BAB II. TINJAUAN PUSTAKA, LANDASAN TEORI, KERANGKA
2.5. Hipotesis Penelitian
Berdasarkan uraian yang telah dikemukakan, dugaan sementara atau hipotesis dalam penelitian ini adalah :
1. Faktor-faktor seperti harga daging ayam broiler, harga telur ayam ras, pendapatan perkapita, dan jumlah penduduk berpengaruh nyata terhadap permintaan daging ayam broiler di Sumatera Utara.
2. Permintaan daging ayam broiler di Sumatera Utara terhadap harga dan pendapatan bersifat elastis.
Keterangan :
: Mempengaruhi / hubungan
: Faktor-faktor yang mempengaruhi
Permintaan Daging Ayam Broiler Harga Daging Ayam Broiler
Harga Telur Ayam Ras Pendapatan Perkapita Jumlah Penduduk
BAB III
METODE PENELITIAN
3.1. Metode Penentuan Daerah Penelitian
Daerah penelitian dipilih secara purposive (sengaja) yaitu Provinsi Sumatera Utara dengan pertimbangan selain karena agar mudah dijangkau dalam memperoleh data juga karena Provinsi Sumatera Utara merupakan salah satu sentra produksi daging ayam broiler di Indonesia seperti yang tersaji pada tabel 3.
Dari data yang disajikan pada tabel 3, terlihat bahwa secara nasional sentra produksi daging ayam broiler di Indonesia berturut-turut berada di Provinsi Jawa Barat, Jawa Timur, Banten , DKI Jakarta, Jawa Tengah, dan Sumatera Utara. Dan untuk Pulau Sumatera sendiri, Provinsi Sumatera Utara menempati urutan pertama.
Tabel 3. Produksi Daging Ayam Broiler Tahun 2010-2012 dalam Ton (Menurut
*) Angka Sementara / Preliminary Figures
Sumber : Buku Statistik Peternakan dan Kesehatan Hewan 2012 (http://ditjennak.deptan.go.id)
3.2. Metode Pengumpulan Data
Data yang digunakan dalam penelitan ini adalah data sekunder berupa data panel, yaitu gabungan data runtut waktu (time series) dari tahun 1998 hingga 2011. Data sekunder ini diperoleh dari instansi dan dinas terkait seperti Dinas Peternakan dan Kesehatan Hewan Provinsi Sumatera Utara, Badan Pusat Statistik (BPS) Provinsi Sumatera Utara, serta literatur-literatur lain seperti jurnal dan hasil penelitian yang relevan dengan penelitian ini.
3.3. Metode Analisis Data
Data yang diperoleh ditabulasi kemudian dilakukan analisis. Analisis yang dilakukan adalah analisis regresi linier berganda dan analisis respon (elastisitas).
Variabel yang digunakan dalam penelitian ini adalah variabel-variabel ekonomi yang terdapat dalam persamaan model. Sebagai variabel terikat (dependent variable) adalah permintaan daging ayam broiler di Sumatera Utara. Sedangkan variabel bebas (independent variable) adalah harga daging ayam broiler, harga telur ayam ras (barang substitusi), pendapatan perkapita, dan jumlah penduduk.
3.3.1. Analisis Regresi Linier Berganda
Untuk menguji hipotesis pertama, dilakukan analisis Regresi Linier Berganda (multiple regresion) dengan 5 (lima) variabel, yaitu 1 (satu) variabel terikat dan 4 (empat) variabel bebas. Analisis ini menggunakan metode OLS (Ordinary Least Square) dengan bantuan program SPSS 18. Pada penelitian ini digunakan dua model untuk menggambarkan permintaan daging ayam broiler di Sumatera Utara.
Model pertama adalah model linier berganda tanpa log:
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + e
Sedangkan model kedua dalam bentuk logaritma natural dua sisi (double log) yang merupakan transformasi dari model Cobb-Douglas:
ln Y = ln β0+ β1 ln X1 + β2 ln X2 + β3 ln X3 +β4 ln X4 + e
Keteangan :
Y = Jumlah permintaan daging ayam broiler (kg/thn) β0 = Nilai konstanta (intercept)
β1s/d β4 = Koefisien regresi variabel bebas X1 = Harga daging ayam broiler (Rp/kg) X2 = Harga telur ayam ras (Rp/butir) X3 = Pendapatan Perkapita (Rp) X4 = Jumlah penduduk (jiwa) e = Kesalahan pengganggu (error)
Setelah kedua model dianalisis kemudian dipilih model yang terbaik dengan membandingkan nilai Adjusted R. Square (R2) yang terbesar. Selanjutnya dilakukan beberapa pengujian agar mendapatkan model terbaik yang dapat merepresentasikan permintaan daging ayam secara baik. Beberapa uji yang akan dilakukan adalah sebagai berikut:
3.3.1.1. Uji Asumsi Klasik
Agar mendapatkan model yang terbaik dalam regresi linier berganda harus memenuhi beberapa asumsi yang disebut dengan asumsi klasik. Asumsi-asumsi tersebut yaitu autokorelasi, multikolinearitas, normalitas, dan heterokedastisitas.
Autokorelasi
Gujarati (1997) menyebutkan bahwa suatu model dikatakan terdapat autokolerasi jika terdapat korelasi serial diantara variabel pengganggu, sehingga penaksir tidak lagi efisien baik dalam sampel kecil maupun besar. Autokorelasi ini sering terjadi
pada analisis yang menggunakan data time series. Salah satu metode untuk mendeteksi ada tidaknya autokolerasi adalah dengan Uji d Durbin Watson (Durbin-Watson d test).
Senjutnya Nachrowi dan Usman (2008) mengatakan bahwa uji Durbin-Watson dilakukan dengan menggunakan Tabel Durbin-Watson dengan melihat perbandingan nilai Watson hasil perhitungan (dw) dengan nilai Durbin-Watson tabel (dL dan dU).
Dengan kriteria pengambilan keputusan sebagai berikut : 1) Bila dw < dL→ artinya ada autokorelasi yang positif.
2) Bila dL ≤ dw ≤ dU → artinya tidak dapat mengambil kesimpulan apa-apa (berada pada daerah ketidakpastian).
3) Bila dU≤ dw ≤ 4 – dU → artinya tidak ada korelasi positif maupun negatif.
4) Bila 4 – dU≤ dw ≤ 4 – dL → artinya tidak dapat mengambil kesimpulan apa-apa (berada pada daerah ketidakpastian).
5) Bila dw > 4 – dL→ artinya ada autokorelasi yang negatif.
Multikolinearitas
Multikolinieritas adalah keadaan dimana antara dua variable bebas atau lebih pada model regresi terjadi hubungan linier yang sempurna atau mendekati sempurna.
Model regresi yang baik mensyaratkan tidak adanya masalah mutikolinearitas.
Dampak adanya multikolinearitas antara lain: nilai standard error untuk masing-masing koefisien menjadi tinggi, sehingga t-hitung menjadi rendah; standard error of estimate akan semakin tinggi dengan bertambahnya variable bebas; serta pengaruh masing-masing variabel bebas sulit dideteksi (Priyatno, 2009).
Salah satu cara untuk mendeteksi ada tidaknya multikolinearitas yaitu dengan melihat nilai Tolerance dan VIF. Dalam kebanyakan penelitian menyebutkan bahwa jika Tolerance lebih besar dari 0,1 dan VIF kurang dari 10 maka tidak terjadi multikolinearitas.
Normalitas
Menurut Gujarati (1997), model regresi linier berganda harus mengasumsikan variabel pengganggu (residual) µi terdistribusi secara normal, yang artinya nilai µ (untuk setiap nilai Xi) menyebar simetris. Karena itu, model regresi yang baik adalah yang mengikuti garis normal. Jika asumsi ini dilanggar maka model regresi dianggap tidak valid dengan jumlah sampel yang ada.
Salah satu cara untuk mengetahui apakah variabel µi berdistribusi normal atau tidak adalah dengan Uji one-sample Kolmogorov-Smirnov dengan kriteria pengambilan keputusan yaitu jika signifikansi > 0,05 maka data berdistribusi normal, dan jika signifikansi < 0,05 maka data tidak berdistribusi normal (Priyatno, 2009).
Heteroskedastisitas
Priyatno (2009) menyatakan bahwa heteroskedastisitas adalah keadaan dimana terjadinya ketidaksamaan varian dari residual pada model regresi. Model regresi yang baik mensyaratkan tidak adanya masalah heterokedastisitas.
Heterokedastisitas menyebabkan penaksir atau estimator menjadi tidak efisien dan nilai koefisien determinasi akan menjadi sangat tinggi.
Untuk mengetahui ada tidaknya heteroskedastisitas yaitu dengan melihat pola titik-titik pada scatter plot regresi. Jika titik-titik menyebar dengan pola yang
tidak jelas di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi masalah heterokedastisitas pada model regresi (Priyatno, 2009).
3.3.1.2. Uji Kesesuaian Model (Goodness of Fit)
Untuk dapat memperoleh hasil regresi yang terbaik secara statistik yang disebut BLUE (Best Linear Unbiased Estimator) maka ada beberapa uji siatistik yang harus dipenuhi yaitu Analisis Koefisien Determinasi (R2), Uji-F (uji simultan), dan Uji-T (uji parsial).
Analisis Koefisien Determinasi (R2)
Koefisien Determinasi (R2) digunakan untuk melihat kekuatan variabel bebas dalam mempengaruhi kekuatan variabel terikat. Koefisien determinasi mempunyai range antar nol sampai satu (0 ≤ R 2 ≤ 1), semakin besar R2 (mendekati satu) maka semakin baik, dan semakin mendekati nol maka variabel bebas secara keseluruhan tidak bisa menjelaskan permintaan daging ayam broiler.
Uji – F (Uji Simultan)
Uji-F digunakan untuk menguji apakah sekelompok variabel bebas secara bersama-sama berpengaruh nyata terhadap permintaan daging ayam broiler sebagai variabel terikat. Hipotesis yang diajukan adalah:
H0 : variabel bebas secara bersama-sama tidak memiliki pengaruh yang nyata terhadap variabel terikat.
H1 : variabel bebas secara bersama-sama memiliki pengaruh yang nyata terhadap variabel terikat.
Pengujian hipotesis dapat dilakukan dengan cara membandingkan nilai F hitung
dengan F tabel, dengan menggunakan α sebesar 0,05 yaitu dengan kriteria:
- Jika F hitung≥ F tabel, maka H0 ditolak.
- Jika F hitung< F tabel, maka H0 diterima.
Uji – T (Uji Parsial)
Uji-T digunakan untuk menguji nyata atau tidaknya pengaruh variabel bebas secara indiviu terhadap permintaan daging ayam broiler sebagai variabel terikat.
Hipotesis yang diajukan adalah:
H0 : variabel bebas secara parsial tidak berpengaruh nyata terhadap variabel terikat.
H1 : variabel bebas secara parsial berpengaruh nyata terhadap variabel terikat.
Pengujian hipotesis dapat dilakukan dengan cara membandingkan nilai T hitung
dengan T tabel, dengan menggunakan α sebesar 0,05 yaitu dengan kriteria:
- Jika T hitung ≥ T tabel, maka H0 ditolak.
- JikaT hitung < T tabel, maka H0 diterima.
3.3.2. Analisis Elastisitas
Untuk menguji hipotesis kedua, dilakukan analisis elastisitas permintaan. Analisis elastisitas dilakukan untuk mengetahui seberapa besar perubahan jumlah permintaan daging ayam broiler di Sumatera Utara jika terjadi perubahan harga dan pendapatan.
Untuk model dalam bentuk logaritma natural dua sisi (double log) besarnya nilai elastisitas dapat langsung diperoleh dari nilai koefisien variabelnya. Karena besarnya nilai koefisien variabel tersebut sesungguhnya merupakan ukuran elastisitas Y terhadap Xi, atau dengan kata lain koefisien tersebut merupakan tingkat perubahan pada variabel Y (dalam persen) bila terjadi perubahan pada
Secara matematis, besarnya nilai elastisitas permintaan dapat dilihat sebagai berikut:
Keterangan:
E (Xi) : Nilai elastisitas permintaan βi : Nilai koefisien variabel ke-i
Kriteria yang digunakan sebagai berikut:
- Jika E (Xi) > 1, maka permintaan elastis.
- Jika E (Xi) = 1, maka permintaan uniter (elastisitas tunggal).
- Jika E (Xi) < 1, maka permintaan tidak elastis.
3.4. Definisi dan Batasan Operasional
Untuk menghidari kesalahan mengenai istilah-istilah yang terdapat dalam penelitian ini, maka dibuat definisi dan batasan operasional.
3.4.1. Definisi
1. Permintaan daging ayam adalah jumlah konsumsi daging ayam broiler Sumatera Utara per tahun, yang dinyatakan dalam satuan kg/thn.
2. Harga daging ayam broiler adalah harga rata-rata per kilogram daging ayam broiler di Sumatera Utara dalam bentuk karkas dalam satu tahun, yang dinyatakan dalam satuan Rp/kg.
3. Harga telur ayam ras adalah harga rata-rata per butir telur ayam ras di Sumatera Utara dalam satu tahun, yang dinyatakan dalam satuan Rp/butir.
𝑬𝑬 (𝑿𝑿𝒊𝒊) = 𝜷𝜷𝒊𝒊
4. Pendapatan perkapita adalah pendapatan rumah tangga yang diperoleh dari Produk Domestik Regional Bruto (PDRB) perkapita atas dasar harga konstan dalam satu tahun yang dinyatakan dalam satuan (Rp).
5. Jumlah penduduk adalah jumlah populasi penduduk Sumatera Utara yang dinyatakan dalam satuan jiwa.
3.4.2. Batasan Operasional
1. Penelitian dilaksanakan di Provinsi Sumatera Utara.
2. Penelitian mulai dilaksanakan pada tahun 2013.
3. Data yang diambil adalah data sekunder dalam kurun waktu 14 tahun, yaitu dari tahun 1998 sampai 2011.
BAB IV
DESKRIPSI DAERAH PENELITIAN DAN KARAKTERISTIK DATA
4.1. Gambaran Umum Provinsi Sumatera Utara
Provinsi Sumatera Utara terletak pada 1°-4° Lintang Utara dan 98°-100° Bujur Timur. Secara geografis batas-batas wilayah Provinsi Sumatera Utara adalah meliputi Provinsi Nangroe Aceh Darussalam di sebelah Utara, Provinsi Riau dan Sumatera Barat di sebelah Selatan, Samudera Hindia di sebelah Barat, serta Selat Malaka di sebelah Timur. Secara regional pada letak geografisnya, Provinsi Sumatera Utara berada pada jalur strategis pelayaran internasional Selat Malaka yang berdekatan dengan Singapura, Malaysia, dan Thailand.
Provinsi Sumatera Utara memiliki luas total sebesar 181.860,65 km2 yang terdiri dari luas daratan seluas 71.680,68 km2 atau 14,95% dari luas Pulau Sumatera, dan 3,73% dari seluruh luas wilayah Republik Indonesia. Serta luas lautan seluas 110.000,65 km2 yang sebagian besar berada di daratan Pulau Sumatera dan sebagian kecil berada di Pulau Nias, pulau-pulau batu serta beberapa pulau kecil, baik di perairan bagian barat maupun di bagian timur Pulau Sumatera dan memiliki perairan laut seluas 110.000 km2.
Di Provinsi Sumatera Utara terdapat kurang lebih 213 pulau yang telah memiliki nama dengan 6 pulau di wilayah Pantai Timur termasuk Pulau Berhala sebagai pulau terluar yang berbatasan dengan Selat Malaka dan sisanya 207 pulau di wilayah Pantai Barat dengan Pulau Wunga dan Pulau Simuksebagai pulau terluar di wilayah Pantai Barat.
Berdasarkan luas daerah menurut kabupaten/kota di Sumatera Utara, luas daerah terbesar adalah Kabupaten Mandailing Natal dengan luas 6.620,70 km2 atau sekitar 9,24% dari total luas Sumatera Utara, diikuti Kabupaten Langkat dengan luas 6.263,29 km2 atau 8,74% dari total luas Sumatera Utara. Kemudian Kabupaten Simalungun dengan luas 4.386,60 km2 atau sekitar 6,09% dari total luas Sumatera Utara. Sedangkan luas daerah terkecil adalah Kota Sibolga dengan luas 10,77 km2 atau sekitar 0,02% dari total luas Sumatera Utara.
Berdasarkan kondisi letak dan kondisi alam, Sumatera Utara dibagi ke dalam tiga kelompok wilayah/kawasan yaitu pantai barat, dataran tinggi, dan pantai timur.
Kawasan pantai barat meliputi Kabupaten Nias, Kabupaten Nias Utara, Kabupaten Nias Barat, Kabupaten Mandailing Natal, Kabupaten Tapanuli Selatan, Kabupaten Padang Lawas, Kabupaten Padang Lawas Utara, Kabupaten Tapanuli Tengah, Kabupaten Nias Selatan, Kota Padang Sidimpuan, Kota Sibolga, dan Kota Gunung Sitoli.
Provinsi Sumatera Utara tergolong ke dalam daerah beriklim tropis dikarenakan letaknya yang dekat dengan garis Khatulistiwa. Ketinggian permukaan daratan Provinsi Sumatera Utara sangat bervariasi, sebagian daerahnya datar, hanya beberapa meter di atas permukaan laut, beriklim cukup panas bias mencapai 34,2°C. Sebagian daerah berbukit dengan kemiringan yang landai, beriklim sedang dans ebagian lagi berada pada daerah ketinggian yang suhu minimalnya bias mencapai 20°C.
4.2. Keadaan Penduduk Provinsi Sumatera Utara
Sumatera Utara merupakan provinsi dengan jumlah penduduk terbesar keempat di Indonesia setelah Jawa Barat, Jawa Timur, dan Jawa Tengah (tabel 4).
Tabel 4. Penduduk Indonesia Menurut Provinsi Tahun 1995, 2000, dan 2010
No. Provinsi 1990 2000 2010
INDONESIA 179.378.946 206.264.595 237.641.326 Sumber : Badan Pusat Statistik Republik Indonesia (http://bps.go.id)
Menurut hasil pencacahan lengkap Sensus Penduduk 1990, penduduk Sumatera Utara keadaan tanggal 31 Oktober 1990 (hari sensus) berjumlah 10,26 juta jiwa.
Dan dari hasil Sensus Penduduk 2000 jumlah penduduk Sumatera Utara sebesar
11,65 juta jiwa. Serta pada tahun 2011 tercatat jumlah penduduk Sumatera Utara sebesar 13.103.596 jiwa (dapat dilihat pada tabel 5).
Tabel 5. Luas Wilayah, Jumlah Penduduk, dan Kepadatan Penduduk Provinsi Sumatera Utara Menurut Kabupaten/Kota Tahun 2011
No. Kabupaten/Kota Luas Wilayah (km2)
15. HumbangHasundutan 2.297,20 173.255 75
16. Pakpak Bharat 1.218,30 40.884 34
17. Samosir 2.433,50 120.772 50
18. SerdangBedagai 1.913,33 599.941 314
19. Batu Bara 904,96 379.400 419
20. Padang Lawas Utara 3.918,05 225.621 58
21. Padang Lawas 3.892,74 227.365 58
22. Labuhanbatu Selatan 3.116,00 280.269 90
23. Labuhanbatu Utara 3.545,80 333.793 94
24. Nias Utara 1.501,63 128.434 86
25. Nias Barat 544,09 82.572 152
26. Sibolga 10,77 85.271 7.917
27. Tanjungbalai 61,52 155.889 2.534
28. Pematangsiantar 79,97 236.893 2.962
29. TebingTinggi 38,44 146.606 3.814
30. Medan 265,10 2.117.224 7.987
31. Binjai 90,24 248.456 2.753
32. Padangsidimpuan 114,65 193.322 1.686
33. GunungSitoli 469,36 127.382 271
Sumatera Utara 71.680,68 13.103.596 183
Sumber : Badan Pusat Statistik Provinsi Sumatera Utara (Sumatera Utara Dalam Angka 2012)
Dari hasil Pendaftaran Pemilihan dan Pendapatan Penduduk Berkelanjutan (P4B) tahun 2003 diperoleh jumlah penduduk sebesar 11.890.399 jiwa. Selanjutnya dari hasil Sensus Penduduk pada bulan Mei 2010 jumlah penduduk Sumatera Utara 12.982.204 jiwa. Kepadatan penduduk Sumatera Utara tahun 1990 adalah 143 jiwa per km2 dan tahun 2000 meningkat menjadi 161 jiwa per km2, dan selanjutnya pada tahun 2011 menjadi 183 jiwa per km2.
Tabel 6. Pertumbuhan Penduduk Sumatera Utara Menurut Kabupaten/Kota 2011 No. Kabupaten/Kota 1980-1990 1990-2000 2000-2010
1. Nias 2,32 1,55 1,03
Sumber : Badan Pusat Statistik Provinsi Sumatera Utara (Sumatera Utara Dalam Angka 2012)
Laju pertumbuhan penduduk Sumatera Utara selama kurun waktu 1980-1990 adalah 2,06% dan pada kurun waktu 1990-2000 adalah 1,2% per tahun, dan selanjutnya pada kurun waktu 2000-2010 mencapai 1,22% per tahun.
4.3. Pertumbuhan Ekonomi Provinsi Sumatera Utara
Pertumbuhan ekonomi Sumatera Utara tahun 2012 yang ditunjukkan oleh PDRB atas dasar harga konstan 2000 sebesar 6,22%, menunjukkan adanya pertumbuhan yang sedikit melambat bila dibandingkan dengan tahun sebelumnya yang tercatat sebesar 6,63%.
Tabel 7. Laju Pertumbuhan PDRB Sumatera Utara Menurut Lapangan Usaha tahun 2008-2012 (%)
6. Perdagangan, Hotel danRestoran
6,14 5,43 6,53 8,09 7,23 7. Pengangkutan dan Komunikasi 8,89 7,56 9,44 10,02 8,26 8. Keuangan, Real Estate dan
Jasa perusahaan
11,30 6,14 10,78 13,61 11,20
9. Jasa-Jasa 9,48 6,62 6,77 8,30 7,54
ProdukDomestik Regional Bruto 6,39 5,07 6,42 6,63 6,22
*) :Angka Sementara
**) :Angka Sangat Sementara
Sumber : Badan Pusat Statistik Provinsi Sumatera Utara (Sumatera Utara Dalam Angka 2012)
Menurut Badan Pusat Statistik Provinsi Sumatera Utara (2013) dalam Berita Resmi Statistik No. 54/08/12/Th.XVI, Pertumbuhan ekonomi Sumatera Utara yang diukur berdasarkan kenaikan Produk Domestik Regional Bruto (PDRB) atas dasar harga konstan 2000 pada Semester I tahun 2013 meningkat 6,17%.
Pertumbuhan tersebut terjadi pada semua sektor ekonomi, dengan pertumbuhan tertinggi pada sektor pengangkutan dan komunikasi 8,66%, disusul oleh sektor keuangan, persewaan, dan jasa perusahaan 8,49%, sektor perdagangan, hotel dan restoran 7,93%, sektor bangunan 7,10% dan sektor pertambangan dan penggalian 6,65%. Pertumbuhan terendah terjadi pada sektor industri, yaitu sebesar 3,34%.
Sektor pertanian sampai dengan semester I tahun 2013 memberi kontribusi terbesar terhadap PDRB Sumatera Utara yaitu sekitar 21,70%, diikuti oleh sektor industri pengolahan sebesar 21,3 %, serta sektor perdagangan, hotel, dan restoran 19,48%. Sektor listrik, gas dan air bersih member kontribusi terendah terhadap perekonomian yaitu sebesar 0,88%.
4.4. Karakteristik Data
Data yang digunakan dalam penelitian ini adalah data tahunan mengenai faktor-faktor yang mempengaruhi permintaan daging ayam broiler di Sumatera Utara dari tahun 1998-2011, yaitu meliputi jumlah permintaan daging ayam broiler (1998-2011), harga rata-rata daging ayam broiler (1998-2011), harga rata-rata telur ayam ras (1998-2011), pendapatan perkapita (1998-2011), dan jumlah penduduk Sumatera Utara (1998-2011).
Tabel 8. Karakteristik Data untuk Analisis Permintaan Daging Ayam Broiler di Sumatera Utara Tahun 1998-2011
Uraian Satuan 1998 2011 Pertumbuh
-an (%) Permintaan Daging Ayam
Broiler
Harga Daging Ayam Broiler Harga Telur Ayam Ras Sumer: Data diolah dari Lampiran 1
BAB V
HASIL DAN PEMBAHASAN
5.1. Analisis Faktor-Faktor Pemintaan Daging Ayam Broiler
Model atau bentuk persamaan regresi yang digunakan untuk menganalisis faktor-faktor yang mempengaruhi permintaan daging ayam broiler di Sumatera Utara terbagi menjadi dua model. Pertama adalah model regresi linier berganda tanpa log, kedua model regresi Cobb-Douglas yang ditransformasi ke dalam bentuk logaritma natural dua sisi (double log). Kedua model tersebut akan dibandingkan dengan melihat nilai Adjusted R. Square (R2)tertinggi untuk mendapat model terbaik.
Faktor-faktor yang berpengaruh terhadap permintaan daging ayam broiler adalah harga daging ayam broiler (X1), harga telur ayam ras (X2), pendapatan perkapita (X3), dan jumlah penduduk (X4). Dari keempat faktor-faktor tersebut akan dilihat manakah yang berpengaruh nyata terhadap permintaan daging ayam broiler serta seberapa besar pengaruhnya.
Data yang digunakan dalam analisis ini adalah data tahunan sebelas periode yaitu dari tahun 1998-2011. Data diolah dan dianalisis dengan menggunakan alat analisis regresi linier berganda dengan bantuan program SPSS 18 for Windows (SPSS: Statistical Product and Service Solution). Selanjutnya dilakukan beberapa pengujian agar mendapatkan model terbaik yang dapat merepresentasikan permintaan daging ayam secara baik, diantaranya Anailsis Koefisien Determinasi (R2), uji-F (uji simultan), uji-T (uji parsial), uji autokorelasi, multikolinearitas, normalitas, dan heterokedastisitas.
5.2. Pemilihan Model
Menurut Nachrowi dan Usman (2006), untuk membandingkan regresi dengan variabel terikat yang sama, maka digunakan R2 yang disesuaikan atau dikenal dengan sebutan Adjusted R. Square yang dinotasikan dengan R2. Nilai Adjusted R.
Square tersebut dapat dilihat dari output SPSS pada tabel Model Summaryb.
5.2.1. Regresi Linier Berganda Tanpa Log
Tabel 9. Hasil Analisis Model Regresi Linier Berganda Tanpa Log
Variabel Koefisien X3 = Pendapatan Perkapita X4 = Jumlah Penduduk
Sumber : Lampiran 3
Model yang diperoleh dari hasil regresi di atas adalah:
Y = – 8,115E7 – 1187,808 X1 + 16652,103 X2 + 2,716 X3 + 8,974 X4 + e
Di mana nilai Adjusted R. Square (R2) yang diperoleh adalah sebesar 0,831.
5.2.2. Regresi Linier Berganda Double Log
Tabel 10. Hasil Analisis Model Regresi Linier Berganda Double Log
Variabel Koefisien X3 = Pendapatan Perkapita X4 = Jumlah Penduduk
Sumber : Lampiran 4
Model yang diperoleh dari hasil regresi di atas adalah:
ln Y = - 6,236 - 0,395 ln X1+ 0,529 ln X2 + 0,278 ln X3 + 1,216 ln X4 + e
Di mana nilai Adjusted R. Square (R2) yang diperoleh adalah sebesar 0,860.
Di antara dua model regresi di atas, dapat diketahui bahwa model regresi linier berganda double log lebih baik dari pada model regresi berganda tanpa log. Hal ini terbukti dari nilai Adjusted R. Square (R2) model regresi double log yang lebih tinggi dari nilai Adjusted R. Square (R2) model regresi tanpa log (0,860 > 0,831).
Oleh karena itu, selanjutnya model yang dipakai adalah model regresi linier berganda double log :
ln Y = - 6,236 - 0,395 ln X1+ 0,529 ln X2 + 0,278 ln X3 + 1,216 ln X4 + e
Keteangan :
ln Y = Jumlah permintaan daging ayam broiler (kg/thn) ln β0 = Nilai konstanta (intercept)
β1s/d β4 = Koefisien regresi variabel bebas ln X1 = Harga daging ayam broiler (Rp/kg) ln X2 = Harga telur ayam ras (Rp/butir) ln X3 = Pendapatan perkapita (Rp) ln X4 = Jumlah penduduk (jiwa) e = Kesalahan pengganggu (error)
5.3. Uji Asumsi Klasik Autokorelasi
Model regresi yang baik adalah model yang tidak terdapat masalah autokorelasi.
Salah satu cara untuk mendeteksi ada tidaknya autokolerasi adalah dengan Uji d Durbin Watson (Durbin-Watson d test) dengan α sebesar 0,05.
Uji autokorelasi dilakukan dengan melihat perbandingan nilai Durbin-Watson hasil perhitungan (dw) dengan nilai Durbin-Watson tabel (dL dan dU). Di mana nilai Durbin-Watson (dw) yang diperoleh dari hasil regresi yaitu sebesar 2,195 (Lampiran 4). Sedangkan nilai dL dan dU dapat dilihat pada tabel Durbin-Watson pada signifikansi 0,05. Dengan n = 14, k = 4, maka digunakan Degree of Freedom (df) yaitu df1 = k = 4 dan df2 = n-k-1 = 9. Sehingga diperoleh nilai dL = 0,2957 dan dU = 2,5881 (Lampiran 7).
Gambar 2. Posisi Koefisien dw pada Uji Autokorelasi
Dapat disimpulkan bahwa nilai dw (Durbin-Watson) sebesar 2,195 terletak pada daerah 4 – dU≤ dw ≤ dU (1,4189 ≤ 2,195 ≤ 2,5811). Hal ini membuktikan bahwa tidak terjadi autokorelasi pada model regresi double log.
Multikolinearitas
Ada tidaknya multikolinearitas dapat diketahui dengan melihat nilai Tolerance dan VIF dari masing-masing variabel seperti terlihat pada tabel berikut:
Tabel 11. Output Collinearity Statistics
Variabel Tolerance VIF
Harga Daging Ayam Broiler 0,291 3,433
Harga Telur Ayam Ras 0,101 9,908
Pendapatan Perkapita 0,230 4,357
Jumlah Penduduk 0,296 3,384
Sumber : Lampiran 4
Dari tabel di atas terlihat bahwa nilai Tolerance masing-masing variabel lebih besar dari 0,1 dan nilai VIF kurang dari 10. Sehingga dapat disimpulkan bahwa tidak terdapat masalah multikolinearitas di dalam model regresi double log.
Daerah
Normalitas
Pengujian normalitas dilakukan dengan menggunakan uji one-sample Kolmogorov-Smirnov. Hasil analisis yang diperoleh sebagai berikut:
Tabel 12. Output Uji Normalitas Menggunakan one-sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 14
Normal Parametersa,b Mean ,0000000
Std. Deviation ,10889970
Most Extreme Differences Absolute ,150
Positive ,150
Negative -,091
Kolmogorov-Smirnov Z ,561
Asymp. Sig. (2-tailed) ,911
a. Test distribution is Normal.
b. Calculated from data.
Dari output Uji Normalitas Menggunakan one-sample Kolmogorov-Smirnov Test diperoleh nilai Asymp. Sig. (2-tailed) (0,911) lebih besar dari signifikansi 0,05.
Hal ini menunjukkan bahwa residual dalam model regresi double log sudah terdistribusi atau menyebar secara normal. Untuk lebih meyakinkan bahwa residual terdistribusi secara normal, dapat dilihat dari scatter plot berikut:
Gambar 3. Scatter Plot Uji Normalitas
Menurut Priyatno (2009), uji normalitas dengan plot memiliki kriteria:
Jika data menyebar di sekitar garis diagonal dan mengikuti arah diagonal, maka model regresi memenuhi asumsi normalitas.
Jika data menyebar jauh dari garis diagonal atau tidak mengikuti arah diagonal, maka model regresi tidak memenuhi asumsi normalitas.
Dari gambar scatter plot di atas terlihat bahwa titik-titik menyebar di sekitar garis
Dari gambar scatter plot di atas terlihat bahwa titik-titik menyebar di sekitar garis