PENJELASAN DATA MATERI 4A

EKONOMETRIKA

DOSEN PENGAMPU :
DR. RATNA, SE., M.Si
Pengaruh Rata-rata penggunaan bibit (kg/ha),
Rata-rata penggunaan pestisida (kg/ha) dan
Rata-rata penggunaan pupuk (kg/ha) Terhadap
Rata-rata produksi Padi di Indonesia (kg/ha)
Produksi Rata-rata Penggunaan Bibit Penggunaan Pestisida Penggunaan Pupuk
No Provinsi (kg/ha) (kg/ha) (kg/ha) (kg/ha)
1. Jabar 5236 30,82 5,82 357,02
2. Jateng 5270 42,78 5,80 441,59
3. DI Yogyakarta 5551 48,45 0,48 390,86
4. Jatim 5431 45,95 2,98 438,17
5. DI Aceh 4076 56,28 1,54 153,54
6. Sumut 4060 37,41 1,74 241,28
7. Sumbar 4664 42,08 0,75 292,42
8. Riau 3293 40,23 1,09 162,35
9. Jambi 3420 37,34 0,46 90,95
10. Bengkulu 3542 42,48 1,24 163,35
11. Sumsel 3560 45,02 1,09 177,56
12. Lampung 4342 30,17 2,03 329,27
13. Kalbar 2731 35,82 0,77 81,15
14. Kalteng 2316 23,40 0,07 117,47
15. Kalsel 2996 23,38 0,44 162,09
16. Kaltim 2765 29,96 1,22 75,44
17. Sulut 4284 42,18 0,75 224,42
18. Sulteng 3388 42,64 1,36 104,52
19. Sulsel 4401 34,69 1,69 210,71
20. Sultra 3488 38,92 1,69 140,24
21. Bali 5294 32,97 2,38 278,68
22. NTB 4539 43,42 0,36 264,96
23. NTT 3147 45,16 0,92 160,00
1.
  Rumusan Masalah
- Apakah Rata-rata penggunaan bibit berpengaruh
Terhadap Rata-rata produksi padi di Indonesia
- Apakah Rata-rata penggunaan pestisida berpengaruh
Terhadap Rata-rata produksi padi di Indonesia
- Apakah Rata-rata penggunaan pupuk berpengaruh
Terhadap Rata-rata produksi padi di Indonesia

2. Rumusan Hipotesis
: Diduga Rata-rata penggunaan bibit berpengaruh
Terhadap Rata-rata produksi padi di Indonesia
: Diduga Rata-rata penggunaan pestisida berpengaruh
Terhadap Rata-rata produksi padi di Indonesia
: Diduga Rata-rata penggunaan pupuk berpengaruh
Terhadap Rata-rata produksi padi di Indonesia

3. Model :
 Model sebelum di log, ada satu variabel yg tidak signifikan, yaitu Pestisida (X2)

Variable Coefficient Std. Error t-Statistic Prob.

C 1511.327 435.2612 3.472231 0.0026

X1 22.30773 11.12366 2.005430 0.0594
X2 36.57338 72.90139 0.501683 0.6217
X3 7.078605 0.999085 7.085090 0.0000

Model setelah di log, semua variabel signifikan

Dependent Variable: LOG(Y)
Method: Leas t Squares
Date: 03/23/18 Tim e: 22:28
Sam ple: 1 23
Included obs ervations : 23

Variable Coefficient Std. Error t-Statis tic Prob.

C 5.588886 0.407494 13.71526 0.0000

LOG(X1) 0.226246 0.100244 2.256965 0.0360
LOG(X2) 0.049433 0.025009 1.976613 0.0628
LOG(X3) 0.350864 0.044512 7.882443 0.0000

R-s quared 0.862700 Mean dependent var 8.263622

Adjus ted R-s quared 0.841022 S.D. dependent var 0.245517
S.E. of regres s ion 0.097893 Akaike info criterion -1.653114
Sum s quared res id 0.182077 Schwarz criterion -1.455637
Log likelihood 23.01082 Hannan-Quinn criter. -1.603449
F-s tatis tic 39.79453 Durbin-Wats on s tat 2.273808
Prob(F-s tatis tic) 0.000000
4.
 Hasilnya
  :
𝒍𝒏𝒀 𝒊=𝟓 , 𝟓𝟗+𝟎 , 𝟐𝟑𝒍𝒏𝑿 𝟏 𝒊+𝟎 , 𝟎𝟓 𝒍𝒏𝑿 𝟐 𝒊 +𝟎 , 𝟑𝟓𝒍𝒏𝑿 𝟑 𝒊
 

5. Interpretasi Model
- Konstanta = adalah apabila rata-rata penggunaan bibit, rata-rata
penggunaan pestisida dan rata-rata penggunaan pupuk bernilai konstan
(tetap), maka Rata-rata produksi padi di Indonesia juga akan konstan sebesar
- Parameter = , adalah apabila rata-rata penggunaan bibit meningkat
sebesar 1 kg/ha, maka Rata-rata produksi padi di Indonesia juga akan
meningkat sebesar 0,23 kg/ha, dengan asumsi rata-rata penggunaan
pestisida dan rata-rata penggunaan pupuk konstan.
- Parameter = , adalah apabila rata-rata penggunaan pestisida meningkat
sebesar 1 kg/ha, maka Rata-rata produksi padi di Indonesia juga akan
meningkat sebesar 0,05 kg/ha, dengan asumsi rata-rata penggunaan bibit
dan rata-rata penggunaan pupuk konstan.
- Parameter = , adalah apabila rata-rata penggunaan pupuk meningkat sebesar
1 kg/ha, maka Rata-rata produksi padi di Indonesia juga akan meningkat
sebesar 0,35 kg/ha, dengan asumsi rata-rata penggunaan bibit dan rata-rata
penggunaan pestisida konstan.
6.  Pengujian Hipotesis


a. Uji secara Parsial (Uji-t)

, maka t 2,86
, maka t 2,09
, maka t 1,73

 Konstanta Oleh karena maka tolak dan terima

yang berarti bahwa rata-rata penggunaan bibit
(X1), rata-rata penggunaan pestisida (X2) dan
rata-rata penggunaan pupuk (X3) berpengaruh
secara positif terhadap Rata-rata produksi padi di
Indonesia. Hal ini juga bisa dilihat dari Probabilitas
(P-value) sebesar 0,0000 < 0,01
 
Parameter = Oleh karena maka tolak dan
terima , yang berarti bahwa rata-rata
penggunaan bibit berpengaruh secara positif
terhadap Rata-rata produksi padi di Indonesia.
Hal ini juga bisa dilihat dari Probabilitas (P-value)
sebesar 0,0360 < 0,05
 Parameter = Oleh karena maka tolak dan
terima , yang berarti bahwa rata-rata
penggunaan pestisida berpengaruh secara
positif terhadap Rata-rata produksi padi di
Indonesia. Hal ini juga bisa dilihat dari
Probabilitas (P-value) sebesar 0,0628 < 0,1
  Parameter = Oleh karena maka tolak dan terima , yang
berarti bahwa rata-rata penggunaan pupuk berpengaruh
secara positif terhadap Rata-rata produksi padi di
Indonesia. Hal ini juga bisa dilihat dari Probabilitas (P-
value) sebesar 0,0000 < 0,01

Uji secara Serentak (Uji-f)

Cara mendapatkan Ftabel dengan df=(k-1)(n-k) adalah (4-
1)(23-4) = (3)(19) pada adalah sebesar : 5,01, dan
Fhitung sebesar : 39,79.
Oleh karena > 5,01 maka tolak dan terima , yang berarti
bahwa rata-rata penggunaan bibit (X1), rata-rata
penggunaan pestisida (X2) dan rata-rata penggunaan
pupuk (X3) secara serentak (secara bersama-sama)
berpengaruh secara positif terhadap Rata-rata produksi
padi di Indonesia. Hal ini juga bisa dilihat dari Probabilitas
(P-value) sebesar 0,0000 < 0,01
 
7. Koefisien Diterminasi ( dan Korelasi (
 Koefisien Diterminasi ( dilihat dari Adjusted R-Squared
= 0,8410. Jadi rata-rata penggunaan bibit (X1), rata-rata
penggunaan pestisida (X2) dan rata-rata penggunaan
pupuk (X3) berpengaruh terhadap Rata-rata produksi
padi di Indonesia adalah sebesar 0,8410 (84,1%),
sedangkan yang dipengaruhi oleh variabel lain diluar
model ini adalah sebesar 0,1590 (15,9%)

 Koefisien Korelasi ( Koefisen korelasi di peroleh dari =

= 0,928816 0,9288. Jadi hubungan antara rata-rata
penggunaan bibit (X1), rata-rata penggunaan pestisida
(X2) dan rata-rata penggunaan pupuk (X3) terhadap
Rata-rata produksi padi di Indonesia adalah
berhubungan sangat kuat (sangat erat) secara positif,
karena nilai korelasi sebesar 0,9288 mendekati positif
satu (+1).
 
8. Interval Estimasi
 Konstanta SE = 0,407 dan t 2,89. maka SE (t

Jadi besarnya interval estimasi yang sebenarnya untuk

parameter adalah berkisar antara 4,413 hingga 6,765,
dengan tingkat keyakinan (confidence interval) sebesar 99%

 Parameter SE = 0,100 dan t 2,09. maka SE (t

Jadi besarnya interval estimasi yang sebenarnya untuk

parameter adalah berkisar antara hingga dengan tingkat
keyakinan (confidence interval) sebesar 95%
  ParameterSE = 0,025 dan t 1,73, maka SE (t0,043

Jadi besarnya interval estimasi yang sebenarnya untuk

parameter adalah berkisar antara 0,006 hingga 0,092 dengan
tingkat keyakinan (confidence interval) sebesar 90%

 Parameter SE = 0,045 dan t 2,86. maka SE (t

Jadi besarnya interval estimasi yang sebenarnya untuk

parameter adalah berkisar antara hingga dengan tingkat
keyakinan (confidence interval) sebesar 99%
LANGKAH-LANGKA UJI NORMALITAS
 HASIL UJI NORMALITAS

 Berdasarkan Jarqu-Berra 0,46 bandingkan dengan Chi square

Tabel dengan df (3) pada sebesar = 7,81, jadi 0,46< 7,81, maka
data residual dalam model ini sdh terdistribusi secara normal.
Hal ini juga bisa dilihat dari probabilitas JB sebesar 0,79 > 0,05
UJI ASUMSI KLASIK :
1. LANGKAH-LANGKAH UJI AUTOKORELASI
 
1. HASIL UJI AUTO KORELASI
Ketentuan dari uji Auto korelasi adalah :
- Bila obs*R-square < Chi-Squared tabel pada , maka model tersebut
sudah terbebas dari indikasi Autokorelasi
- Bila obs*R-square > Chi-Squared tabel pada , maka dalam model
tersebut ada indikasi Autokorelasi

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.642946 Prob. F(2,17) 0.5381

Obs*R-squared 1.617395 Prob. Chi-Square(2) 0.4454

 Hasil Menunjukkan :
Obs*R-square sebesar 1,617 dan Chi-Square (2) tabel pada adalah
sebesar 5,99, jadi 1,617 < 5,99, maka dalam model ini sudah
terbebas dari indikasi autokorelasi. Hal ini juga bisa dilihat dari Prob
Chi-Squared sebesar 0,4454 > 0,05
2. LANGKAH-LANGKAH UJI HETEROSKEDASTISITAS
 
2. HASIL UJI HETROSKEDASTISITAS
Ketentuan dari uji Hetroskedastisitas adalah :
- Bila obs*R-square < Chi-Square tabel pada , maka model
tersebut sudah terbebas dari indikasi Hetroskedastisitas
- Bila obs*R-square > Chi-Square tabel pada , maka dalam
model tersebut ada indikasi Hetroskedastisitas

Heteroskedasticity Test: White

F-statistic 0.068643 Prob. F(3,19) 0.9759

Obs*R-squared 0.246609 Prob. Chi-Square(3) 0.9697
Scaled explained SS 0.132568 Prob. Chi-Square(3) 0.9877

 Hasil Menunjukkan :
Obs*R-square sebesar 0,247 dan Chi-Square (3) tabel pada adalah
sebesar 7,81 jadi 0,247 < 7,81, maka dalam model ini sudah terbebas
dari indikasi Hetroskedastisitas. Hal ini juga bisa dilihat dari Prob Chi-
Squared sebesar 0,9697 > 0,05
3. LANGKAH-LANGKAH UJI MULTIKOLINEARITAS
3. Hasil UJI Multikolinearitas
Ketentuan dari uji Multikolinearitas adalah :
- Bila nilai korelasi antar variabel bebas > 0,80, maka dalam model
tersebut ada indikasi Multikolinearitas
- Bila nilai korelasi antar variabel bebas < 0,80, maka dalam model
tersebut tidak ada indikasi Multikolinearitas
Covariance Analysis: Ordinary :
Correlation
t-Statistic PRODUKSI... PENGGUNA... PENGGUNA... PENGGUNA...
PRODUKSI_RATA... 1.000000
-----

PENGGUNAAN_BI... 0.355219 1.000000

1.741387 -----

PENGGUNAAN_P... 0.568996 -0.002620 1.000000

3.170792 -0.012005 -----

PENGGUNAAN_P... 0.903951 0.205000 0.616384 1.000000

9.686790 0.959811 3.587078 -----

Berdasarkan nilai korelasi antar variabel bebas semua nilai korelasinya

< 0,80, maka dalam model tersebut sudah terbebas dari indikasi
Multikolinearitas
 
3. LANJUTAN UJI MULTIKOLINEARITAS
Regresi Auxilary :
Atau juga bisa dilihat dari nilai VIF dan TOL. Untuk melihat
nilai VIF dan TOL kita menggunakan regresi auxilary )
dengan ketentuan nilai VIF < 10 dan TOL mendekati 1 tidak
ada multikolinearitas

Variabel R-Suared VIF TOL

X1 0,089650 1,09848 0,91035
X2 0,227784 1,29497 0,77222
X3 0,208857 1,26399 0,79114

Berdasarkan hasil perhitungan di atas dengan

menggunakan regresi auxilary semua Nilai VIF < 10 dan
semua nilai TOL mendekati 1, berarti dalam model ini
sudah terbebas dari asumsi multikolinearitas