75
tercapainya target produksi, sedangkan penurunan volume produksi disebabkan bahan baku yang terlambat, sering berhentinya jam kerja mesin
karena adanya pemeliharaan mesin melebihi standar sehingga proses produksi menjadi terhambat.
4.6.5 Analisa Data dan Uji Hipotesa A. Analisa data
1. Analisa instrumen regresi linier berganda Analisa Asumsi BLUE Best Linier Unbiased Estimator
Agar dapat diperoleh hasil estimasi yang BLUE Best Linear Unbased Estimator
atau perkiraan linear tidak bias yang terbaik maka estimasi tersebut harus memenuhi beberapa asumsi. Apabila salah satu
asimsi tersebut dilanggar, maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE, sehingga pengambilan keputusan untuk uji F dan uji t
menjadi bias. Dalam hal ini harus dihindarkan terjadinya kasus-kasus sebagai berikut
a. Multikolinier
Multikolinieritas berarti ada hubungan linier yang “sempurna” atau pasti di antara beberapa atau semua variabel independen dari model
regresi. Dari dugaan adanya multikolinieritas tersebut maka perlu adanya pembuktian secara statistik ada atau tidaknya gejala multikolinier dengan
cara menghitung Variance Inflation Factor VIF. VIF menyatakan
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
76
tingkat “pembengkakan” varians. Apabila VIF lebih besar dari 10, hal ini berarti terdapat multikolinier pada persamaan regresi linier.
Adapun hasil yang diperoleh setelah diadakan pengujian analisis regresi linier berganda diketahui bahwa dari kelima variabel yang
dianalisis diperoleh:
Tabel 5: Hasil Uji Multikolinear dengan tiga variable
Variabel Nilai |
Kesimpulan Jumlah Bahan Baku X
1
Upah Tenaga Kerja X
2
Jam Henti Mesin X
3
1,029 1,020
1,016 10
10 10
Non Multikolinear Non Multikolinear
Non Multikolinear Sumber : Hasil Analisa Data 2011
Hasil uji multikolinear diatas menyatakan bahwa ke empat variabel yang di analisis terbebas dari multikolinear, yang bisa dilihat
dari nilai VIF yang bernilai kurang dari 10.
b. Autokorelasi
Autokorelasi dapat didefinisikan sebagai “korelasi antara data observasi yang diurutkan berdasarkan urut waktu data time series
atau data yang diambil pada waktu tertentu data cross-sectional” Gujarati, 1991:201. Untuk mengetahui ada tidaknya autokorelasi
dapat dilihat pada tabel Durbin Watson. Kaidah keputusan dapat dijelaskan sebagai berikut :
1. Jika d lebih kecil daripada d
L
atau lebih besar daripada 4-d
L
, maka hipotesis nol ditolak yang berarti terdapat autokorelasi.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
77
2. Jika d terletak antara d
U
dan 4-d
U
, maka hipotesis nol diterima yang berarti tidak ada autokorelasi.
3. Jika nilai d terletak antara d
L
dan d
U
atau antara 4-d
L
dan 4-d
U
maka uji Durbin-Watson tidak menghasilkan kesimpulan yang pasti, untuk nilai-nilai ini tidak dapat disimpulkan ada tidaknya
autokorelasi di antara faktor-faktor penganggu. Untuk mengetahui ada tidaknya gejala autokorelasi dalam model
penelitian maka perlu dilihat nilai DW tabel. Diketahui jumlah variabel bebas adalah 3 k=3 dan banyaknya data adalah n=24
sehingga diperoleh nilai DW tabel adalah sebesar d
L
= 1,101 dan d
U
= 1,656
Gambar 4.3 Kurva Statistik Durbin Watson
Daerah Daerah Daerah Daerah Kritis Ketidak- Terima Ho Ketidak- Kritis
pastian pastian Tolak Tidak ada Tolak
Ho autokorelasi Ho 0 d
L
= 1,101 d
U
= 1,656 4-d
U
= 2,344 4-d
L
= 2,899 d
1,701
Sumber : lampiran 2 dan 6 Berdasarkan hasil analisis, maka dalam model regresi ini tidak
terjadi gejala autokorelasi karena nilai DW tes yang diperoleh adalah sebesar 1,701 berada pada daerah tidak ada autokorelasi.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
78
c. Heterokedastisitas
