per bulan pada tahun 2009. Rata-rata kualitas produk tertinggi terjadi pada tahun 2008 yaitu sebesar 97,45 sedangkan rata-rata kualitas produk
terendah terjadi pada tahun 2006 yaitu sebesar 96,38. Gambar 4.7 : Grafik Kualitas Produk Pada PT. Alu Aksara Pratama,
Mojokerto Mulai Tahun 2006 Sampai Tahun 2009
84,00 86,00
88,00 90,00
92,00 94,00
96,00 98,00
100,00
Ja nua
ri Fe
br uar
i M
ar et
Ap ril
Me i
Ju ni
Ju li
Ag us
tu s
Se pt
em ber
O kt
ober N
ov em
be r
D ese
m be
r 2006
2007 2008
2009
Berdasarkan gambar di atas menunjukkan bahwa kualitas produk PT. Alu Aksara Pratama, Mojokerto Mulai Tahun 2006 Sampai Tahun 2009
relatif tidak ada perbedaan, kecuali kualitas produk bulan Desember 2008 paling kecil dibandingkan bulan-bulan lainnya.
4.3. Analisis Regresi Linier Berganda 4.3.1. Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal atau tidak Sumarsono, 2004: 40. Uji normalitas
dalam penelitian ini adalah uji Kolmogorov Smirnov. Adapun hasil dari pengujian normalitas adalah :
Tabel 4.6 : Hasil Uji Normalitas 1 No. Variabel
Penelitian Kolmogorov
Smirnov Tingkat
Signifikan 1.
2. 3.
4. 5.
Biaya pencegahan X
1
Biaya penilaian X
2
Biaya kegagalan internal X
3
Biaya kegagalan eksternal X
4
Kualitas produk Y 1,464
0,865 0,906
0,480 1,073
0,027 0,443
0,384 0,975
0,200
Sumber : Lampiran 3 Hasil uji normalitas pada tabel di atas menjelaskan bahwa tingkat
signifikan yang dihasilkan oleh variabel biaya pencegahan X
1
kurang dari 5 sig 0,05 sehingga variabel biaya pencegahan X
1
tidak berdistribusi normal. Sedangkan tingkat signifikan yang dihasilkan oleh variabel biaya
penilaian X
2
, biaya kegagalan internal X
3
, biaya kegagalan eksternal X
4
dan kualitas produk Y lebih besar dari 5 sig 0,05 sehingga keempat variabel tersebut berdistribusi normal.
Salah satu
uji statistik
yang dapat digunakan untuk menormalkan suatu data adalah uji outlier. Suatu observasi dikatakan outlier jika nilai
zscore-nya ± 1,96 Santoso, 2002 : 26. Hasil uji outlier pada variabel biaya pencegahan X
1
, biaya penilaian X
2
, biaya kegagalan internal X
3
, biaya kegagalan eksternal X
4
dan kualitas produk Y adalah:
Tabel 4.7 : Hasil Uji Outlier
Descriptive Statistics
48 -5,88338
1,50843 ,0000000
1,00000000 48
-1,43267 2,19173
,0000000 1,00000000
48 -1,73084
2,52516 ,0000000
1,00000000 48
-1,99561 2,03084
,0000000 1,00000000
48 -5,16368
1,32298 ,0000000
1,00000000 48
Zscorex1 Zscorex2
Zscorex3 Zscorex4
Zscorey Valid N listwise
N Minimum
Maximum Mean
Std. Deviation
Sumber : Lampiran 3 Berdasarkan
hasil descriptive statistics
di atas menunjukkan bahwa pada variabel biaya pencegahan X
1
, biaya penilaian X
2
, biaya kegagalan internal X
3
, biaya kegagalan eksternal X
4
dan kualitas produk Y terdapat outlier, karena nilai z-score yang dihasilkan melebihi selang ± 1,96
yang dapat dilihat pada kolom minimum atau maximum pada tabel 4.7. Observasi
yang dikategorikan
sebagai outlier pada variabel biaya pencegahan X
1
, biaya penilaian X
2
, biaya kegagalan internal X
3
, biaya kegagalan eksternal X
4
dan kualitas produk Y adalah sebagai berikut : 1. Observasi ke-2 yaitu bulan februari 2006, pada variabel biaya penilaian
X
2
dengan nilai zscore sebesar 2,10287 Lampiran 4. 2 Observasi ke-6 yaitu bulan juni 2006, pada variabel biaya penilaian X
2
dengan nilai zscore sebesar 2,19173 Lampiran 4. 3. Observasi ke-9 yaitu bulan september 2006, pada variabel biaya
kegagalan eksternal X
4
dengan nilai zscore sebesar 2,03084 Lampiran 4.
4. Observasi ke-10 yaitu bulan oktober 2006, pada variabel kegagalan internal X
3
dengan nilai zscore sebesar 2,52516 Lampiran 4.
5. Observasi ke-11 yaitu bulan januari 2007, pada variabel biaya pencegahan X
1
dengan nilai zscore sebesar -5,88338 dan variabel biaya kegagalan internal X
3
dengan nilai zscore sebesar 2,11812 Lampiran 4.
6. Observasi ke-16 yaitu bulan April 2007, pada variabel biaya kegagalan eksternal X
4
dengan nilai zscore sebesar 1,99561 Lampiran 4. 7. Observasi ke-24 yaitu bulan desember 2007, pada variabel kualitas
produk Y dengan nilai zscore sebesar -5,16368 Lampiran 4. 8. Observasi ke-39 yaitu bulan maret 2009, pada variabel biaya penilaian
X
2
dengan nilai zscore sebesar 2,00011 Lampiran 4. Lampiran
3 Berdasarkan
penjelasan tersebut, ditunjukkan bahwa banyaknya data
outlier yaitu 8 delapan data atau observasi, sehingga jumlah observasi atau data yang digunakan untuk uji selanjutnya adalah sebanyak 48 – 8 = 40 data
atau observasi. Setelah uji outlier, maka dilakukan uji normalitas lagi dan hasilnya adalah sebagai berikut :
Tabel 4.8 : Hasil Uji Normalitas 2 No. Variabel
Penelitian Kolmogorov
Smirnov Tingkat
Signifikan 1.
2. 3.
4. 5.
Biaya pencegahan X
1
Biaya penilaian X
2
Biaya kegagalan internal X
3
Biaya kegagalan eksternal X
4
Kualitas produk Y 0,615
0,794 0,758
0,503 0,498
0,843 0,553
0,614 0,962
0,965
Sumber : Lampiran 3 Tabel 4.8 di atas menjelaskan bahwa variabel biaya pencegahan X
1
, biaya penilaian X
2
, biaya kegagalan internal X
3
, biaya kegagalan
eksternal X
4
dan kualitas produk Y berdistribusi normal, karena tingkat signifikan yang dihasilkan lebih besar dari 5 sig 0,05.
4.3.2. Uji Asumsi Klasik
Tujuan utama menggunakan uji asumsi klasik adalah untuk mendapatkan koefisien yang terbaik linier dan tidak bias BLUE : Best
Linier Unbiassed Estimator .
Uji asumsi klasik tersebut meliputi asumsi multikolinieritas, heteroskedastisitas dan autokorelasi.
1. Uji
Multikolinieritas
Tolerance mengukur
variabilitas variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance
yang rendah sama dengan nilai VIF Variance Inflation Factor tinggi karena VIF = 1tolerance dan menunjukkan adanya kolinieritas yang
tinggi. Nilai cut off yang umum dipakai adalah nilai tolerance 0,10 atau sama dengan nilai VIF diatas 10. Besaran VIF dari masing-masing
variabel bebas dapat dilihat pada tabel berikut: Tabel 4.9: Nilai VIF
Variabel Bebas VIF
Biaya pencegahan X
1
Biaya penilaian X
2
Biaya kegagalan internal X
3
Biaya kegagalan eksternal X
4
1,162 1,209
1,280 1,479
Sumber : Lampiran 6 Nilai VIF yang dihasilkan oleh variabel biaya pencegahan X
1
, biaya penilaian X
2
, biaya kegagalan internal X
3
dan biaya kegagalan eksternal X
4
lebih kecil dari 10, sehingga model regresi tidak terjadi multikolinieritas.
2. Uji
Heteroskedastisitas
Heteroskedastisitas dapat diidentifikasikan dengan cara menghitung koefisien korelasi Rank Spearman antara nilai residual
dengan seluruh variabel bebas. Hasil dari uji Rank Spearman adalah sebagai berikut :
Tabel 4.10:
Hasil Korelasi
Rank Spearman Variabel Bebas
Koefisien korelasi Rank Spearman
Tingkat signifikansi
Biaya pencegahan X
1
Biaya penilaian X
2
Biaya kegagalan internal X
3
Biaya kegagalan eksternal X
4
0,100 0,012
0,016 0,032
0,539 0,943
0,922 0,844
Sumber : Lampiran 6 Hasil korelasi rank spearman pada tabel diatas menunjukkan
bahwa tingkat significant yang dihasilkan oleh variabel biaya pencegahan X
1
, biaya penilaian X
2
, biaya kegagalan internal X
3
dan biaya kegagalan eksternal X
4
lebih besar dari 5 sig 5 sehingga model regresi tidak terjadi heteroskedastisitas.
3. Uji
Autokorelasi
Adanya Autokorelasi
dalam model regresi artinya 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 4.11: Hasil Uji Durbin Watson
Model Summary
b
,503
a
,253 ,168
,78700 1,849
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, x4, x1, x2, x3 a.
Dependent Variable: y b.
Sumber : Lampiran 6 Nilai
DW Durbin
Watson yang dihasilkan adalah sebesar 1,849
karena nilai DW Durbin Watson berada diantara –2 dan +2 maka dapat disimpulkan bahwa antar residual kesalahan pengganggu tidak terdapat
korelasi atau model regresi linier berganda yang dihasilkan tidak terjadi autokorelasi.
Berdasarkan hasil uji asumsi klasik tersebut, maka model regresi yang diperoleh merupakan model yang 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. Persamaan Regresi Berganda
Persamaan regresi
linier berganda yang dihasilkan dapat dilihat pada
tabel di bawah ini :
Tabel 4.12 : Persamaan Regresi Linier Berganda Variabel Bebas
Koefisien regresi Konstanta
Biaya pencegahan X
1
Biaya penilaian X
2
Biaya kegagalan internal X
3
Biaya kegagalan eksternal X
4
88,859 0,000000409
0,000000176 - 0,000000212
-0,000000010 Sumber : Lampiran 6
Persamaan regresi linier berganda yang digunakan adalah sebagai berikut :
Y = 88,859 + 0,000000409 X
1
+ 0,000000176 X
2
- 0,000000212 X
3
– 0,000000010 X
4
Penjelasan persamaan regresi linier berganda tersebut di atas adalah sebagai berikut :
1. Konstanta a. Konstanta yang dihasilkan sebesar 88,859 hal ini menunjukkan besarnya kualitas produk sebesar 88,859 jika variabel biaya
pencegahan X
1
, biaya penilaian X
2
, biaya kegagalan internal X
3
dan biaya kegagalan eksternal X
4
adalah konstan. 2. Biaya Pencegahan X
1
b
1
. Koefisien regresi variabel ini adalah sebesar 0,000000409 hal ini menunjukkan bahwa pola hubungan variabel biaya
pencegahan X
1
dengan kualitas produk Y adalah positif yang berarti jika biaya pencegahan X
1
naik satu satuan, maka kualitas produk Y akan naik sebesar 0,000000409 dengan asumsi variabel bebas lainnya
adalah konstan. 3. Biaya Penilaian X
2
b
2
. Koefisien regresi variabel ini adalah sebesar 0,000000176 hal ini menunjukkan bahwa pola hubungan variabel biaya
penilaian X
2
dengan kualitas produk Y adalah positif yang berarti jika
biaya penilaian X
2
naik satu satuan, maka kualitas produk Y akan naik sebesar 0,000000176 dengan asumsi variabel bebas lainnya adalah
konstan. 4. Biaya kegagalan internal X
3
b
3
. Koefisien regresi variabel ini adalah sebesar 0,000000212 hal ini menunjukkan bahwa pola hubungan variabel
biaya kegagalan internal X
3
dengan kualitas produk Y adalah negatif yang berarti jika biaya kegagalan internal X
3
naik satu satuan, maka kualitas produk Y akan turun sebesar 0,000000212 dengan asumsi
variabel bebas lainnya adalah konstan. 5. Biaya kegagalan eksternal X
4
b
4
. Koefisien regresi variabel ini adalah sebesar 0,000000010 hal ini menunjukkan bahwa pola hubungan variabel
biaya kegagalan eksternal X
4
dengan kualitas produk Y adalah negatif yang berarti jika biaya kegagalan eksternal X
3
naik satu satuan, maka kualitas produk Y akan turun sebesar 0,000000010 dengan asumsi
variabel bebas lainnya adalah konstan.
4.4. Uji Hipotesis
