Produksi Kopi
HASIL PENELITIAN DAN PEMBAHASAN
3. Periode kembali dengan kuota ekspor 1980-1985
4.7. Pendapatan Perkapita
Pendapatan perkapita Amerika Serikat dalam penelitian ini adalah GDP perkapita dari negara pengimpor yaitu Amerika Serikat, dalam ribu Dollar Amerika Serikat/tahun yang ditunjukkan pada gambar 4.5. berikut ini :
Gambar 4.5. Pendapatan Perkapita AS tahun 1992-2011.
Gambar 4.5. menunjukkan bahwa tahun 1992-2011 pendapatan perkapita AS terjadi peningkatan yang berfluktuasi.
4.8. Kurs
Kurs riil (riil exchange rate) adalah nilai tukar mata uang suatu negara dinilai dari mata uang negara lain, dalam penelitian ini yang dimaksud dengan kurs tengah dollar Amerika Serikat terhadap Rupiah Indonesia dinyatakan dalam
0 10000 20000 30000 40000 50000 60000 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
0 2000 4000 6000 8000 10000 12000 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 Kurs US$/Rp
satuan rupiah per dollar Amerika Serikat. Berikut gambar 4.6. merupakan perkembangan kurs dollar AS terhadap Rupiah :
Gambar 4.6. Perkembangan kurs dollar AS terhadap Rupiah tahun 1992-2011.
Gambar 4.6. menunjukkan bahwa sejak tahun 1998 kurs dollar AS terhadap rupiah terjadi kenaikan yang signifikan disebabkan gejolak ekonomi di dalam negeri yang menuntut reformasi birokrasi sehingga mempengaruhi nilai rupiah di pasar internasional.
Berdasarkan gambar-gambar di atas dapat diketahui volume ekspor kopi ke AS, harga kopi domestik, perkembangan harga kopi dunia, konsumsi kopi AS, pendapatan perkapita AS dan kurs. Data-data tersebut digunakan dalam analisa data menggunakan eviews.
4.9. Pengujian Statistik 4.9.1. Uji Normalitas
Uji normalitas dalam penelitian ini bertujuan untuk melihat apakah data yang digunakan mempunyai distribusi normal atau tidak, data yang baik memiliki
0 10 20 30 40 50 60 70 0 500000 1000000 Series: Residuals Sample 1 382 Observations 382 Mean 4.35E-11 Median -8315.909 Maximum 988509.3 Minimum -399261.1 Std. Dev. 16.07208 Skewness 1.255629 Kurtosis 7.695268 Jarque-Bera 3.2687759 Probability 0.1023500
distribusi normal atau mendekati normal, dalam uji Jarque-Bera (JB). Jika nilai probabilitas p dari statistik JB besar atau dengan kata lain jika nilai statistik dari JB ini tidak signifikan maka menerima hipotesis bahwa residual mempunyai distribusi normal karena nilai statistik JB mendekati normal.
Normalitas data merupakan salah satu asumsi yang diperlukan dalam regresi liniear ganda. Uji normalitas digunakan untuk mengetahui apakah residual dari data berdistribusi normal atau tidak. Berikut hasil pengolahan Eviews :
Gambar 4.7 Uji Jarque Bera
Pada penelitian ini, untuk menguji normalitas data digunakan uji Jarque-Bera. Kriteria yang digunakan adalah jika nilai probabilitas Jarque-Bera (JB) test > alpha (0,05), maka data dikatakan berdistribusi normal. Berikut hasil pengujian Jarque-Bera (JB) test :
Tabel 4.4 Hasil Uji Jarque-Bera
Nilai Jarque Bera Probability Kesimpulan
3,268 0,102 Normal
Sumber: output Eviews Least Square Method, Normality test Series : Residuals Sample : 1992 - 2011 Observations : 20
Pada tabel 4.4 diketahui bahwa nilai probabilitas sebesar 0, 102 > 0,05, sehingga asumsi normalitas telah terpenuhi.
4.9.2. Uji Linieritas
Uji linieritas dilakukan untuk melihat apakah spesifikasi model yang kita gunakan sudah benar atau tidak. Dengan menggunakan uji ini kita dapat mengetahui bentuk model empiris dan menguji variabel yang relevan untuk dimasukkan kedalam model empiris.
Salah satu uji yang digunakan untuk menguji linieritas adalah uji Ramsey (Ramsey RESET Test). Untuk melihat apakah bentuk fungsi linier adalah benar atau tidak maka bandingkan hasil perhitungan nilai Fhitung dengan nilai Ftabel, apabila nilai Fhitung > Ftabel maka hipotesis nol yang mengatakan bahwa spesifikasi model yang digunakan dalam bentuk fungsi linier adalah benar ditolak, dan sebaliknya apabila nilai Fhitung < Ftabel maka hipotesis nol yang mengatakan bahwa spesifikasi model yang digunakan dalam bentuk fungsi linier adalah benar tidak dapat ditolak.
Pada regresi linier berganda, linieritas model merupakan asumsi yang harus dipenuhi. Uji linieritas digunakan untuk menguji apakah spesifikasi linier yang ada dalam model dapat diterima atau tidak. Pada penelitian ini untuk menguji linieritas model digunakan Ramsey test. Kriteria yang digunakan adalah jika nilai probabilitas uji F lebih besar dari alpha = 0,05, maka dikatakan linieritas model dapat diterima. Berikut hasil uji Ramsey test :
Tabel 4.5 Hasil Uji Ramsey
Ramsey RESET Test:
F-statistic 0.429563 Prob. F(1,13) 0.5236 Log likelihood ratio 0.650182 Prob. Chi-Square(1) 0.4200 Test Equation:
Dependent Variable: EKSP Method: Least Squares Date: 04/05/13 Time: 23:38 Sample: 1992 2011
Included observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
C -141073.4 97046.47 -1.453668 0.1698 HDOM -7.802500 4.904285 -1.590956 0.1356 HDUN 1453.660 968.7508 1.500550 0.1574 KONS 73.31380 57.88722 1.266494 0.2276 KURS -0.066985 1.029391 -0.065073 0.9491 PDPT 3.624235 1.872665 1.935335 0.0750 FITTED^2 -5.37E-06 8.19E-06 -0.655410 0.5236 R-squared 0.933313 Mean dependent var 48512.25 Adjusted R-squared 0.902534 S.D. dependent var 22154.89 S.E. of regression 6916.648 Akaike info criterion 20.79047 Sum squared resid 6.22E+08 Schwarz criterion 21.13897 Log likelihood -200.9047 Hannan-Quinn criter. 20.85850 F-statistic 30.32338 Durbin-Watson stat 1.569588 Prob(F-statistic) 0.000001
Sumber: output Eviews Least Square Method, Ramsey test
Tabel 4.5 menunjukkan bahwa nilai probabilitas F hitung sebesar 0,523 > 0,05. sehingga asumsi linieritas telah terpenuhi.
4.9.3. Uji Otokorelasi
Serial korelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah serial korelasi timbul karena residual tidak bebas dari suatu observasi ke observasi lainnya. Masalah ini sering ditemukan apabila kita menggunakan data time series/runtut waktu. Hal ini disebabkan
karena error pada seorang individu cendrung akan mempengaruhi error pada individu yang sama pada periode berikutnya. Sedangkan, pada data cross section, masalah serial korelasi jarang terjadi karena error pada observasi yang berbeda berasal dari individu yang berbeda.
Untuk mendeteksi adanya serial korelasi dengan membandingkan nilai X hitung dengan X tabel, yaitu :
a. Jika nilai X2 hitung > X2 tabel, maka hipotesis yang menyatakan bahwa mode bebas dari masalah serial korelasi ditolak.
b. Jika nilai X hitung < X tabel, maka hipotesis yang menyatakan bahwa model bebas dari masalah serial korelasi diterima.
c. Untuk mendiagnosa ada tidaknya korelasi serial (autokorelasi), dapat dilakukan dengan menggunakan Lagrange Multiplier Test (LM-Test). Uji nonautokorelasi adalah evaluasi korelasi serial dari disturbance term error dengan hipotesis nol: disturbance term error adalah nonautokorelasi. Pengujian asumsi nonautokorelasi menggunakan Breusch-Godfrey [BG] Test atau LM Test. BG−statistic =[T− p]×R2,dimana p = panjang time lag dari disturbance term error dan juga merupakan derajat bebas Tabel Distribusi [χ2
]. Jika statistik [T-p] × R2 ≥ χ2
p maka disturbance term error mengalami autokorelasi, sebaliknya jika [T-p] × R2 < χ2
p maka disturbance term error tidak mengalami autokorelasi. Hasil pengujian autokorelasi ditunjukkan pada tabel 4.6 berikut:
Tabel 4.6. Uji Autokorelasi Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.919332 Prob. F(2,12) 0.4251 Obs*R-squared 2.657286 Prob. Chi-Square(2) 0.2648 Test Equation:
Dependent Variable: RESID Method: Least Squares Date: 04/05/13 Time: 23:38 Sample: 1992 2011
Included observations: 20
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob. C 9150.120 40144.86 0.227928 0.8235 HDOM 0.098227 1.009971 0.097257 0.9241 HDUN 7.038410 260.4508 0.027024 0.9789 KONS -10.46691 46.08645 -0.227115 0.8242 KURS -0.076427 1.017891 -0.075084 0.9414 PDPT 0.043585 0.607242 0.071775 0.9440 RESID(-1) 0.222428 0.337484 0.659075 0.5223 RESID(-2) -0.358275 0.341985 -1.047635 0.3154 R-squared 0.132864 Mean dependent var 7.91E-12 Adjusted R-squared -0.372965 S.D. dependent var 5815.001 S.E. of regression 6813.645 Akaike info criterion 20.78042 Sum squared resid 5.57E+08 Schwarz criterion 21.17871 Log likelihood -199.8042 Hannan-Quinn criter. 20.85817 F-statistic 0.262666 Durbin-Watson stat 2.080410 Prob(F-statistic) 0.957350
Sumber : Lampiran Eviews (2012).
Pada Tabel 4.6. ini diperoleh besarnya probability nilai LM Test sebesar 0.265 dan bila dibandingkan dengan nilai probabilitas α 5% maka 0,265>0,005 sehingga dapat disimpulkan bahwa nilai LM Test lebih besar dari nilai alfa 5 persen. dengan demikian hipotesis nol (H0) diterima. Artinya tidak ada autokorelasi dalam model penelitian ini.
4.9.4. Uji Multikolinearitas
Pada mulanya multikolinieritas berarti ada hubungan yang sempurna atau pasti di antara beberapa atau semua variabel yang menjelaskan :
logX1, logX2, logX1,……….LogX2
(dimana λ = 1 untuk semua pengamatan memungkinkan intersep). Suatu hubungan Linear yang pasti ada apabila kondisi berikut terpenuhi:
β1 X1 + β2 X2 + β3 X3 + …….. βK XK +V = 0
Untuk menguji adanya multikolinieritas, karena multikolinieritas adalah kombinasi linear yang pasti menjelaskan lainnya. Salah satunya cara untuk mengetahui hubungan antar variabel logX yang satu dengan variabel logX yang lain adalah meregresi tiap logXj sisa variabel logX dan menghitung r2 yang cocok. Pengujian terhadap masing-masing variabel independent tersebut didapat, kemudian dibandingkan dengan R yang didapat dari hasil regresi secara bersama-sama variabel independen. Jika r variabel melebihi R pada model regresi, maka dalam regresi tersebut terdapat multikolinieritas. Sebaliknya apabila r2 variabel < R2 pada model regresi, maka dalam regresi tersebut tidak terdapat multikolinieritas.
Uji multikolinieritas adalah bertujuan untuk mengetahui apakah terdapat korelasi yang cukup besar antar sesama variabel bebas (X). Korelasi yang terlalu tinggi antar sesama X akan berpengaruh pada menurunnya korelasi secara simultan terhadap variabel Y. Untuk mendeteksi terjadinya multikolinieritas digunakan uji Klein yaitu dengan perbandingan nilai R2 model, dengan nilai R2 regresi dari masing-masing variabel independen.
Tabel 4.7. Hasil Uji Multikolinieritas. Ekspor Harga kopi domestik Harga kopi dunia Konsumsi kopi AS Pendapatan perkapita Kurs Ekspor Pearson Correlation 1 .732 ** .805** .793** .897** .673** Sig. (2-tailed) .000 .000 .000 .000 .001 N 20 20 20 20 20 20 Harga kopi Domestic Pearson Correlation .732 ** 1 .860** .888** .880** .650** Sig. (2-tailed) .000 .000 .000 .000 .002 N 20 20 20 20 20 20 Harga kopi Dunia Pearson Correlation .805 ** .860** 1 .882** .856** .565** Sig. (2-tailed) .000 .000 .000 .000 .009 N 20 20 20 20 20 20 Konsumsi kopi AS Pearson Correlation .793 ** .888** .882** 1 .846** .593** Sig. (2-tailed) .000 .000 .000 .000 .006 N 20 20 20 20 20 20 Pendapatan Perkapita Pearson Correlation .897 ** .880** .856** .846** 1 .832** Sig. (2-tailed) .000 .000 .000 .000 .000 N 20 20 20 20 20 20 Kurs Pearson Correlation .673 ** .650** .565** .593** .832** 1 Sig. (2-tailed) .001 .002 .009 .006 .000 N 20 20 20 20 20 20
**. Correlation is significant at the 0.01 level (2-tailed). Sumber: output Eviews Least Square Method (2012).
Dari hasil estimasi uji Multikolinieritas pada tabel 4.7. diatas dapat dilihat bahwa antar semua variabel independen (harga kopi domestik, harga kopi dunia, konsumsi kopi AS, pendapatan perkapita AS dan kurs) tidak ada yang memiliki koefisien yang lebih besar dari 0,95 (95%), sehingga dapat disimpulkan bahwa dalam model empiris Eks = (HDOM, HDUN, KONS, PDPT, KURS) tidak ditemukan adanya Multikolinieritas.
