64941 0.0000
Sumber: data diolah, eviews3, 2011 Berdasarkan regresi di atas dapat diketahui bahwa terjadi
multikolinearitas antara luas lahan dan tenaga kerja dilihat dari nilai probabilitasnya sebesar 0,000.
Tabel. 4.17 Hasil Regresi Persamaan Luas Lahan dan Jumlah Pupuk
Variabel dependen: luas lahan variabel Coefficient t-statistic probabilitas
C 0.468694 0.958196 0.3419 JP 0.096699 13.33385 0.0000
Sumber: data diolah, eviews3 2011 Berdasarkan regresi di atas dapat diketahui bahwa terjadi
multikolinearitas antara luas lahan dan jumlah pupuk dilihat dari nilai probabilitasnya sebesar 0,000.
commit to user 81
Tabel. 4.18 Hasil Regresi Persamaan Luas Lahan dan Jumlah Bibit
Sumber: data diolah, eviews3 2011 Berdasarkan regresi di atas dapat diketahui bahwa terjadi
multikolinearitas antara luas lahan dan jumlah bibit dilihat dari nilai probabilitasnya sebesar 0,000.
Tabel. 4.19 Hasil Regresi Persamaan Luas Lahan dan Variabel Dummy
Variabel dependen: luas lahan variabel Coefficient t-statistic probabilitas
C 3.258250 2.709606 0.0088 D1 3.033750 1.651632 0.1040
D2 1.249855 0.690914 0.4924
Sumber: data diolah, eviews3 2011 Berdasarkan regresi di atas dapat diketahui bahwa tidak terjadi
multikolinearitas antara luas lahan dan variabel dummy jenis bibit dilihat dari nilai probabilitasnya sebesar 0,4924.
Tabel. 4.20 Hasil Regresi Persamaan Tenaga Kerja dan Jumlah Pupuk
Variabel dependen: tenaga kerja variabel Coefficient t-statistic probabilitas
C 17.53724 1.291111 0.2017 JP 15.00593 74.51291 0.0000
Sumber: data diolah, eviews3 2011 Berdasarkan regresi di atas dapat diketahui bahwa terjadi
multikolinearitas antara tenaga kerja dan jumlah pupuk dilihat dari nilai probabilitasnya sebesar 0,000.
Variabel dependen: luas lahan variabel Coefficient t-statistic probabilitas
C 0.517371 0.966415 0.3378 JMLB 0.013196 11.90108 0.0000
commit to user 82
Tabel. 4.21 Hasil Regresi Persamaan Tenaga Kerja dan Jumlah Bibit
Variabel dependen: tenaga kerja variabel Coefficient t-statistic probabilitas
C 28.93506 0.761352 0.4495 JMLB 2.035187 25.85496 0.0000
Sumber: data diolah, eviews3 2011 Berdasarkan regresi di atas dapat diketahui bahwa terjadi
multikolinearitas antara tenaga keja dan jumlah bibit dilihat dari nilai probabilitasnya sebesar 0,000.
Tabel. 4.22 Hasil Regresi Persamaan Tenaga Kerja dan Variabel Dummy
Variabel dependen: tenaga kerja variabel Coefficient t-statistic probabilitas
C 373.1667 2.364279 0.0214 D1 607.6111 2.520190 0.0145
D2 312.3596 1.315508 0.1935
Sumber: data diolah, eviews3 2011 Berdasarkan regresi di atas dapat diketahui bahwa tidak terjadi
multikolinearitas antara tenaga kerja dan variabel dummy jenis bibit dilihat dari nilai probabilitasnya sebesar 0,1935.
Tabel. 4.23 Hasil Regresi Persamaan Jumlah Pupuk dan Jumlah Bibit
Variabel dependen: jumlah pupuk variabel Coefficient t-statistic probabilitas
C 0.891559 0.36297 0.7182 JMLB 0.135193 26.5464 0.0000
Sumber: data diolah, eviews3 2011 Berdasarkan regresi di atas dapat diketahui bahwa terjadi
multikolinearitas antara jumlah pupuk dan jumlah bibit dilihat dari nilai probabilitasnya sebesar 0,000.
commit to user 83
Tabel. 4.24 Hasil Regresi Persamaan Jumlah Pupuk dan Variabel Dummy
Variabel dependen: jumlah pupuk variabel Coefficient t-statistic probabilitas
C 23.75000 2.261553 0.0275 D1 38.47222 2.398292 0.0197
D2 22.56579 1.428355 0.1586
Sumber: data diolah, eviews3 2011 Berdasarkan regresi di atas dapat diketahui bahwa tidak terjadi
multikolinearitas antara jumlah pupuk dan variabel dummy jenis bibit dilihat dari nilai probabilitasnya sebesar 0,1586.
Tabel. 4.25 Hasil Regresi Persamaan Jumlah Bibit dan Variabel Dummy
Variabel dependen: jumlah bibit variabel Coefficient t-statistic probabilitas
C 195.1367 2.586746 0.0122 D1 245.2878 2.128641 0.0375
D2 120.4786 1.061616 0.2928
Sumber: data diolah, eviews3 2011 Berdasarkan regresi di atas dapat diketahui bahwa tidak terjadi
multikolinearitas antara jumlah bibit dan variabel dummy jenis bibit dilihat dari nilai probabilitasnya sebesar 0,2928.
Hasil regresi variabel luas, tenaga kerja jumlah pupuk dan jumlah bibit mengalami masalah multikolinieritas.
Menurut Gujarati 1995 masalah multikolinieritas dapat diperbaiki dengan cara:
Informasi apriori, kombinasi data cross section dan data time series, menghilangkan variabel yang bermasalah, transformasi variabel,
menambah atau mengganti data baru dan mengurangi multikolinieritas dalam regresi polynomial.
Dalam penelitian ini menggunakan cara menghilangkan variabel yang bermasalah. Variabel yang bermasalah
commit to user 84
dianggap variabel yang penting dalam penelitian ini, sehingga dalam penelitian ini akan dilakukan regresi secara terpisah.
Tabel 4.26 Hasil Regresi Persamaan Jumlah Produksi. Luas Lahan dan Variabel Dummy
variabel Coefficient t-statistic probabilitas C 306.8786 0.866745 0.3897
LH 444.3964 12.20027 0.0000 D1 564.6456 1.082964 0.2834
D2 726.8933 1.442580 0.1546 R-squared 0.742067
F-statistic 54.66240 ProbF-statistic 0.00000
Sumber: hasil olahan eviews3, 2011 Berdasarkan regresi di atas maka persamaan jumlah produksi,
luas lahan dan variabel dummy dapat ditulis sebagai berikut: PROD: 306,8789+444,3964LH+564,6456D1+726,8933D2
Tabel 4.27 Hasil Regresi Persamaan Jumlah Produksi. Tenaga Kerja dan Variabel Dummy
variabel Coefficient t-statistic probabilitas C 300.4488 2.214128 0.0308
TK 3.897413 36.14985 0.0000 D1 -455.2780 -2.183411 0.0331
D2 64.93005 0.328183 0.7440 R-squared 0.961069
F-statistic 469.0414 ProbF-statistic 0.000000
Sumber: hasil olahan eviews3, 2011 Berdasarkan regresi di atas maka persamaan jumlah produksi,
tenaga kerja dan variabel dummy dapat ditulis sebagai berikut: PROD: 300,4488+3,897413TK-455,2780D1+64,93005D2
commit to user 85
Tabel 4.28 Hasil Regresi Persamaan Jumlah Produksi. Jumlah Pupuk dan Variabel Dummy
variabel Coefficient t-statistic probabilitas C 374.2596 2.383870 0.0205
JP 58.12942 30.89067 0.0000 D1 -323.5346 -1.342334 0.1848
D2 -2.41167 -0.127678 0.8989 R-squared 0.947495
F-statistic 342.8709 ProbF-statistic 0.000000
Sumber: hasil olahan eviews3, 2011 Berdasarkan regresi di atas maka persamaan jumlah produksi,
jumlah pupuk dan variabel dummy dapat ditulis sebagai berikut: PROD: 374,2596+58,12942JP-323,5346D1-29,41167D2
Tabel 4.29 Hasil Regresi Persamaan Jumlah Produksi. Jumlah Bibit dan Variabel Dummy
variabel Coefficient t-statistic probabilitas C 238.9467 0.988413 0.3271
JMLB 7.768333 19.49723 0.0000 D1 7.356204 0.020262 0.9839
D2 346.4067 0.996313 0.3233 R-squared 0.878541
F-statistic 137.4317 ProbF-statistic 0.000000
Sumber: hasil olahan eviews3, 2011 Berdasarkan regresi di atas maka persamaan jumlah produksi,
jumlah bibit dan variabel dummy dapat ditulis sebagai berikut: PROD: 238,9467+7,768333JMLB+7,356204D1+346,4067D2
b Uji Heteroskedastisitas
Uji ini untuk mengetahui apakah dalam sebuah model regresi terjadi ketidaksamaan varians residual dari satu pengamatan ke
pengamatan lain. Jika varians residual dari satu pengamatan ke pengamatan yang lain itu tetap, maka disebut homoskedastisitas. Dan
jika yang terjadi adalah sebaliknya disebut heteroskedastisitas.
commit to user 86
Sedangkan model yang baik adalah tanpa heteroskedastisitas. Cara mendeteksi adalah pertama dengan menggunakan uji Park, yakni
dengan me-log kan nilai residu disturbance term kemudian
diregres dengan variabel-variabel independen. Jika signifikan pada a=5 maka terdapat masalah heteroskedaktisitas. Jika tidak signifikan,
maka tidak terdapat masalah heteroskedaktisitas dalam model tersebut.
Tabel. 4.30 Uji Heteroskedastisitas Park
Sumber: data diolah eviews3, 2011
Berdasarkan hasil estimasi tabel diatas dengan menggunakan uji park pada model regresi tidak terjadi heteroskedastisitas. Dapat
dilihat dari probabilitas semua variabelnya yang lebih dari tingkat signifikan 0,05.
c Uji Autokorelasi
Autokorelasi dapat didefinisikan sebagai adanya korelasi antara
unsur-unsur variabel pengganggu sehingga penaksir tidak lagi efisien baik dalam sampel kecil ataupun sampel besar. Masalah autokorelasi
dideteksi menggunakan Lagrange Multiplier Test. Uji ini dilakukan dengan meregresi semua variabel bebas dan
variabel tidak bebas, kemudian dilakukan uji Breusch Godfrey
Variabel dependen: LN_RES2 variabel Coefficient t-statistic probabilitas
C 10.47863 24.88087 0.0000 LH -0.147909 -1.726467 0.0900
TK 0.004316 0.301809 0.7640 JP 0.034373 0.711604 0.4798
JMLB -0.002250 -0.944585 0.3491 D1
0.200094 0.312755 0.7557 D2 -0.213939 -0.351039 0.7269
commit to user 87
terhadap residu dari hasil regresi model tersebut. Dari model tersebut akan diperoleh nilai observasi R square untuk kemudian dibandingkan
dengan α = 0,05 atau 5 . Kriteria pengujiannya adalah jika nilai probabilitas obsR-
squared lebih besar dari 0,05 maka tidak terdapat masalah autokorelasi dan sebaliknya bila nilai probabilitas obsR-squared lebih kecil dari
0,05, maka terdapat autokorelasi.
Tabel 4.31 Hasil Uji B-G Persamaan Jumlah Produksi, Luas Lahan, Tenaga Kerja, Jumlah Pupuk, Jumlah Bibit dan Jenis
Bibit
Sumber: data diolah eviews3, 2011 Berdasarkan analisis yang telah dilakukan pada tiap variabel
yang dapat dilihat pada tabel di atas , tidak terjadi autokolerasi. Ini dapat ditunjukkan dari nilai probabilitas obsR-squared yang lebih
besar dari 0,05 maka tidak terdapat autokolerasi.
5. Uji statistik a Uji t statistik
