57 Dari hasil pendugaan model fungsi produksi CPO dengan enam faktor
produksi didapatkan persamaan berikut:
Ln Y = -1,356 + 0,1894 lnX
1
+ 0,3092 lnX
2
+ 0,1766 lnX
3
+ 0,1927 lnX
4
+ 0,0665 lnX
5
+ 0,1899 lnX
6
Dari hasil pengolahan data dengan menggunakan enam variabel tersebut, dilakukan beberapa pengujian statistik untuk mengetahui apakah model tersebut
dapat dikatakan sebagai model fungsi produksi yang baik. Suatu model dikatakan baik apabila model tersebut lulus dalam uji ekonometrika asumsi klasik asumsi
kenormalan, asumsi heterokedastisitas, asumsi autokorelasi dan asumsi multikolinieritas dan uji statistik uji F dan uji t.
6.1.1. Uji Ekonometrika
a. Uji Normalitas
Untuk mengetahui kenormalan data dapat dilihat dari grafik Kolmogorof- Smirnov
Lampiran 5. Nilai statistik uji Kolmogorov-Smirnov KS
hitung
yang didapatkan adalah sebesar 0,101. Nilai ini lebih kecil jika dibandingkan dengan
KS
tabel
sebesar 0,196 dengan menggunakan selang kepercayaan 95 persen. Selain itu, nilai P-Value yang didapat yaitu 0,15 lebih besar dari taraf nyata lima persen.
Dari kedua hasil tersebut dapat dikatakan residual model produksi CPO terdistribusi normal.
b. Uji Heteroskedastisitas
Asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan White Heteroskedasticity Test. Uji heteroskedastisitas digunakan
untuk melihat apakah model regresi memenuhi asumsi klasik bahwa model memiliki gangguan yang variansnya sama homoskedastisitas. Hasil uji
heteroskedastisitasdapat dilihat pada Lampiran 6. Nilai probabilitas ObsSquared white heteroskedasticity
pada persamaan produksi CPO sebesar 0,234 lebih besar dari taraf nyata yang digunakan yaitu lima persen. Artinya, pada persamaan
produksi CPO tidak terdapat masalah heteroskedastisitas. c.
Uji Autokorelasi Suatu asumsi penting dari model linier klasik adalah tidak adanya
autokorelasi atau kondisi yang berurutan di antara gangguan yang masuk ke
58 dalam fungsi regresi populasi. Secara sederhana dapat dikatakan model klasik
mengasumsikan bahwa unsur gangguan yang berhubungan dengan observasi tidak dipengaruhi oleh unsur disturbunsi atau gangguan yang berhubungan dengan
pengamatan lain yang manapun. Untuk mengetahui ada atau tidaknya masalah autokorelasi, maka dilakukan uji Durbin Watson. Uji Durbin Watson DW
memiliki batas atas dan batas bawah. Berdasarkan tabel DW n 48, k 6 dan α 0,05 didapatkan nilai batas atas
1,84 dan batas bawah adalah 1,24. Jika statistik DW lebih besar dari batas atas U, maka tidak terdapat autokorelasi positif, apabila statistik DW lebih kecil dari
batas bawah L maka terdapat autokorelasi positif. Jika nilai statistik berada di antara batas atas U dan bawah L d
L
≤ d ≥ d
U
maka tidak diketahui apakah terdapat autokorelasi positif atau pengujian tidak meyakinkan. Dari nilai statistik
model produksi CPO diperoleh nilai sebesar 1,38509 maka tidak diketahui apakah terdapat masalah autokorelasi dalam model. Untuk meyakinkan hasil pengujian
dilakukan pemeriksaan terhadap plot residual autokorelasi Lampiran 7. Dari hasil plot tersebut memberikan indikasi bahwa semuanya berada dalam dua batas
galat baku garis putus-putus. Sehingga dapat disimpulkan bahwa korelasi serial telah dieleminasi.
d. Uji Multikolinieritas
Masalah yang biasa ditemui ketika menggunakan data time series adalah masalah multikolinearitas. Multikolinearitas muncul jika dua atau lebih peubah
atau kombinasi peubah bebas berkorelasi tinggi antara peubah yang satu dengan yang lainnya. Jika terdapat peubah bebas yang saling berkorelasi dengan peubah
bebas lainnya, dugaan parameter koefisien regresi dengan metode OLS masih mungkin dapat diperoleh, tapi interpretasinya menjadi sulit. Multikolinearitas
berimplikasi bahwa sangat sedikit data dalam sampel yang nilai peubah bebasnya sama, kapan saja perubahan terjadi dalam suatu peubah bebas yang
berkolinearitas, maka pengamatan peubah bebas lainnya yang berpasangan kemungkinan akan berubah juga sesuai arah kolinearitasnya.
Salah satu cara untuk mendeteksi adanya multikolienaritas adalah dengan melihat nilai VIF nya dan uji korelasi Pearson. Jika angka VIF 10 maka model
yang diperoleh terkena asumsi multikolinieritas pada peubah bebasnya. Hasil dari
59 regresi awal pada Lampiran 4 menunjukkan bahwa variabel jumlah TBS X1,
tenaga kerja X2, jam mesin X3, air X4, dan suplai listrik X6 memiliki angka VIF 10, dengan kata lain model persamaan fungsi produksi CPO belum
bebas dari asumsi multikolinieritas. Berdasarkan uji korelasi Pearson juga terlihat bahwa kelima variabel tersebut memiliki nilai korelasi yang kuat hingga
mendekati satu Lampiran 8. Masalah multikolinieritas dapat diatasi salah satunya dengan metode
regresi komponen utamaPrincipal Component Analisys PCA tanpa mengurangi variabel bebasnya. Dengan kata lain analisis komponen utama ini mampu
mempertahankan sebagian besar informasi yang terkandung pada data asal. Regresi komponen utama mentransformasikan peubah-peubah bebas yang
berkorelasi menjadi peubah-peubah baru tidak berkorelasi sehingga peubah- peubah menjadi sederhana dan multikolinearitas teratasi. Hasil dari regresi
komponen utama dapat dilihat pada Tabel 15.
6.1.2. Uji Statistik