Pengujian Fungsi Produksi Usaha Penggemukan Sapi Potong

sama juga ditunjukkan pada variabel Tenaga Kerja, dimana untuk variabel tersebut nilai standar deviasinya juga lebih kecil dibandingkan nilai rata-ratanya. Sedangkan untuk variabel jumlah konsentrat dan tenaga kerja nilai standar deviasinya lebih besar dari nilai rata-ratanya, yang berarti data cukup bervariasi. Namun dalam analisis produksi sudah menggunakan log atau ln, sehingga data sudah dinormalisasi dan menjadi lebih baik.

7.1.2. Pengujian Fungsi Produksi Usaha Penggemukan Sapi Potong

Bentuk fungsi produksi harus dapat menggambarkan dan mendekati keadaan sebenarnya, mudah diukur atau dihitung secara statistik serta dapat dengan mudah diartikan, khususnya arti ekonomi dari parameter yang menyusun fungsi produksi tersebut Soekartawi et al. 1986. Sebelum melakukan estimasi maximum likelihood , maka terlebih dahulu dilakukan penentuan garis penduga dengan metode kuadrat terkecil ordinary least square yang memenuhi kriteria Best Linier Unbiased Estimator BLUE. Pengujian model dengan uji asumsi OLS Ordinary Least Square didapatkan bahwa model produksi usaha penggemukan sapi potong yang dibangun sudah menghasilkan estimator yang Best, Linear, Unbiased Estimator BLUE, dan hasil pengujian ditampilkan pada Lampiran 2, 3 dan 4. OLS akan bersifat BLUE jika memenuhi asumsi-asumsinya. Untuk mendapatkan model estimasi yang baik maka perlu dilakukan beberapa pengujian, diantaranya : uji normalitas, multikolinearitas, dan heterokedastisitas. Uji normalitas dilakukan dengan uji normal p-plot, yaitu dengan melihat penyebaran data titik pengamatan pada sumbu diagonal grafik. Jika data menyebar normal disekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas. Semakin dekat garis pengamatan dengan garis aktual berarti residualnya semakin kecil dan semakin bagus model tersebut. Hasil yang diperoleh bahwa data meyebar normal mengikuti garis diagonal, dimana garis pengamatan berada dekat atau disekitar garis aktual. Multikolinearitas adalah situasi adanya hubungan antara variabel- variabel independen diantara satu dengan yang lainnya atau adanya hubungan yang sempurna antara beberapa atau semua variabel bebas X dalam model regresi yang digunakan. Salah satu cara untuk mendeteksi masalah multikolinearitas dalam sebuah model dapat menggunakan Variance Inflation Factor VIF. Jika nilai VIF semakin besar maka diduga ada multikolinearitas. Multikolinearitas yang serius dalam model jika nilai Variance Inflation Factor VIF lebih besar dari 10 Widarjono, 2007. Hasil pengujian menunjukkan bahwa nilai VIF untuk masing-masing input adalah lebih kecil dari 10, yang berarti tidak terdapat multikolinearitas dalam model. Pengujian heterokedastisitas dimaksudkan untuk melihat bahwa variabel gangguan semuanya mempunyai varians yang sama. Jika asumsi ini tidak dipenuhi maka terdapat heterokedastisitas. Heterokedastisitas bertentangan dengan salah satu asumsi dasar regresi linier, yaitu bahwa variabel residual sama untuk semua pengamatan homoskedastisitas, dan penaksir ini tidak lagi mempunyai varians minimum atau efisien atau dengan kata lain estimasi koefisien menjadi kurang akurat jika terjadi heterokedastisitas. Cara yang paling cepat dan dapat digunakan untuk menguji masalah heterokedastisitas adalah dengan mendeteksi pola residual melalui sebuah grafik. Jika residual mempunyai varians yang sama maka pola residual akan menyebar, dan sebaliknya jika ada heterokedastisitas maka residual menunjukkan pola tertentu. Hasil pengujian menunjukkan bahwa varian dari variabel gangguan adalah sama homoskedastisitas.

7.1.3. Pendugaan Fungsi Produksi Usaha Penggemukan Sapi Potong