BAB IV ANALISIS DATA
6.2. Analisis Hasil Regresi dan Pengujian Hipotesis
Spesifikasi model untuk menentukan bentuk suatu fungsi suatu model empirik dinyatakan dalam bentuk linier ataukah nonlinier dalam suatu penelitian, maka dalam penelitian ini juga akan dilakukan uji tersebut. Dalam penelitian kali ini, peneliti akan menggunakan uji MacKinnon, White, Davidson (MWD test). Hasil estimasi dari uji MWD dapat dilihat di bawah ini:
Tabel 6.6 Hasil Uji MWD
Variabel Nilai Statistik t
Nilai Tabel t α
(=5%) Probabilitas
Z1 13,46416 1,658 0,0000
Z2 -1,359798 1,658 0,1771
Sumber: Data diolah dengan Eviews (lampiran)
Berdasarkan dari hasil regresi di atas, maka dapat disimpulkan bahwa dengan menggunakan uji MWD ditemukan adanya perbedaan antara kedua bentuk fungsi model empiris (linier dengan log - linier).
Dengan derajat kepercayaan 95% (α = 5%) bentuk fungsi model empiris linier tidak bisa digunakan untuk analisis karena Z1 signifikan sedangkan untuk log linear bisa digunakan untuk analisis karena Z2 tidak signifikan secara statistik.
6.2.2. Hasil Regresi
Tabel 6.7
Hasil Regresi LogLinear Dependent Variable: LOG(Y)
Method: Least Squares Date: 09/26/07 Time: 14:07 Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
LOG(X1) -0.033245 0.014276 -2.328768 0.0220
LOG(X2) -0.001583 0.015466 -0.102368 0.9187
LOG(X3) 0.956544 0.018464 51.80643 0.0000
DM -0.051521 0.019951 -2.582334 0.0113
C 3.308057 0.200084 16.53334 0.0000
R-squared 0.990817 Mean dependent var 10.56886
Adjusted R-squared 0.990430 S.D. dependent var 0.593124 S.E. of regression 0.058022 Akaike info criterion -2.807267
Sum squared resid 0.319827 Schwarz criterion -2.677009
Log likelihood 145.3634 F-statistic 2562.521
Durbin-Watson stat 1.902686 Prob(F-statistic) 0.000000
Sumber: Data diolah dengan Eviews (lampiran)
Dari hasil regresi tersebut di atas dapat dihasilkan persamaan regresi sebagai berikut : E Dm LogX LogX LogX LogY =3,308057−0,033245 1 −0,001583 2 +0,956544 3 −0,051521 + ) 53334 , 16 ( (−2,328768) (-0.102368) (51.80643) (-2.582334) R-squared = 0,990817 Adjusted R-squared = 0,990430 F-statistic = 2562,521 Di mana :
Y adalah rata – rata pendapatan kotor pengusaha ayam potong (Rupish/bulan) X1 adalah jumlah pesaing usaha menurut persepsi sampel (Unit usaha)
X2 adalah biaya transportasi perbulan (Rupiah/bulan) X3 adalah jumlah ayam terjual (Kilogram/bulan)
Dm adalah dummy variabel pengaruh flu burung terhadap usaha menurut persepsi sample
6.2.3 Analisisi Statistik
Untuk menentukan parameter dalam model, metode yang digunakan adalah Ordinary Least Square (OLS). Dengan metode ini diharapkan dapat diperoleh penaksiran tidak bias linier terbaik (Best Linear Unbiased
Estimator / BLUE), pada dasarnya isi dari metode tersebut adalah
penentuan normal melalui peminimuman jumlah error kuadrat. 1. Uji Tanda
Berdasarkan hasil pengolahan data yang telah dilakukan menunjukkan bahwa variabel independen yaitu jumlah pesaing, biaya transport dan dummy variabel flu burung mempunyai koefisien regresi negatif. Hal ini menunjukkan suatu hubungan negatif antara variabel independen
dan variabel dependen (pendapatan pengusaha ayam potong) artinya jika terjadi peningkatan dalam jumlah pesaing, biaya transport dan pengaruh flu burung maka pendapatan pengusaha ayam potong akan menurun.
Sedangkan variabel independen jumlah ayam terjual memiliki koefisien regresi positif. Hal ini menunjukkan suatu hubungan positif antara variabel independen dan variabel dependen (pendapatan pengusaha ayam potong) yang berarti jika terjadi peningkatan dalam
jumlah ayam yang terjual maka pendapatan pengusaha ayam potong juga akan meningkat.
2. Pengujian Hipotesisi Secara Parsial
Pengujian secara parsial dilakukan dengan menggunakan uji t statistik satu sisi terhadap masing-masing variabel independen, dari hasil pengujuan regresi didapat nilai t hitung dari masing-masing variabel
independen untuk selanjutnya dibandingkan dengan nilai t tabel. Cara
yang dilakukan untuk menentukan t tabel adalah : T tabel = α df (n-k)
Di mana :
α adalah tingkat signifikansi df adalah derajat bebas n adalah jumlah data
k adalah jumlah variabel independen yang digunakan termasuk konstanta kemudian dicari pada tabel t
Dengan demikian dapat ditentukan nilai t tabel yang dipakai dalam penelitian ini, dengan menggunakan tingkat signifikansi sebesar 0,05 dan derajat bebas (100-5) sebesar 95 maka nilai t tabel didapat 1,658. Apabila nilai t hitung > t tabel; maka variabel independen berpengaruh secara signifikan terhadap variabel dependen, dan sebaliknya jika t hitung < t tabel; berarti variabel independen tidak signifikan mempengaruhi variabel dependen.
Dari hasil pengujian regresi didapat t hitung seperti tercantum dalam tabel berikut:
Tabel 6.8
Nilai t Hitung Tiap Variabel Bebas
Variabel t-hitung t-tabel Keterangan
X1 |-2,328768| |-1,658| Signifikan X2 |-0,102368| |-1,658| Tidak signifikan X3 51,806434 1,658 Signifikan Dm |-2,582334| |-1,658| Signifikan
Sumber : Data priner diolah
2.1Uji t-Statistik terhadap variabel jumlah pesaing (β1) Hipotesanya
Bila Ho : β1≤ 0 Variabel jumlah pesaing tidak berpengaruh secara signifikan terhadap variabel pendapatan pengusaha ayam potong.
Bila Ha : β1 > 0 Variabel jumlah pesaing berpengaruh secara negatif dan signifikan terhadap variabel pendapatan pengusaha ayam potong.
Jika t hitung < t tabel, maka Ho diterima, berarti variabel independen secara individual tidak berpengaruh signifikan terhadap variabel dependen.
Jika t hitung > t tabel, maka Ho ditolak, berarti variabel independen secara individual berpengaruh secara negatif dan signifikan terhadap variabel dependen.
Derajat kebebasan α = 0,05 dan df = 95 (100 - 5) Nilai t tabel = 1,658 ; t hitung = -2,328768
Karena nilai t hitung > t tabel atau │-2,328768 │> │-1,658│ maka Ho ditolak, sehingga jumlah pesaing berpengaruh negatif dan signifikan terhadap pendapatan pengusaha ayam potong.
Gambar 6.1
Kurva Uji t-Statistik Variabel Jumlah Pesaing
Daerah Ho diterima Daerah Ho ditolak │-1,658│ │-2,328768│
2.2Uji t-Statistik terhadap variabel biaya transportasi (β2) Hipotesanya
Bila Ho : β2≤ 0 Variabel biaya transportasi tidak berpengaruh secara signifikan terhadap variabel pendapatan pengusaha ayam potong.
Bila Ha : β2 > 0 Variabel biaya transportasi berpengaruh secara negatif dan signifikan terhadap variabel pendapatan pengusaha ayam potong.
Jika t hitung < t tabel, maka Ho diterima, berarti variabel independen secara individual tidak berpengaruh signifikan terhadap variabel dependen.
Jika t hitung > t tabel, maka Ho ditolak, berarti variabel independen secara individual berpengaruh secara negatif dan signifikan terhadap variabel dependen.
Derajat kebebasan α = 0,05 dan df = 95 (100-5) Nilai t tabel = 1,658 ; t hitung = -0,102368
Karena nilai t hitung < t tabel atau │-0,102368│ < │ -1,658 │ maka Ho ditolak, sehingga biaya transportasi berpengaruh secara negatif namun tidak signifikan terhadap pendapatan pengusaha ayam potong.
Gambar 6.2
Kurva Uji t-Statistik Variabel biaya transportasi
Daerah Ho diterima Daerah Ho ditolak │-0,102368│ │- 1,658│
2.3Uji t-Statistik terhadap variabel jumlah ayam terjual (β3) Hipotesanya
Bila Ho : β3 ≤ 0 Variabel jumlah ayam terjual tidak berpengaruh secara signifikan terhadap variabel pendapatan pengusaha ayam potong.
Bila Ha : β3 > 0 Variabel jumlah ayam terjual berpengaruh secara positif dan signifikan terhadap variabel pendapatan pengusaha ayam potong.
Jika t hitung < t tabel, maka Ho diterima, berarti variabel independen secara individual tidak berpengaruh signifikan terhadap variabel dependen.
Jika t hitung > t tabel, maka Ho ditolak, berarti variabel independen secara individual berpengaruh secara positif dan signifikan terhadap variabel dependen.
Derajat kebebasan α = 0,05 dan df = 95 (100-5) Nilai t tabel = 1,658 ; t hitung = 51,80643
Karena nilai t hitung > t tabel atau 51,80643 > 1,658 maka Ho ditolak, sehingga jumlah ayam terjual berpengaruh positif dan signifikan terhadap pendapatan pengusaha ayam potong.
Gambar 6.3
Kurva Uji t-Statistik Variabel Jumlah Ayam Terjual
1,658 51,8064 Daerah Ho ditolak Daerah
2.4Uji t-Statistik terhadap variabel dummy variabel pengaruh flu burung (β4)
Hipotesanya
Bila Ho : β4 ≤ 0 Variabel pengaruh flu burung tidak berpengaruh terhadap variabel pendapatan pengusaha ayam potong. Bila Ha : β4 > 0 Variabel pengaruh flu burung berpengaruh secara
negatif dan signifikan terhadap variabel pendapatan pengusaha ayam potong.
Jika t hitung < t tabel, maka Ho diterima, berarti variabel independen secara individual tidak berpengaruh signifikan terhadap variabel dependen.
Jika t hitung > t tabel, maka Ho ditolak, berarti variabel independen secara individual berpengaruh secara negatif dan signifikan terhadap variabel dependen.
Derajat kebebasan α = 0,05 dan df = 95 (100-5) Nilai t tabel = 1,658 ; t hitung = -2,582334
Karena nilai t hitung > t tabel atau │-2,582334│ >│-1,658│ maka Ho ditolak, sehingga jumlah pesaing berpengaruh negatif dan signifikan terhadap pendapatan pengusaha ayam potong.
Gambar 6.4
Kurva Uji t-Statistik Variabel Dummy
Daerah Ho diterima Daerah Ho ditolak │-2,582334│ │-1,658│ 6.2.4. Uji F-Statistik
Uji F-statistik digunakan untuk mengetahui hubungan antara variabel independent secara bersama-sama terhadap variabel dependen. Pengujian F-statistik ini dilakukan dengan cara membandingkan antara F-hitung dengan F-tabel. (Gujarati, 2003)
F-hitung = ) /( ) 1 ( ) /( 2 2 k n R I k R − − − F-tabel = ( α : k-1, n-k ) α = 5 %, ( 5 - 1= 4 ; 100 - 5 = 95 )
Jika F-tabel < F-hitung berarti Ho ditolak atau variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel independen, tetapi jika F-tabel ≥ F-hitung berarti Ho diterima atau variabel independen secara bersama-sama tidak berpengaruh signifikan terhadap variabel dependen.
Hipotesis yang digunakan adalah :
Ho : β1 = β2 = β3 = 0, berarti variabel independen secara keseluruhan tidak berpengaruh terhadap variabel independen.
Ha : β1 ≠ β2 ≠ β3 ≠ 0, berarti variabel independen secara keseluruhan berpengaruh terhadap variabel independen.
Hasil perhitungan yang didapat adalah F-hitung = 2562,521 sedangkan F-tabel = 2,53 ( α = 0,05 ; 4, 95),sehingga hitung > F-tabel (2562,521 > 2,53 ).
Perbandingan antara F-hitung dengan F-tabel yang menunjukkan bahwa F-hitung > F-tabel, menandakan bahwa variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen, sehingga bahwa variabel jumlah pesaing (X1), biaya transportasi (X2) dan jumlah ayam terjual (X3) serta dummy variabel flu burung secara bersama-sama berpengaruh signifikan terhadap pendpatan pengusaha ayam potong.
6.2.5. Penaksiran Koefisien Determinasi (R²)
Untuk mengukur koefisien garis regresi dengan sebaran data/dengan kata lain R² digunakan untuk mengukur proporsi/prosentase dari variasi total variabel dependen yang mampu dijelaskan oleh model regresi yang diperoleh. Dari hasil R² 0,990817 artinya variabel independen (jumlah pesaing, biaya transportasi dan jumlah ayam terjual serta dummy ) variabel adanya flu burung mampu menjelaskan variasi total variabel dependen (pendapatan
pengusaha ayam potong) sebesar 99,08 % sedangkan sisanya dijelaskan oleh variabel lain.
6.3. Pengujian Asumsi Klasik
Adanya penyimpangan terhadap asumsi klasik tersebut di atas akan menyebabkan uji statistik (uji t-statistik dan f-statistik) yang dilakukan menjadi tidak valid dan secara statistik akan mengacaukan kesimpulan yang diperoleh.
6.3.1. Uji Heteroskedastisitas
Heteroskedastisitas adalah keadaan dimana faktor gangguan tidak memiliki varian yang sama. Pengujian terhadap gejala heteroskedastisitas dapat dilakukan dengan melakukan White Test, yaitu dengan cara meregresi residual kuadrat ( Ui2 ) dengan variabel bebas, variabel bebas kuadrat dan perkalian variabel bebas. Dapatkan nilai R2 untuk menghitung χ2, di mana χ2 = Obs*R square (Gujarati, 2003).
Uji Hipotesis untuk menetukan ada tidaknya heterokedastisitas. Ho : ρ1 = ρ2 = ....= ρq= 0 , Tidak ada heterokedastisitas
Ha : ρ1 ≠ρ2≠....≠ρq≠ 0 , Ada heterokedastisitas
Hasil perhitungan yang didapat adalah Obs*R square ( χ2 -hitung ) = 18,37865 sedangkan χ2 -tabel = 23,6848 ( df =14 ,α = 0,05 ), sehingga χ2 -hitung < χ2 –tabel (18,37865 < 23,6848). Perbandingan antara χ2 -hitung dengan χ2 –tabel, yang menunjukkan bahwa χ2 -hitung <
χ2 –tabel, berarti Ho tidak dapat ditolak. Dari hasil uji White Test tersebut dapat disimpulkan bahwa tidak ada heterokedastisitas
Tabel 6.9 Hasil Uji White Test White Heteroskedasticity Test:
F-statistic 1.489584 Probability 0.137812
Obs*R-squared 18.37865 Probability 0.143664
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Date: 09/26/07 Time: 14:03 Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
C 0.398615 0.436123 0.913996 0.3633 LOG(X1) -0.050545 0.045411 -1.113071 0.2688 (LOG(X1))^2 0.004166 0.002221 1.875308 0.0641 (LOG(X1))*(LOG(X2)) -0.002518 0.002752 -0.915025 0.3627 (LOG(X1))*(LOG(X3)) 0.005909 0.003993 1.480069 0.1425 (LOG(X1))*DM 0.003192 0.003541 0.901244 0.3700 LOG(X2) -0.040104 0.054496 -0.735906 0.4638 (LOG(X2))^2 0.002844 0.002578 1.103365 0.2729 (LOG(X2))*(LOG(X3)) -3.04E-06 0.004319 -0.000704 0.9994 (LOG(X2))*DM -0.000104 0.004381 -0.023758 0.9811 LOG(X3) -0.039991 0.068406 -0.584615 0.5603 (LOG(X3))^2 0.001476 0.003753 0.393254 0.6951 (LOG(X3))*DM 0.001565 0.008089 0.193424 0.8471 DM -0.019593 0.070736 -0.276980 0.7825
R-squared 0.183787 Mean dependent var 0.003198
Adjusted R-squared 0.060405 S.D. dependent var 0.004353 S.E. of regression 0.004219 Akaike info criterion -7.969138
Sum squared resid 0.001531 Schwarz criterion -7.604414
Log likelihood 412.4569 F-statistic 1.489584
Durbin-Watson stat 2.046813 Prob(F-statistic) 0.137812
6.3.2. Uji Autokorelasi
Secara harfiah autokorelasi berarti adanya korelasi antara anggota observasi satu dengan observasi lain yang berlainan waktu. Dalam kaitannya dengan asumsi OLS, autokorelasi merupakan korelasi antara satu residual dengan residual yang lain. Pengujian terhadap gejala autokorelasi dapat dilakukan dengan uji Durbin-Watson atau dengan uji LM Test yang dikembangkan oleh Bruesch-godfrey,dimana uji LM Test bisa dikatakan sebagai uji autokorelasi yang paling akurat ( Kuncoro, 2001 : 107), apalagi jika sampel yang digunakan dalam jumlah yang besar (misalnya diatas 100). Uji ini dilakukan dengan memasukkan lagnya, dari hasil uji autokorelasi
Serial Correlation LM Test Lag.
Uji Lagrange Multiplier ( LM Test ).
Uji Hipotesis untuk menetukan ada tidaknya autokorelasi. Ho : ρ1 = ρ2 = ....= ρq= 0 , Tidak ada autokorelasi
Ha : ρ1 ≠ρ2≠....≠ρq≠ 0 , Ada autokorelasi
Hasil perhitungan yang didapat adalah Obs*R square ( χ2 -hitung ) = 6,586913 sedangkan χ2 -tabel = 7,81473 ( df = 3 ,α = 0,05 ), sehingga χ2 -hitung < χ2 –tabel (6,586913< 7,81473 ). Perbandingan antara χ2 -hitung dengan χ2 –tabel, yang menunjukkan bahwa χ2 -hitung <
χ2 –tabel, berarti Ho tidak dapat ditolak. Dari hasil uji LM tersebut dapat disimpulkan bahwa tidak ada autokorelasi.
Tabel 6.10 Hasil Uji LM Test Breusch-Godfrey Serial Correlation LM Test:
F-statistic 2.162424 Probability 0.097786
Obs*R-squared 6.586913 Probability 0.086297
Test Equation:
Dependent Variable: RESID Method: Least Squares Date: 09/26/07 Time: 14:04
Variable Coefficient Std. Error t-Statistic Prob.
LOG(X1) 0.002392 0.014184 0.168632 0.8665 LOG(X2) 0.003344 0.015499 0.215741 0.8297 LOG(X3) 0.007157 0.018754 0.381626 0.7036 DM 0.007340 0.020019 0.366678 0.7147 C -0.095004 0.201284 -0.471991 0.6381 RESID(-1) 0.033103 0.105833 0.312786 0.7552 RESID(-2) -0.191287 0.102204 -1.871616 0.0644 RESID(-3) -0.162931 0.105188 -1.548951 0.1248
R-squared 0.065869 Mean dependent var 2.29E-15
Adjusted R-squared -0.005206 S.D. dependent var 0.056838 S.E. of regression 0.056986 Akaike info criterion -2.815406
Sum squared resid 0.298761 Schwarz criterion -2.606992
Log likelihood 148.7703 F-statistic 0.926753
Durbin-Watson stat 2.005873 Prob(F-statistic) 0.489770
Sumber: Data diolah dengan Eviews (lampiran)
6.3.3. Uji Multikolinieritas
Multikolinieritas adalah hubungan yang terjadi diantara variabel-variabel independen atau variabel independen yang satu fungsi dari variabel independen yang lain. Pengujian terhadap gejala multikolinieritas dapat dilakukan dengan membandingkan koefisien determinasi parsial (r2) dengan koefisien determinasi majemuk (R2), jika r2 lebih kecil dari R2 maka tidak ada multikolinieritas.
Tabel 6.11
Hasil Pengujian Multikolinearitas
Variabel r2 R2 Keterangan
X1 dengan X2, X3,
DM 0,376075 0,990817 Tidak ada multikolinieritas X2 dengan X1, X3,
DM 0,056871 0,990817 Tidak ada multikolinieritas X3 dengan X1, X2,
DM 0,709709 0,990817 Tidak ada multikolinieritas DM dengan X1, X2,
X3 0,623095 0,990817 Tidak ada multikolinieritas
Sumber: Data diolah dengan Eviews (lampiran)
Hasil dari uji klien diatas menunjukkan bahwa tidak terdapat multikolenieritas dimana seluruh nilai r2 lebih kecil dibandingkan nilai R2.