l
tidak mengandung cacat lepuh-lepuh, pasir pembungkus yang kotor dan segala benda-benda bahan-bahan asing lainnya, selain daripada yang
diperkenankan penetapan di atas. 2 RSS III : Bila pada waktu penyerahan terdapat sedikit bahan yang bersifat
seperti damar dan sedikit cendawan kering pada pembalutnya, pada permukaan bandela dan RSS yang ada di dalamnya tidak akan ditolak, bila
terdapat karat atau cendawan kering dan jumlah bandela yang cukup berarti yaitu lebih 10 dari jumlah yang diperiksa untuk contoh, maka hal
ini merupakan dasar bagi perolehan. Adanya sedikit cacat warna, gelembung-gelembung udara kecil dan noda-noda kecil yang berasal dari
kulit kayu dalam jumlah seperti yang diperlihatkan dalam contoh masih diperkenankan, sedangkan RSS yang berbintik-bintik atau bergaris-garis
karena oksidasi, lembek, mengalami pemanasan tinggi, kurang matang, terlampau lama di asap, buram dan hangus tidak diperkenankan. Karet
harus kering, kekar dan tidak mengandung cacat lepuh-lepuh pasir, pembungkus yang kotor serta segala benda-benda dan bahan-bahan
lainnya, selain yang diperkenankan menurut penetapan diatas. 3 Cutting: Cutting masih cukup baik, berasal dari RSS 1 dan RSS 2, tidak
mengandung karet mentah, cutting B lebih rendah mutunya dari cutting A telah mengandung karet yang sedikit kurang matang berasal sekurang-
kurangnya dari RSS III. Skala pengukuran data yang digunakan untuk variabel produk cacat Y
dinyatakan dalam skala rasio.
3.5 Metode Analisis Data
Metode analisis data yang digunakan terdiri dari: pengujian regresi linier berganda, pengujian asumsi klasik, dan pengujian hipotesis. Serangkaian
pengujian tersebut dilakukan dengan bantuan software SPSS 16 for windows. Untuk lebih jelas, masing-masing metode akan dibahas secara rinci sebagai
berikut: 3.5.1 Regresi Linier Berganda
li
Penelitian ini menggunakan alat analisis regresi linier berganda untuk menguji hipotesis yang telah dirumuskan sebelumnya. Regresi berganda berguna
untuk menguji pengaruh dua atau lebih variabel independen explanatory terhadap satu variabel dependen Imam, 2009:13. Adapun model dasar Algifari,
2000: 93 persamaan dalam penelitian ini sebagai berikut: Y = a + b
1
X
1
+ b
2
X
2
+ e Dimana:
Y = produk cacat a = konstanta
b
1
= koefisien regresi biaya pencegahan b
2
= koefisien regresi biaya penilaian X
1
= variabel biaya pencegahan X
2
= variabel biaya penilaian e = faktor pengganggu
3.5.2 Uji Asumsi Klasik Model regresi dapat dikatakan model yang baik apabila terbebas dari
penyimpangan asumsi klasik. Oleh karena itu perlu dilakukan pengujian asumsi klasik yang terdiri dari uji normalitas model, uji autokorelasi, uji multikolinieritas,
dan uji heteroskedastisitas. a. Uji Normalitas Model
Menurut Imam 2005:110 uji normalitas dilakukan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi
normal. Suatu model regresi dapat dikatakan baik apabila berdistribusi normal. Apabila asumsi ini dilanggar dapat mengakibatkan hasil uji statistik menjadi tidak
valid untuk jumlah sampel kecil. Menurut Gujarati 2003 jika jumlah data lebih dari 30 atau n 30, maka dapat diasumsikan berdistribusi normal. Namun untuk
memastikan apakah data berdistribusi normal atau tidak maka sebaiknya dilakukan uji normalitas. Hal ini dilakukan karena belum tentu data yang
jumlahnya diatas 30 dipastikan berdistribusi normal, oleh karena itu perlu adanya suatu pembuktian. Pengujian normalitas dapat dilakukan dengan analisis statistik
lii
yaitu menggunakan uji statistik non-parametrik Kolmogorov-Smirnov K-S. Langkah-langkah uji normalitas:
1 Membuat hipotesis H
: b
i
= 0, data residual berdistribusi normal H
a
: b
i
≠ 0, data residual tidak berdistribusi normal 2 Menentukan taraf signifikansi
Taraf signifikansi dalam penelitian ini sebesar 5. 3 Menentukan kriteria pengambilan keputusan
a Jika p-value α, H
diterima Kesimpulan: data residual berdistribusi normal.
b Jika p-value α, H
ditolak Kesimpulan: data residual tidak berdistribusi normal.
b. Uji Multikolinearitas Uji multikolinearitas merupakan salah satu bagian dari pengujian asumsi
klasik yang tujuannya untuk mengetahui apakah antar variabel bebas independen dalam suatu model terdapat hubungan atau korelasi. Menurut Imam 2005:91
Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Mulitikolinieritas biasanya terjadi ketika sebagian besar variabel
bebas yang digunakan saling terkait dalam suatu model regresi, oleh karena itu masalah multikolinieritas tidak terjadi pada regresi linier sederhana yang hanya
menggunakan satu variabel independen. Salah satu cara untuk mendeteksi gejala mulitikolinearitas yaitu dengan melihat nilai VIF Variance Inflation Factors dan
nilai tolerance pada masing-masing variabel bebas, apabila nilai VIF 10 atau nilai tolerance 0,1, maka dinyatakan tidak ada indikasi multikolinieritas antar
variabel bebasnya Bhuono, 2005:58. Cara yang paling mudah untuk mengatasi masalah multikolieritas adalah
Menghilangkanmen-drop salah satu atau beberapa varibel yang memiliki korelasi tinggi dalam model regresi. Cara lain bisa dengan menambah data penelitian, cara
ini bermanfaat jika masalah multikolinieritas akibat kesalahan sampel.
liii
Selanjutnya cara ketiga untuk menghilangkan masalah multikolinieritas adalah nilai variabel yang digunakan mundur satu tahun Erwan dan Dyah, 2007:198.
c. Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam suatu model
regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain, jika variance dari residual satu pengamatan ke pengamatan
lain berbeda maka disebut heteroskedastisitas Imam, 2009:125. Situasi heteroskedastisitas akan menyebabkan penaksiran koefisien regresi menjadi tidak
efisien dan hasil taksiran dapat menjadi kurang atau melebihi dari yang semestinya Gujarati 2003.
Salah satu cara untuk mendeteksi ada tidaknya heteroskedastisitas dapat diketahui dengan meregres nilai absolut residualnya terhadap varaibel independen,
uji ini dikenal dengan uji glejser Gujarati dalam Imam, 2005:108. Tahapan dalam uji glejser adalah sebagai berikut
1 Meregresikan model persamaan dan menghitung nilai residualnya Ut. 2 Menghitung nilai absolut dari nilai residual AbsUt.
3 Regresikan variabel independen dengan nilai absolut residualnya, sehingga persamaan regresi menjadi:
AbsUt = b +b
1
X
1
+ b
2
X
2
4 Membuat hipotesis H
: b
i
= 0, tidak terjadi heteroskedastisitas H
a
: b
i
≠ 0, terjadi heteroskedastisitas 5 Kriteria pengambilan keputusan
Jika nilai sig. α, H diterima tidak terjadi heteroskedastisitas
Jika nilai sig. α, H
a
diterima terjadi heteroskedastisitas Menurut Imam 2005:109-110 jika suatu model terindikasi adanya
heteroskedastisitas maka dapat dilakukan perbaikan dengan beberapa cara berikut: 1 Melakukan transformasi dalam bentuk model regresi dengan membagi model
regresi dengan salah satu variabel independen yang digunakan dalam dalam model tersebut.
liv
2 Melakukan transformasi Logaritma sehingga model persamaan regresinya menjadi:
Log Y = b0 + b1LogX1 + b2LogX2
d. Uji Autokorelasi Menurut Wijaya dalam Haryadi dan Winda, 2011:80 uji autokorelasi
bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dan kesalahan pengganggu pada periode
sebelumnya t – 1. Gujarati menyatakan1993, uji autokorelasi perlu dilakukan
apabila data yang dianalisis merupakan data time series. Ketentuan ada tidaknya korelasi adalah sebagai berikut:
1 Bila nilai DW berada diantara dU sampai dengan 4 – dU, koefisien
korelasi sama dengan nilai nol. Artinya, tidak terjadi autokorelasi. 2 Bila nilai DW lebih kecil daripada dL, koefisien korelasi lebih besar
daripada nol. Artinya, terjadi autokorelasi positif. 3 Bila nilai DW lebih besar daripada 4
– dL , koefisien korelasi lebih kecil daripada nol. Artinya, terjadi autokorelasi negatif.
4 Bila nilai DW terletak di antara 4 – dU dan 4 – dL, hasilnya tidak dapat
disimpulkan. Jika dalam model regresi terdeteksi adanya gejala autokorelasi, hal ini bisa
diatasi dengan menggunakan metode feasible generalized least square FGLS. Metode yang dikenal menggunakan FGLS adalah Cochrane-Orcutt dan Prais-
Winsten. Pada dasarnya metode cochrane-orcutt dan prais-winsten memiliki kaidah yang hampir sama. Tahap-tahap pemodelan dengan metode FGLS yaitu
Wooldridge, 2008 : 1
Mengestimasi nilai ρ rho menggunakan persamaan sebagai berikut. Y
t
– ρY
t-1
= β
1
1- ρ + β
2
X
t-1
+ ρ
t
- ρµ
t-1
model cochrane-orcutt 1 − �
1
= 1 − �
2
+ 1 − �
2 1
+ 1 − �
2
�
�
model prais-winsten 2
Transformasi data dengan nilai ρ hasil estimasi yang baru dan jalankan melalui persamaan Y
t
= β X
t0
+ β
1
X
t1
+ β
2
X
t2
+ error
t
dengan regresi OLS.
lv
3 Ulangi proses tersebut hingga nilai ρ berubah sedikit demi sedikit dari iterasi
sebelumnya. Pada metode Cochrane-Orcutt, karena transformasi data dilakukan dengan
transformasi Lag maka data pertama atau n ke-1 akan hilang. Untuk mengatasi agar tidak kehilangan informasi pada data pertama maka bisa dilakukan uji Prais
Winsten, caranya dengan menggunakan formula berikut untuk memberi nilai pada observasi pertama Wooldridge, 2008.
1 − �
2 1
= 1 − �
2
+ 1 − �
2 1
+ 1 − �
2
�
1
3.5.3 Uji Hipotesis Uji hipotesis bertujuan untuk menguji kebenaran hipotesis yang telah
dirumuskan sebelumnya, tingkat signifikansi α yang digunakan dalam penelitian ini adalah sebesar 5. Uji hipotesis yang digunakan terdiri dari uji F, uji t.
a. Uji Signifikansi Simultan Uji F Uji statistik F pada dasarnya menunjukkan apakah semua variabel
independen yang dimasukkan dalam model mempunyai pengaruh secara bersama- sama atau simultan terhadap variabel dependen Imam, 2005:84. Pada penelitian
ini uji F bertujuan untuk mengetahui pengaruh antara variabel biaya pencegahan dan biaya penilaian sebagai variabel independen terhadap variabel produk rusak
sebagai variabel dependen secara bersama-sama atau simultan. Langkah-langkah pengujian hipotesis F sebagai berikut:
1 Menentukan formulasi H dan H
a
H : b
1
= b
2
= 0, artinya variabel independen secara bersama-sama tidak berpengaruh signifikan terhadap variabel dependen.
H
a
: b
1
= b
2
≠ 0, artinya variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen.
2 Memilih level of significant α
Pada penelitian ini α ditentukan sebesar 5 dan 10 3 Kriteria pengambilan keputusan uji F sebagai berikut:
a Jika p-value α
maka H diterima.
lvi
b Jika p-value α maka H
ditolak dan H
a
diterima.
b. Uji Signifikansi Parsial Uji statistik t Menurut Imam 2005:84 uji statistik t dilakukan untuk mengetahui
seberapa jauh pengaruh dari variabel independen secara individual terhadap variabel dependennya. Langkah-langkah pengujian hipotesis t sebagai berikut:
1 Menentukan formulasi H dan H
a
a Hipotesis 1 H
01
: b
1
= 0 , artinya variabel independen tidak berpengaruh signifikan terhadap variabel dependen
H
a1
: b
1
≠ 0, artinya variabel independen berpengaruh signifikan terhadap variabel dependen.
b Hipotesis 2 H
02
: b
2
= 0 , artinya variabel independen tidak berpengaruh signifikan terhadap variabel dependen.
H
a2
: b
2
≠ 0, artinya variabel independen berpengaruh signifikan terhadap variabel dependen.
2 Memilih level of significant Pada penelitian ini α ditentukan sebesar 5, 10
3 Kriteria pengambilan keputusan uji t sebagai berikut: a Apabila p-value
α maka H diterima.
b Jika p-value α maka H
ditolak dan H
a
diterima
c. Koefisien Determinasi Analisis koefisien determinasi dilakukan untuk mengetahui besarnya
kontribusi variabel independen dapat menjelaskan variabel dependen. Menurut Imam 2005:83, koefisien determinasi R
2
pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen, rentang nilai
R
2
berada diantara nol dan satu. Nilai R
2
yang kecil berati kemampuan variabel- variabel independen dalam menjelaskan variabel dependen amat terbatas.
Umumnya koefisien determinasi untuk data silang crossection relatif rendah
lvii
karena adanya variasi yang besar antara masing-masing pengamatan, sedangkan untuk data runtut waktu time series biasanya mempunyai nilai koefisien
determinasi yang tinggi. Nilai R
2
dapat dilihat pada hasil output SPSS pada tabel model summary.
Koefisien determinasi parsial r
2
adalah koefisien untuk mengetahui besarnya kontribusi yang diberikan masing-masing variabel bebas terhadap
variabel terikat secara terpisah parsial. Hasil perhitungan r
2
digunakan untuk mengukur seberapa besar persentase variasi variabel independen yang digunakan
dalam model mampu menjelaskan variasi variabel dependen secara terpisah parsial. Nilai r
2
dapat dilihat pada hasil output SPSS pada tabel coefficients kolom partial.
lviii
3.6 Kerangka Pemecahan Masalah