2. Observasi ke-11 yaitu bulan November 2004, pada variabel kualitas produk X
2
dengan nilai zscore sebesar -3,48002. 3. Observasi ke-22 yaitu bulan Oktober 2005, pada variabel kualitas bahan
baku X
1
dengan nilai zscore sebesar -4,19348. 4. Observasi ke-36 yaitu bulan Desember 2006, pada variabel efisiensi
biaya produksi Y dengan nilai zscore sebesar -5,41975. Penjelasan
di atas
menunjukkan bahwa banyaknya data outlier yaitu 4 empat data atau observasi, sehingga jumlah observasi atau data yang
digunakan untuk uji selanjutnya adalah sebanyak 36 – 4 = 32 data atau observasi. Setelah uji outlier, maka dilakukan uji normalitas lagi dan
hasilnya adalah sebagai berikut : Tabel
4.11 : Hasil Uji Normalitas 2 No Variabel
Penelitian Kolmogorov Smirnov
Sig 1
2 3
Kualitas bahan baku Kualitas produk
Efisiensi biaya produksi 0,715
0,635 0,998
0,687 0,814
0,272
Sumber : Lampiran 5 Tabel 4.11 di atas menjelaskan bahwa variabel kualitas bahan baku,
kualitas produk dan efisiensi biaya produksi berdistribusi normal, karena tingkat signifikan yang dihasilkan lebih besar dari 5 sig 0,05.
4.3.2. Uji Asumsi Klasik
Untuk mendukung keakuratan hasil model regresi, maka perlu dilakukan penelusuran terhadap asumsi klasik yang meliputi asumsi
multikolinieritas dan heteroskedastisitas. Hasil dari asumsi klasik tersebut adalah sebagai berikut :
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
1. Uji
Asumsi Multikolinearitas
Uji mutikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen Ghozali,
2001 : 57. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Multikolinearitas dapat dilihat dari nilai toleransi
dan nilai VIF. Besaran VIF dari masing-masing variabel bebas dapat dilihat pada tabel berikut:
Tabel 4.12 : Hasil Nilai VIF
No. Variabel Bebas
Nilai VIF 1.
2. Kualitas bahan baku
Kualitas produk 1,026
1,026 Sumber : Lampiran 6
Tabel di
atas menjelaskan
bahwa nilai VIF pada variabel kualitas bahan baku dan kualitas produk kurang dari angka 10, sehingga dapat
disimpulkan bahwa antar variabel bebas tidak terjadi korelasi atau model regresi linier berganda yang dihasilkan bebas dari multikolinieritas.
2. Uji
Asumsi Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual suatu pengamatan ke
pengamatan lainnya, jika varians dari residual dari pengamatan ke pengamatan lain berbeda, maka disebut terdapat heteroskedastisitas.
Identifikasi secara statistik ada atau tidaknya gejala heteroskedastisitas
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
dapat dilakukan dengan menghitung korelasi Rank Spearman. Berikut ini hasil uji Rank Spearman:
Tabel 4.13 : Hasil Uji Rank Spearman
Variabel Bebas Koefisien korelasi
Rank Spearman Tingkat
signifikan Kualitas bahan baku
Kualitas produk -0,142
0,084 0,437
0,647 Sumber : Lampiran 6
Tabel di
atas menjelaskan bahwa tingkat signifikan sig dari
korelasi Rank Spearman pada variabel kualitas bahan baku dan kualitas produk lebih besar dari 5 sig 5, maka dapat disimpulkan bahwa
model regresi linier berganda yang dihasilkan bebas dari heteroskedastisitas.
3. Uji
Asumsi Autokorelasi
Autokorelasi di
dalam model
regresi menjelaskan adanya korelasi antar anggota sampel yang diurutkan berdasarkan waktu. Uji statistik
yang digunakan untuk mengetahui ada tidaknya autokorelasi adalah uji Durbin Watson. Berikut ini hasil uji Durbin Watson:
Tabel 4.14 : Hasil Uji Durbin Watson
Model Summary
b
.300
a
.090 .028
6.67359 1.744
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, kualitas produk, kualitas bahan baku a.
Dependent Variable: efisiensi biaya produksi b.
Sumber : Lampiran 6
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Mengetahui ada
tidaknya gejala autokorelasi perlu dilihat tabel
Watson dengan jumlah variabel bebas k dan jumlah data n, sehingga diketahui d
L
dan d
U
maka dapat diperoleh distribusi daerah keputusan ada tidaknya autokorelasi.
k =
2 n
= 32
d
L
= 1,31
d
U
= 1,57 Lampiran 7 Nilai Durbin Watson yang dihasilkan sebesar 1,744 berada diantara
1,57 d
U
sampai dengan 2,43 4-d
U
atau berada pada daerah tidak ada autokorelasi positif atau autokorelasi negatif.
Hasil uji asumsi klasik di atas, dapat diperoleh model regresi yang merupakan model untuk menghasilkan estimasi linear tidak bias yang baik
yang artinya bahwa koefisien regresi pada persamaan tersebut linear dan tidak bias, karena memenuhi beberapa asumsi yaitu tidak terjadi
multikolinieritas, tidak terjadi heteroskedastisitas dan tidak terjadi autokorelasi.
4.3.3. Analisis Regresi Linier Berganda