34
4.6 Hipotesis
Hipotesis merupakan
kesimpulan awal yang digunakan sebagai dasar
dalam penelitian ini. Adapun penjelasan hipotesis dari faktor-faktor risiko produksi terhadap produksi karet alam PT Socfindo adalah sebagai berikut :
1 Jumlah pohon yang mati X
1
b
1
0, artinya semakin banyak jumlah pohon karet yang mati, maka produksi karet alam akan berkurang.
2 Penderes yang melakukan kesalahan X
2
b
2
0, artinya semakin banyak jumlah penderes yang melakukan kesalahan, maka produksi karet alam akan berkurang.
3 Jumlah pohon yang dideres X
3
b
3
0, artinya semakin banyak jumlah pohon yang dideres, maka produksi karet alam akan meningkat.
4 Jumlah blok yang terkena Secondary Leaf Fall X
4
b
4
0, artinya semakin banyak jumlah blok yang terkena Secondary Leaf Fall
, maka produksi karet alam akan berkurang. 5 Biaya
Perawatan Brown BastBark Necrosis
X
5
b
5
0, artinya semakin banyak jumlah biaya perawatan Brown BastBark Necrosis
yang dikeluarkan, maka produksi karet alam akan berkurang. 6
Curah Hujan X
6
b
6
0, artinya semakin tinggi curah hujan, maka produksi karet alam akan berkurang.
7 Produksi Sebelumnya Y
t-1
b
7
0, artinya semakin tinggi produksi pada bulan sebelumnya t-1, maka produksi karet alam pada bulan saat ini akan meningkat.
4.7 Uji Asumsi
Klasik
Sebelum melakukan pengujian hipotesis, terlebih dahulu dilakukan pengujian asumsi klasik terhadap data penelitian yang meliputi pengujian
normalitas data, multikolinieritas, heteroskedasitisitas dan autokorelasi.
35 a
Pengujian Normalitas Data Pengujian normalitas data dilakukan untuk menguji apakah dalam model
regresi, peubah bebas dan terikat mempunyai distribusi normal, atau tidak. Data yang baik dan layak digunakan dalam penelitian adalah data yang memiliki
distribusi normal. Normalitas data dapat dilihat berapa cara, antara lain adalah dengan nilai skewness, histrogam dan Normal P-Plot. Nilai ini digunakan untuk
mengetahui bagaimana distribusi normal data dalam variabel dengan menilai kemiringan kurva serta letak tersebarnya titik-titik pada Normal P-Plot adalah
menyebar di sekitar garis diagonal dan penyebaran titik-titik data searah dengan garis diagonal Suliyanto 2011. Pengujian normalitas ini akan dilakukan dengan
uji Jarque-Bera. Uji Jarque-Bera adalah uji statistik untuk mengetahui apakah data
berdistribusi normal atau tidak. Uji ini mengukur perbedaan skewness dan kurtosis data dan dibandingkan dengan apabila datanya bersifat normal. Uji Jarque-Bera
dalam program eviews 6 dimunculkan dalam bentuk histogram. Walaupun pola distribusi normal Jarque-Bera dalam bentuk histogram tidak dapat terlihat
mengikuti bentuk kurva normal, tetapi kenormalan data dapat dilihat dari nilai probability
lebih besar dari α yang telah ditetapkan Winarno 2009.
b Pengujian Multikolinearitas
Multikolinearitas merupakan suatu penyimpangan asumsi akibat adanya keterkaitan atau hubungan linier antar variabel bebas penyusun model. Indikasi
adanya multikolinearitas dapat dilihat jika dalam model yang dihasilkan terbukti signifikan secara keseluruhan uji-F dan memiliki nilai R-Squared yang tinggi
namun banyak variabel yang tidak signifikan Winarno 2009. c
Pengujian Heteroskedastisitas Uji ini bertujuan menguji apakah dalam model regresi terjadi
ketidaksamaan ragam dari sisa satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang homokesdasitas, atau tidak terjadi heteroskedasitas
Suliyanto 2011. Deteksi dapat dilakukan dengan menggunakan uji metode grafis dan statistik. Metode grafis yaitu melihat ada tidaknya pola tertentu yang
tergambar pada scatterplot. Sedangkan, metode statistik yaitu metode Glejser,
36 metode Park, metode White, metode Rank Spearman dan metode Bresch-Pagan-
Godfrey BPG.
Untuk mendeteksi adanya pelanggaran asumsi heteroskedastisistas, digunakan uji- Breusch-Pagan-Godfrey yang diperoleh dalam program Eviews 6.
Pengolahan data menggunakan Eviews 6 dengan metode Ordinary least Square OLS
, maka untuk mendeteksi adanya heteroskedastisitas adalah dengan melihat Prob. Chi-Square apakah lebih besar dari
α atau tidak. Apabila lebih besar dari α, maka data tersebut telah terbukti tidak ada heteroskedastisitas, sehingga data nya
homoskedastisitas dan uji terpenuhi. Apabila kurang dari α, maka terbukti terdapat
heteroskedastisitas, sehingga uji ini tidak terpenuhi Winarno 2009. d
Pengujian Autokorelasi Autokorelasi adalah hubungan antara residual satu obsevasi dengan
observasi yang berlainan waktu. Autokorelasi lebih mudah timbul pada data yang bersifat deret waktu, karena berdasarkan sifatnya, data masa sekarang dipengaruhi
oleh data pada masa-masa sebelumnya. Autokorelasi dapat berbentuk autokorelasi positif dan autokorelasi negatif. Dalam data deret waktu, lebih besar terjadi
autokorelasi positif, karena variabel yang dianalisis pada umumnya cenderung meningkat Winarno 2009.
Ada beberapa metode untuk uji autokorelasi antara lain metode Breusch- Godfrey
dan metode Durbin-Watson DW. Uji korelasi Durbin-Watson relatif mudah dilakukan karena informasi nilai statistik hitungnya selalu diinformasikan
setiap program komputer termasuk dalam Eviews versi 6. Dijelaskan bahwa jika nilai DW tersebut sudah lebih dari 1,5 dan mendekati 2 maka dapat dikatakan
tidak ada autokorelasi yang dapat dilihat pada Tabel 8.
Tabel 8.
Selang Nilai Statistik Durbin Watson serta Keputusannya Nilai Durbin-Watson
Kesimpulan DW 1,10
Ada autokorelasi 1,10 DW 1,54
Tanpa kesimpulan 1,55 DW 2,46
Tidak ada autokorelasi 2,46 DW 2,90
Tanpa kesimpulan DW 2,91
Ada autokorelsi
Sumber : Firdaus 2004
37
V GAMBARAN UMUM PERUSAHAAN
5.1 Profil Perusahaan