Harga Pokok Produksi 36
2386 4545
3293.47 650.194
Harga Jual 36
4240 9317
6539.75 1367.756
Volume Penjualan 36
1.E11 7.E11
3.30E11 1.290E11
Valid N listwise 36
Dari tabel 4.4 di atas, dijelaskan bahwa: 1.
variabel harga pokok produksi X
1
memiliki nilai minimum 2386 dan nilai maksimum 4545 dengan rata-rata harga pokok produki adalah 3293,47 dan
standar deviasi sebesar 650,194. Jumlah data yang diteliti sebanyak 36. 2.
variabel harga jual X
2
memiliki nilai minimum 4240 dan nilai maksimum 9317 dengan rata-rata harga jual adalah 6539,75 dan standar deviasi sebesar
1367,756. Jumlah data yang diteliti sebanyak 36. 3.
variabel volume penjualan Y memiliki nilai minimum 1,0 x 10
11
dan nilai maksimum 7,0 x 10
11
dengan rata-rata volume penjualan adalah 3,30 x 10
11
dan standar deviasi sebesar 1,290 x 10
11
. Jumlah data yang diteliti sebanyak 36.
C. Pengujian Asumsi Klasik
1. Uji Normalitas
“Uji normalitas untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distrtibusi normal. Kalau nilai residual tidak
mengikuti distribusi normal, uji statistik menjadi tidak valid untuk jumlah sampel yang kecil”, Ghozali, 2005 : 110. Uji normalitas dapat ditempuh dengan
menggunakan kurva persebaran data atau menggunakan uji Kolmogorov-Smirnov K-S dengan kriteria jika p-value 0.05 berarti data terdistribusi tidak normal.
Universitas Sumatera Utara
Tabel 4. 5 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
36 Mean
-.0000119 Normal Parameters
a
Std. Deviation 1.15746139E11
Absolute .154
Positive .154
Most Extreme Differences Negative
-.081 Kolmogorov-Smirnov Z
.923 Asymp. Sig. 2-tailed
.362 a. Test distribution is Normal.
Tabel 4.5 menunjukkan bahwa hasil pengujian statistik dengan model Kolmogorov-Smirnov
menunjukkan nilai Asymp.Sig 2-tailed Kolmogorov- Smirnov
lebih besar dari 0,05 0,05 yaitu sebesar 0,362 maka data berdistribusi normal. Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai
observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Selain dengan menggunakan uji Kolmogorov-Smirnov,
untuk mengetahui normalitas data, secara kasat mata kita bisa lihat melalui grafik
Universitas Sumatera Utara
histogram dari data yang dimaksud, apakah membentuk kurva normal atau tidak dan juga dapat melalui grafik PP Plots.
Suatu data akan terdistribusi secara normal jika nilai probabilitas yang diharapkan adalah sama dengan nilai probabilitas pengamatan. Pada grafik PP
Plots, kesamaan antara nilai probabilitas harapan dan probabilitas pengamatan ditunjukkan dengan garis diagonal yang merupakan perpotongan antara garis
probabilitas harapan dan probabilitas pengamatan. Berikut ini merupakan hasil pengujian normalitas data dalam bentuk grafik histogram dan grafik PP Plots.
Gambar 4.1 Uji Normalitas data
Grafik histogram di atas menunjukkan bahwa data telah terdistribusi secara normal. Hal ini dapat dilihat dari grafik histogram yang menunjukkan
distribusi data mengikuti garis diagonal yang tidak menceng skewness kiri
Universitas Sumatera Utara
maupun menceng ke kanan. Hal ini juga didukung dengan hasil uji normalitas dengan menggunakan grafik plot sebagai berikut:
Gambar 4.2 Uji Normalitas data
Pada grafik PP Plots terlihat titik-titik menyebar di sekitarmengikuti garis diagonal, yang menunjukkan bahwa data berdistribusi normal. Kedua grafik ini
menunjukkan bahwa model regresi layak digunakan karena memenuhi uji normalitas data.
2. Uji Heterokedastisitas
Menurut Erlina dan Mulyani 2007:107 “uji ini bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu
pengamatan ke pangamatan lain. Model regresi yang baik adalah tidak terjadi
heteroskedastisitas.
Cara mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan
Universitas Sumatera Utara
program SPSS. Dasar pengambilan keputusannya menurut Ghozali 2005:105
adalah sebagai berikut:
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu
yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di
bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas
Gambar 4.3 Hasil Uji Heterokedastisitas
Melalui hasil pengujian heterokedastisitas, terlihat titik-titik menyebar secara
acak tidak membentuk sebuah pola tertentu yang jelas dan tersebar baik diatas maupun dibawah angka nol pada sumbu Y. Maka dapat disimpulkan bahwa tidak
terjadi gejala heterokedastisitas pada data penelitian, sehingga pengujian asumsi
klasik dapat dilanjutkan kepada pengujian-pengujian berikutnya. 3.
Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
Universitas Sumatera Utara
pada periode t-1 atau sebelumnya. Pada penelitian ini, uji autokorelasi dilakukan dengan Uji Durbin Watson, karena uji ini umum yang digunakan. Uji ini hanya
digunakan untuk autokorelasi tingkat pertama first order autokorelasi dan mensyaratkan intercept konstanta dalam model regresi.
Uji autokorelasi digunakan untuk mendeteksi gejala korelasi antara data yang satu dengan data yang lain. Uji autokorelasi dapat menggunakan Durbin-Watson
test , dengan kriteria jika nilai Durbin Watson
≤ 2 maka tidak terdapat gejala autokorelasi Supramono dan Utami, 2004 : 83. Hasil uji autokorelasi dengan
menggunakan Durbin-Watson Test dapat dilihat sebagai berikut :
Tabel 4.6 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the Estimate Durbin-Watson
1 .441
a
.195 .146
1.192E11 1.414
a. Predictors: Constant, Harga Jual, Harga Pokok Produksi b. Dependent Variable: Volume Penjualan
Melalui hasil perhitungan Durbin-Watson Test dihasilkan angka 1,414 sehingga tidak terdapat gejala autokorelasi, dengan menggunakan kriteria bahwa
hasil Durbin-Watson Test 2. Maka dengan demikian, disimpulkan bahwa tidak terjadi problem autokorelasi.
4. Uji Multikolinearitas
Menurut Imam Ghozali 2005:92 “nilai cutoff yang umumnya dipakai untuk menunjukkan adanya multikolinearitas adalah nilai Tolerance 0,10 atau sama
dengan VIF 10”.
Universitas Sumatera Utara
Tabel 4.7 Hasil Uji Multikolinearitas
Coefficients
a
Unstandardized Coefficients Standardized
Coefficients Collinearity Statistics
Model B
Std. Error Beta
T Sig.
Tolerance VIF
Constant 2.293E10
1.111E11 .206
.838 Harga
Pokok Produksi
6.633E7 4.096E7
.334 1.619
.115 .572
1.747 1
Harga Jual 1.348E7
1.947E7 .143
.692 .494
.572 1.747
a. Dependent Variable: Volume Penjualan
Berdasarkan tabel 4.7 dapat disimpulkan bahwa penelitian ini bebas dari adanya multikolinieritas. Hal ini bisa dilihat dengan membandingkannya dengan
nilai Tolerence dan VIF. Masing-masing variabel independen yang digunakan dalam penelitian ini memiliki nilai Tolerence yang lebih besar dari 0,10
Tolerance 0,10 yaitu 0,572. Jika dilihat dari VIFnya, bahwa masing-masing variabel bebas lebih kecil dari 10 VIF 10 yaitu sebesar 1,747. Dengan
demikian dapat disimpulkan bahwa tidak terjadi gejala multikolinieritas dalam variabel bebasnya.
D. Analisis Regresi
