ANALISIS PENGARUH FAKTOR TENAGA KERJA,

BAHAN BAKU DAN MESIN TERHADAP TINGKAT PRODUKSI

INDUSTRI BARANG DARI PLASTIK LAINNYA (KBLI KODE 2229)

TAHUN 2010

Disusun oleh :

Siectio Dicko Pratama

09.6133

Kelas 3SE3

SEKOLAH TINGGI ILMU STATISTIK

JAKARTA

2011

PENDAHULUAN

Secara umum, produktivitas diartikan sebagai hubungan antara hasil output dengan

input. Produktivitas juga diartikan sebagai tingkatan efisiensi dalam memproduksi barang atau

jasa. Pengertian produktivitas dapat dikelompokkan menjadi tiga (Doktrin Olso; dalam Siti

Aisyah 2001) yaitu :

a. Rumusan tradisional bagi keseluruhan produktivitas tidak lain ialah ratio daripada apa

yang dihasilkan (output) terhadap keseluruhan peralatan produksi yang dipergunakan

(input).

b. Produktivitas pada dasarnya adalah suatu sikap mental yang selalu mempunyai

pandangan bahwa mutu kehidupan hari ini lebih baik daripada kemarin, dan hari esok

lebih baik dari hari ini.

c. Produktivitas merupakan interaksi terpadu secara serasi dari tiga faktor esensi, yakni:

termasuk penggunaan pengetahuan dan teknologi secara riset, manajemen dan tenaga

kerja

Produktivitas adalah suatu konsep yang bersifat universal yang bertujuan untuk

menyediakan lebih banyak barang dan jasa untuk lebih banyak manusia dengan menggunakan

sumber-sumber riil yang makin sedikit. Maka dapat dikatakan bahwa produktivitas berkaitan

dengan efisiensi penggunaan input dalam memproduksi output.

Industri barang dari palstik lainnya (KBLI kode 2229) dalam upaya pengembangannya

dipengaruhi oleh perusahaan yang bergerak di sektor ini. Dalam rangka mengetahui tingkat

produktivitas perusahaan-perusahaan di sektor ini agar dapat dibandingkan tingkat

produktivitasnya baik secara series (dari waktu ke waktu) ataupun dengan industri serupa,

untuk itu perlu diadakan pengukuran produktivitas dari sektor ini. Dengan tujuan tersebut,

paper ini bertujuan untuk mengukur tingkat produktivitas sektor industri barang dari plastik

lainnya dengan mengetahui skala hasil produksi, efisiensi dan elastisitas produksinya dengan

batasan input berupa tenaga kerja dan bahan baku modal dan data dari IBS tahun 2010.

LANDASAN TEORI

2.1 Fungsi Produksi Cobb-Douglass

Fungsi produksi yang paling sering digunakan dalam penelitian-penelitian

tentang produksi adalah fungsi produksi Cobb-Douglas. Fungsi produksi Cobb-

Douglas diperkenalkan oleh C.W.Cobb dan P.H.Douglas pada tahun 1928. Fungsi

Cobb-Douglas adalah suatu fungsi atau persamaan yang melibatkan dua atau lebih

variabel, dimana variabel yang satu disebut dengan variabel dependen (yang

dijelaskan/Y), dan yang lain disebut variabel independen (yang menjelaskan/X).

(Soekarwati,1993).

Beberapa alasan praktis dalam menggunakan fungsi produksi Cobb-Douglas,

yaitu:

1. Bentuk fungsi Cobb-Douglas bersifat sederhana dan mudah penerapannya

2. Fungsi produksi Cobb-Douglas mampu menggambarkan keadaan skala hasil

(return to scale).

3. Koefisien-koefisien fungsi Cobb-Douglas secara langsung menggambarkan

elastisitas produksi dari setiap input yang dipergunakan dan dipertimbangkan

untuk dikaji dalam fungsi produksi Cobb-Douglas tersebut

4. Koefisien intersep dari fungsi Cobb-Douglas merupakan indeks efisiensi

produksi yang secara langsung menggambarkan efisiensi penggunaan input

dalam menghasilkan output dari factor yang sedang dikaji tersebut.

Fungsi produksi Cobb-Douglas telah digunakan untuk menduga fungsi produksi

baik secara individu (satu perusahaan) maupun secara menyeluruh. Rumus fungsi

produksi yang disarankan oleh Cobb-Douglas adalah sebagai berikut:

Q = AKαBβLγ

Dimana :

Q = Output atau hasil produksi,

A = Parameter Estimasi (Indeks Efisiensi)

K = Input Mesin

B = Input Bahan Baku

L = Input Tenaga Kerja

α = Elastisitas Input Mesin

β = Elastisitas Input Bahan Baku

γ = Elastisitas Input Tenaga Kerja

Koefien intersep yang dilambangkan dengan A merupakan koefisien yang secara

langsung menggambarkan efisiensi penggunaan input dalam menghasilkan output dari

factor produksi yang sedang dikaji tersebut.

Elastisitas adalah konsep kuantitaif yang sangat penting untuk mengidentifikasi

secara kuantitatif respon sebuah variabel karena perubahan variabel lain. Elastisitas

produksi (Ep) sendiri menunjukkan persentase perubahan ooutput sebagai akibat dari

perubahan input ( Soekartawi dalam Joesran dan Fathorozi,2003),

Analisis elastisitas input ini penting untuk menjelaskan input mana yang lebih

elastis dibanding dengan input lainnya. Disamping itu, sekaligus dapat diketahui

intensitas faktor produksinya, apakah bersifat tenaga kerja dan padat modal. Apabila

nilai β > γ, maka proses produksi lebih bersifat padat kapital dan sebaliknya. Nilai

elastisitas produksi memiliki ketentuan sebagai berikut :

Jika nilai elastisitas < 1, maka proporsi penambahan input melebihi proporsi

penambahan produksi

Jika nilai elastisitas = 1, maka proporsi penambahan input sama dengan proporsi

penambahan produksi

Jika nilai elastisitas > 1, maka proporsi penambahan input lebih sedikit proporsi

penambahan produksi

Dengan fungsi produksi Cobb-Douglas ini, kita dapat melihat tingkat skala hasil

produksi atau skala pengembalian (returns to scale) yang digambarkan dengan jumlah

dari koefisien regresinya. Returns to Scale ini didefinisikan sebagai tingkat dimana

output meningkat karena input meningkat secara proporsional. Jadi, dengan

melipatgandakan penggunaan input, kita bisa mengetahui apakah output ikut

bertambah atau berkurang atau tetap. Untuk menentukan hal itu, kita menggunakan

kombinasi input sebagai komponen pembentukan output dimana output sebagai nilai

pembanding yang konstan. Berikut ini adalah tiga kriteria yang berkenaan dengan

skala pengembalian (Returns to Scale), yaitu :

1. Jika α + β + γ > 1, maka produksi memiliki skala hasil meningkat (Increasing

Returns to Scale)

2. Jika α + β + γ = 1, maka produksi memiliki skala hasil tetap (Constant Returns to

Scale)

3. Jika α + β + γ < 1, maka produksi memiliki skala hasil menurun. (Decreasing

Returns to Scale)

2.2 Asumsi dalam Fungsi Produksi Cobb Douglass

Penerapan fungsi produksi Cobb-Douglas dalam penelitian produksi pada

dasarnya harus memperhatikan asumsi-asumsi dari fungsi produksi Cobb-Douglas

adalah sebagai berikut :

1. Karena dalam penyelesaiannya fungsi produksi ditransformasikan ke dalam

bentuk linier double log maka tidak ada pengamatan yang bernilai nol.

2. Dalam fungsi produksi perlu ada asumsi tidak ada perbedaan teknologi pada

setiap pengamatan. Ini artinya kalau fungsi Cobb-Douglas yang dipakai sebagai

model dalam suatu pengamatan, dan bila diperlukan analisis yang memerlukan

lebih dari suatu model tersebut terletak pada intercept dan bukan pada

kemiringan garis (slope) model tersebut.

3. Tiap variabel bebas adalah perfect competition

4. Perbedaan lokasi (pada fungsi produksi) seperti iklim, adalah sudah tercakup

pada factor kesalahan (error term).

METODOLOGI

3.1 Jenis dan Sumber DataJenis data yang dikumpulkan dalam penelitian ini bersumber dari data sekunder

yaitu data berupa laporan survei industri besar sedang yaitu berupa data industri barang dari plastik dan lainnya. Data dikumpulkan oleh Sub. Direktorat Industri Besar Sedang Badan Pusat Statistik Republik Indonesia.

3.2 Model Analisis DataModel analisis data yang digunakan dalam penelitian ini adalah analisis Regresi

Linier Berganda (Multiple Regression Linier) yang dimodifikasi dari persamaan fungsi Cobb-Douglas. Model Persamaan regresi linier berganda dalam penelitian ini dapat dirumuskan sebagai berikut :

Q = b0 X1b1 X2

b2 eu

data-data yang diperoleh harus terlebih dulu ditransformasikan ke dalam bentuk

Logaritma Natural (Ln). Hasil transformasi fungsi produksi ke bentuk linier adalah

sebagai berikut :

Ln Q = Ln b0 + b1 Ln X1 + b2 Ln X2 + u

Dimana :Q = Total Produksi industri barang dari Plastik Lainnyab0 = Intersep persamaan garis regresib1 = Elastisitas Input Modalb2 = Elastisitas Input Tenaga KerjaX1 = Input ModalX2 = Input Tenaga Kerja

3.3 Uji Signifikansi3.3.1 Uji Simultan (Uji F)

Pengujian ini dilakukan untuk melihat apakah variabel-variabel bebas secara simultan berpengaruh terhadap variabel tak bebas. Hipotesis: H0 : β1 = β2 =…= βi = 0, artinya secara simultan variabel-variabel bebas tidak memiliki pengaruh terhadap variabel tak bebas. H1 : βi ≠ 0, artinya paling sedikit satu dari variabel-variabel bebas memiliki pengaruh terhadap variabel tak bebas. Statistik uji untuk pengujian ini menggunakan analisis keragaman (analysis of varians).

3.3.2 Uji Parsial (Uji t)Uji ini digunakan sebagai penunjang dari uji overall F test. Digunakan

untuk melihat apakah variabel-variabel bebas secara parsial berpengaruh terhadap variabel tak bebas.

Rumusan hipotesis untuk menguji parameter regresi secara parsial adalah sebagai berikut: H0 : βj = 0 , artinya koefisien regresi ke-j tidak signifikan atau variabel bebas ke- j tidak berpengaruh nyata terhadap Y H1 : βj ≠ 0 , artinya koefisien regresi ke- j signifikan atau variabel bebas ke-j berpengaruh nyata terhadap Y .Statistik uji yang digunakan untuk menguji parameter regresi secara parsial adalah :

Jika t-hitung > t(n-p-1);α/2 , maka H0 ditolak yang artinya variabel bebas

ke- j berpengaruh nyata/signifikan terhadap Y .

3.3.3 Uji Koefisien Determinasi (R2)Uji koefisien determinasi (R2), dilakukan untuk melihat berapa proporsi

variasi dari variabel bebas secara bersama-sama dalam mempengaruhi

variabel tidak bebas, dengan formula (Gujarati, oleh Sumarno Zain, 1995 :207) sebagai berikut :

Dimana : JKR = jumlah kuadrat regresi (SSR) JKY = jumlah total kuadrat (SST)

3.4 Uji Asumsi Klasik Regresi LinierUntuk mendapatkan estimasi yang BLUE (Best Linier Unbiased Estimators), dapat digunakan metode OLS yang memenuhi asumsi berikut :3.4.1 Normalitas

Uji normalitas data digunakan untuk memenuhi asumsi dilakukannya analisis regresi yang akan melakukan penaksiran sekaligus pengujian, dimana untuk kepentingan ini variabel yang bersifat random harus berdistribusi normal. Jika sejumlah besar variabel random yang didistribusikan secara independen dan identik, maka dengan beberapa pengecualian, distribusi jumlahnya cenderung ke distribusi normal bila banyaknya variabel seperti itu meningkat tak terbatas (Gujarati, N.Damodar, 1993:66).

Variabel pengganggu (εi) dari suatu regresi disyaratkan berdistribusi nomal. Hal ini untuk memenuhi asumsi zero mean (asumsi 3). Jika variabel (εi) berdistribusi normal maka variabel yang diteliti Y juga berdistribusi normal. Untuk menguji normalitas (εi),maka hipotesisnya yaitu : H0 : εi berdistribusi normal H1 : εi tidak berdistribusi normal

Dengan statistik uji Kolmogorov-Smirnov, kita dapat melakukan pengujian kenormalan dengan mencari nilai maksimum (supremum) dari nilai cdf empirik dan teoritiknya. Tolak H0 jika nilai Dn > Dn;α

Mengatasi Non Normalitas

Jika asumsi ini tidak terpenuhi, artinya bahwa data tidak berdistribusi normal, maka kesimpulan berdasarkan teori tidak berlaku. Adapun langkha-langkah yang harus dilakukan yaitu : 1. Lakukan pemotongan data, mungkin ada data yang out liers (berada jauh

dari rata-rata) misalnya sangat tinggi nilainya atau sangat rendah. 2. Perbesar sampel, jika sampel besar sekali maka data akan mendekati

normal, asymptotically normal. 3. Lakukan transformasi data, misalnya dilogaritmakan. Dengan

transformasi logaritma maka data yang tidak normal akan membaik distribusinya. Mengapa, karena rentangan data akan mendekati rata-ratanya. Karenanya, sebelum teori lebih lanjut digunakan dan kesimpulan diambil berdasarkan teori di mana asumsi normalitas

dipakai, terlebih dahulu perlu diselidiki apakah asumsi itu terpenuhi atau tidak (Sudjana, 2005: 150).

3.4.2 HomoskedastisitasRumus regresi diperoleh dengan asumsi bahwa variabel pengganggu

(error) atau ε, diasumsikan memiliki varian yang konstan (rentangan ε kurang lebih sama). Jika ternyata varians dari ε tidak konstan misalnya membesar atau mengecil pada nilai X yang lebih tinggi, maka kondisi tersebut dikatakan tidak homoskedastik atau mengalami heteroskedastik.

Konsekuensi jika asumsi regresi linier terpenuhi kecuali adanya heteroskedastisitas, maka penaksir OLS tetap tak bias dan konsisten namun penaksir tersebut tidak lagi efisien baik dalam sampel kecil maupun sampel besar (secara asimtotik). Jika tetap menggunakan penaksir OLS pada kondisi heteroskedastis, maka varian penaksir parameter koefisien regresi akan underestimate atau overestimate. Beberapa pengujian yang digunakan untuk mendeteksi heteroskedastisitas diantaranya: 1. Uji Park

Menggunakan fungsiσ 1

2=σ2 X iβ eεi atau ln σ 1

2=ln σ2+β ln X i+¿ εi ¿

Karena σ 12 umumnya tidak diketahui, maka Park menyarankan untuk

menggunakan e i2sehingga persamaan regresinya menjadi

ln e12=ln σ2+ β ln X i+¿ εi¿

Jika koefisien regresi (β) signifikan secara statistik, maka dapat dikatakan terjadi heteroskedastisitas

2. Alat untuk mendeteksi adanya heteroskedastisitas dapat dilakukan dengan analisis residual dengan membuat plot antara nilai prediksi (ZPRED) pada sumbu X dengan nilai residualnya (SRESID) pada sumbu Y. Jika ditemukan terdapat pola tertentu (garis lurus, diagonal, gelombang, dan lain-lain) yang jelas dan titik mengumpul di atas atau di bawah sumbu X, maka dapat dikatakan terdapat heteroskedastisitas. Sedangkan apabila tidak terdapat pola yang jelas serta titik menyebar di atas dan di bawah sumbu X, maka tidak terjadi heteroskedastisitas atau model regresi baik untuk digunakan (Gujarati, 1978)

Mengatasi Heteroskedastisitas Apabila terjadi heteroskedastisitas maka dapat dilakukan beberapa cara berikut untuk mengatasinya yaitu: 1. Metode Generalized Least Squares (GLS)

Merupakan salah satu jenis transformasi dengan mengalikan 1/σ , sehingga diperoleh persamaan regresi

Maka diperoleh transformed model sebagai berikut:

Yi* = β0 +β1X1*+εi*

Bukti bahwa model sudah tidak heteroskedastis

2. Metode Transformasi Logaritma Transformasi ini untuk memperkecil skala antar variabel bebas.

Dengan semakin sempitnya range nilai observasi diharapkan variasi error juga tidak akan berbeda besar antar kelompok observasi. Model yang digunakan

Ln Yi = β0 + β1Ln Xi +εi

3. Transformasi dengan 1/Xi

Asumsi

Transformasi menghasilkan

Atau dapat ditulis Yi* = β0 X0*+ β1+Vi Bukti varian telah konstan:

4. Transformasi dengan 1√x

5. Transformasi dengan E(Yi)

3.4.3 Autokorelasi

Secara harfiah autokorelasi berarti adanya korelasi antara anggota observasi dengan observasi lain yang berlainan waktu. Dalam kaitannya dengan asumsi metode kuadrat terkecil (OLS), autokorelasi merupakan korelasi antara satu residual dengan residual yang lain. Sedangkan satu asumsi penting metode OLS berkaitan dengan residual adalah tidak adanya hubungan antara residual satu dengan residual yang lain.

Pada data time series, observasi sebelumnya dapat memiliki korelasi dengan observasi sesudahnya, atau data periode t-1 mempunyai korelasi dengan data periode ke-t. Hal ini sering terjadi pada data periodik seperti bulanan, triwulanan, tahunan, dan sebagainya. Keadaan seperti ini mengakibatkan asumsi bahwa E[ui,uj]=0, untuk i ≠ j tidak terpenuhi. Kejadian dimana terdapat korelasi antara observasi ket t dampai ke t-1

Uji untuk mendeteksi apakah terjadi autokorelasi pada hasil regresi dapat dilakukan dengan melihat nilai statistik Durbin Watson, dimana pengujian hipotesisnya :

H0 : ρ = 0, atau tidak terjadi autokorelasi H1 : ρ ≠ 0, atau terjadi autokorelasiDimana Statistik Ujinya

Untuk uji dua arah, yaitu bahwa tidak ada autokorelasi positif maupun negatif, maka jika :

d < dL : menolak H0, atau terdapat autokorelasi positif d > 4 – dL : menolak H0, atau terdapat autokorelasi negatif dU < d < 4 – dU : menerima H0, atau tidak terjadi autokorelasi dL ≤ d ≤ dU atau 4 – dU ≤ d ≤ 4 – dL : pengujian tidak meyakinkan Nilai dL dan dU dapat diperoleh dari tabel Durbin Watson.

Mengatasi AutokorelasiApabila terdapat masalah autokorelasi, untuk mengatasinya, maka perlu

dilakukan tindakan perbaikan, yaitu transformasi variabel dengan mengunakan metode estimasi ρ (rho) yang didasarkan pada statistik d Durbin-Watson (Gujarati, DamodarN.,1998:394). Metode ini dikenal dengan nama Generalized Difference Equation (First Difference Procedure). Langkah-langkah yang perlu dilakukan adalah: 1. Persamaan regresi linier Yt =β0 +β1Xt +εt dan εt = ρεt-1 +Vt 2. Untuk waktu ke- t-1 Yt-1 = β0 +β1Xt-1+εt-1 3. Bila kedua sisi persamaan dikali dengan ρ,maka : ρYt-1 = ρ β0 + ρ β1Xt-

1+ ρεt-1 4. Sekarang kedua persamaaan dikurangkan maka diperoleh persamaan

Yt - ρYt-1 = (β0- ρβ0 ) + (β1Xt - ρ β1Xt-1)+(εt- ρ εt-1)5. Persamaan tersebut dapat dituliskan sebagai berikut:

Yt*= β0(1- ρ) + β1 Xt* + VtDimana : Yt* = Yt- ρYt-1 dan Xt*=Xt- ρXt-1. (Catatan: nilai ρ masih diperbolehkan diasumsikan sama dengan 1)

3.4.4 MultikolinearitasUntuk mendeteksi ada atau tidaknya multikolinieritas di dalam model

regresi dapat dilihat dari nilai tolerance dan lawannya, yaitu variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Dalam pengertian sederhana setiap variabel bebas menjadi variabel terikat dan diregres terhadap variabel bebas lainnya. Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF = 1/tolerance).

Mengatasi Multikolinearitas

Jika pada model terdapat masalah multikolinieritas yang serius, salah satu metode sederhana yang bisa dilakukan adalah dengan menghilangkan salah satu variabel independen yang mempunyai hubungan linier kuat (Gujarati, Damodar N., 2003). Dengan memanfaatkan informasi apriori juga sangat membantu untuk meminimalisasi kemungkinan terjadi multikoliniearitas. Selain itu menghubungkan data cross-sectional dan data time series (panel data) dapat menjadi alternatif berikutnya. Transformasi variabel seperti pada kejadian autokorelasi juga dapat dilakukan untuk mengatasi multikolinearitas.

HASIL DAN PEMBAHASAN

4.1 HasilBerdasarkan hasil pengolahan dengan menggunakan software SPSS 19.0 diperoleh hasil penghitungan sebagai berikut :1. Pengujian Outlier

Sebelum kita melakukan uji signifikansi model dan asumsi klasik guna mendapatkan model terbaik, terlebih dahulu kita mesti mengecek keberadaan outlier . Outlier dapat membuat data menjadi tidak normal dan tidak memenuhi asumsi regresi lain . Karena itu, kita mesti mendeteksi keberadaan outlier dan membuangnya dari data. Berdasarakn hasil pengolahan data SPSS 19.0, diketahui outlier pada data ini adalah sebagaimana ditunjukkan diagram Box-plot berikut :

Gambar 1. Diagram Box-plot

Dari gambar tersebut, kita dapat mengetahui bahwa data outlier adalah data yang ke-68, 19, 125 dan 38 . Setelah itu hal yang perlu dilakukan adalah mengeluarkan/mengeliminasi data tersebut.

2. Uji Signifikansi Model

Gambar 2. Hasil Pengolahan SPSS 19.0, Anova

Gambar 3. Hasil Pengolahan SPSS 19.0, Regression

Dari hasil pengolahan, dengan menggunakan uji simultan (uji F) dapat diketahui bahwa semua variabel tersebut signifikan dalam model. Hal ini sebagaimana ditunjukkan oleh nilai F-hitung sebesar 1553, 808 dan p-value kurang dari 0,05 yang berarti bahwa hasil pengujian adalah Tolak H0 dan kesimpulan berarti bahwa semua variabel tsb secara simultan signifikan dalam model. Variabel tenaga kerja, bahan baku dan mesin merupakan variabel yang signifikan di dalam model secara parsial karena setelah di uji, hasilnya menunjukkan nilai p-value yang dibawah 0,05 yang berarti tolak H0 yang mengindikasikan bahwa variabel tsb signifikan dalam model. Nilai koefisien determinasi adalah 0,975 yang berarti bahwa variasi produksi dapat dijelaskan oleh variabel bahan baku, tenaga kerja dan mesin sebessar 97,5 % .

3. Model yang terbentukModel yang terbentuk dari hasil pengolahan dengan SPSS 19.0 adalah

Ln Q (Produksi) =2.560 + 0.058 Ln K (Mesin) + 0.758 Ln B (Bahan Baku) + 0.202 Ln L (Tenaga Kerja)

Jika dalam fungsi Cobb-Douglass dituliskan sebagai berikut :Produksi=e2.560 K0,058 B0,758 L0,202

4. Normalitas

Gambar 4. Hasil Pengolahan SPSS 19.0, Normal Probability Plots

Berdasarkan Grafik NPP (Normal Probability Plot), terlihat bahwa sebaran data berada disekitar garis yang membentuk sudut 45 derajat sehingga data mengikuti distribusi normal.

Gambar 5. Hasil Pengolahan SPSS 19.0, Uji Kenormalan

Uji kenormalan dengan menggunakan Uji Kolmogorv-Smirnov, didapatkan hasil bahwa p-value ialah sebesar 0.2 yang berarti lebih besar dari tingkat signifikansi yang telah ditentukan yaitu 0.05. Maka, keputusannya adalah tidak tolak H0 sehingga dapat ditarik kesimpulan bahwa data tersebut berdistribusi normal.

5. Homogenitas

Dari hasil penghitungan dengan Uji Park dengan SPSS 19.0, yaitu dengan mentranformasi residual dalam bentuk Logaritma Natural (Ln) setelah

sebelumnya dikuadratkan yang kemudian diberi nama variabel LN_RES. Setelah itu, LN_RES diregresikan dengan variabel Tenaga Kerja, Bahan Baku dan Mesin sehingga dapat menguji signifikansi variabel tersebut. Hasil yang diperoleh bahwa semua variabel tidak signifikan sehingga asumsi homoskedastisitas terpenuhi.

Gambar 6. Hasil Pengolahan SPSS 19.0, Uji Park

6. AutokorelasiAutokorelasi dapat dilihat dengan menggunakan nilai Durbin-Watson. Nilai d

= 1.993 dan dengan 3 variabel bebas serta n = 125 maka didapat nilai dL dan dU adalah sebesar 1.67567 dan 1.74061.

Gambar 7. Hasil Pengolahan SPSS 19.0, Durbin Watson

Berdasarkan gambar tsb, kita dapat mengetahui bahwa d = 1.993 terletak diantara 1.74061 – 2.25939 yang berarti dU < d < 4 – dU . Oleh karena itu, keputusannya adalah menerima H0 maka dapat disimpulkan bahwa auto korelasi tidak terjadi sehingga asumsi terpenuhi.

7. MultikolinearitasPendeteksian multikolinearitas dapat dilakukan dengan melihat nilai VIF

(Variance Inflation Factor). Nilai VIF yang lebih dari 5 mengindikasikan terjadinya multikolinearitas . Berdasarkan hasil pengolahan data SPSS 19.0, nilai VIF untuk variabel tenaga kerja adalah 2.166, bahan baku sebesar 2.557 dan mesin sebanyak 1.509. Dengan demikian multikolinearitas tidak terjadi sehingga asumsi tidak adanya multikolinearitas terpenuhi.

Gambar 8. Hasil Pengolahan SPSS 19.0, Collinearity Diagnostic

4.2 PembahasanBerdasarkan model persamaan yang telah dilakukan pengujian signifikansi dan

pengujian asumsi kita mendapati bahwa model :Produksi=e2.560 K0,058 B0,758 L0,202

Produksi=12.936 K 0,058 B0,758 L0,202

merupakan model yang tepat digunakan dalam analisis ini karena semua variabel signifikan dan semua asumsi regresi linier terpenuhi. Oleh karena itu, kita dapat menggunakan OLS (Ordinary Least Squares) terpenuhi sehingga estimatornya adalah estimator yang BLUE (Best Linier Unbiased Estimators). Besar pengaruh tenaga kerja dan bahan baku terhadap produksinya adalah sebesar 97.5 % . Agar dapat mengetahui produktivitas dari sektor Industri barang dari plastik lainnya yang merupakan KBLI kode 2229, dilakukan analisis-analisis sebagai berikut ; 1. Analisis Efisiensi

Berdasarkan model persamaan fungsi Cobb-Douglass, kita dapatkan indeks efisiensi (A) sebesar 12.936 . Indeks efisiensi ini merupakan indikasi dari interaksi antara input variabel penggunaan mesin, bahan baku dan tenaga kerja.

2. Analisis Skala Hasil Produksi (Return to Scale)Dari model persamaan Cobb-Duglass diatas, kita mendapati nilai α = 0,058, β

= 0,758 dan γ = 0.202. Hal ini berarti bahan baku memiliki peranan yang lebih besar dalam memproduksi output di sektor barang industri dari plastik dan lainnya daripada tenaga kerja dan mesin.

Nilai α + β + γ = 1,018 . Karena nilainya lebih besar dari 1 maka kita dapat menyimpulkan bahwa skala hasil produksinya meningkat (increasing returns to scale). Hal ini mengindikasikan bahwa proporsi penambahan produksi melebihi penambahan faktor produksinya atau bisa dikatakan output yang dihasilkan lebih dari dua kali lipat apabila semua input dilipatgandakan.

3. Analisis Elastisitas ProduksiDari hasil penghitungan nilai elastisitas diatas, kita dapat menjelaskan besaran

koefisien elastisitas tsb sebagai berikut :1. Elastisitas produksi dari mesin sebesar 0,058. Artinya setiap peningkatan 1 %

penggunaan mesin dalam industri barang dari plastik dan lainnya akan meningkatkan produksi barang sebesar 5,8%.

2. Elastisitas produksi dari bahan baku sebesar 0,758. Artinya setiap peningkatan 1 % bahan baku dalam industri barang dari plastik dan lainnya akan meningkatkan produksi barang sebesar 75,8%.

3. Elastisitas produksi dari tenaga kerja sebesar 0,202. Artinya setiap peningkatan 1 % tenaga kerja dalam industri barang dari plastik dan lainnya akan meningkatkan produksi alat-alat dapur sebesar 20,2%.

4. Average ProductUntuk menghitung produksi rata-rata perusahaan secara keseluruhan maka

dapat didekati dengan menggunakan perbandingan nilai rata-rata dari produksi dengan rata-rata bahan baku, dan tenaga kerja. Berdasarkan data yang digunakan diperoleh rata-rata produksi perusahaan sebesar 15,5048 , rata-rata jumlah bahan baku 14,8251 per perusahaan, rata-rata jumlah tenaga kerja per perusahaan 4,5982 orang dan rata-rata jumlah mesin adalah 13,4506.

Gambar 9. Hasil Pengolahan SPSS 19.0, Mean

a. Average Product of Labour (APL)

APL=QL

=15,50484,5982

=3,372

Artinya setiap satu orang tenaga kerja dapat menghasilkan output sebesar 3,372

b. Average Product of Kapital (APK)

APK=QK

=15,446613.4506

=1,1527

Artinya setiap satu mesin dapat menghasilkan output sebesar 1,1527

c. Average Product of raw Material (APB)

APL=QB

=15,446614,8251

=1,0458

Artinya setiap satu satuan bahan baku dapat menghasilkan output sebesar 1,0458

5. Marginal ProductUntuk mendapatkan nilai dari produksi marjinal dapat dihitung melalui nilai

elastisitas dan nilai produksi rata-rata. a. Marginal Product of Labour (MPL)

MPL=EpL× AP L=0.202× 3.372=0.6811

Artinya, setiap penambahan satu orang tenaga kerja akan menambah produksi sebesar 1,1716.

b. Marginal Product of Raw Material (MPB)

MPB=EpB× APB=0,758 × 1,0458=0,792

Artinya, setiap penambahan bahan baku satu satuan akan menambah produksi sebesar 0,792.

c. Marginal Product of Kapital (MPB) MPL=EpL × AP L=0,058× 1,1527=0,669

Artinya, setiap penambahan bahan baku satu satuan akan menambah produksi sebesar 0,669.

KESIMPULAN

Dari hasil analisis yang telah dilakukan, dapat ditarik kesimpulan sebagai berikut :

Faktor-faktor yang mempengaruhi tingkat produktivitas sektor industri barang plastik lainnya yang merupakan KBLI kode 2229 adalah tenaga kerja, mesin dan bahan baku

Produktivitas sektor industri barang dari plastik lainnya (KBLI kode 2229) ini dapat dikatakan baik karena output yang dihasilkan lebih dari dua kali lipat jika semua input digandakan .

Efisiensi penggunaan input tenaga kerja, mesin dan bahan baku pada sektor ini adalah sebesar 12.936.

Bahan baku memiliki peranan yang lebih besar daripada tenaga kerja dan mesin dalam memproduksi output di sektor industri barang plastik lainnya ini. Sektor ini merupakan sektor yang bersifat padat kapital (bahan baku)

Produktivitas tenaga kerja lebih besar daripada produktivitas bahan baku dan mesin Jika dilihat dari nilai elastisitasnya, semua variabel tersebut tidak elastis karena nilainya

kurang dari 1. Kondisi ini menunjukkan adanya pemakaian bahan baku dan tenaga kerja yang berlebihan sehingga kita dapat mengetahui bahwa penggunaan input bahan baku, mesin dan tenaga kerja masih belum efisien.