78 2008
8,60 0,016
0,0009 Total
62,20 4,821
0,6356 0,0961
Persentase di atas dihitung dengan menggunakan rumus :
Biaya Pencegahan =
X100 Biaya Penilaian =
X 100 Biaya Kegagalan Internal =
X 100 Biaya Kegagalan Eksternal =
X 100
Dari tabel 4.6 dapat diketahui bahwa komposisi biaya kualitas secara total berturut-turut dari yang terbesar hingga yang yang terkecil dimiliki oleh biaya
pencegahan 62,2 , biaya penilaian 4,821 , biaya kegagalan internal 0,6356 , dan biaya kegagalan eksternal 0,09615 . Keadaan ini
memperlihatkan bahwa pihak manajemen perusahaan lebih menekankan pada aktivitas pencegahan dalam menjalankan program perbaikan kualitasnya.
Biaya pencegahan dan penilaian dinilai telah mampu mengendalikan biaya kegagalan internal maupun biaya kegagalan eksternal. Ini terlihat dari persentase
biaya kegagalan biaya kegagalan internal dan biaya kegagalan eksternal yang jauh dibawah biaya kontrol biaya pencegahan dan biaya penilaian.
2. Hasil Uji Asumsi Klasik
a. Uji Normalitas
Universitas Sumatera Utara
79 Ada dua cara yang dapat digunakan untuk mendeteksi apakah residual
berdistribusi normal atau tidak, yaitu dengan uji ariable dan analisis grafik.
Pada penelitian ini akan digunakan kedua cara tersebut. 1 Uji statistik.
Pengujian normalitas data dengan hanya melihat grafik dapat menyesatkan kalau tidak melihat secara seksama. Oleh sebab itu, ada
baiknya dilakukan juga uji normalitas data dengan menggunakan statistik agar lebih meyakinkan. Untuk memastikan apakah data di sepanjang garis
diagonal berdistribusi normal, maka dilakukan uji kolmogorov smirnov 1 sample KS dengan melihat data residulanya apakah berdistribusi normal
atau tidak.
Uji ini dilakukan dengan membuat hipotesis. Jika probabilitas 0,05, maka Ha diterima, artinya data residual tidak
berdistribusi normal. Jika probabilitas 0,05, maka Ho diterima, artinya data residua l berdistribusi normal.
Berikut deskriptif statistik dari sampel :
Tabel 4.7 Descriptive Statistics
N Minimum Maximum
Mean Std. Deviation Variance
Tingkat pertumbuhan Penjualan
32 .003
.470 .05144
.084576 .007
Biaya Pencegahan 32
2.E10 1.E11 5.36E10
2.168E10 4.700E20
Universitas Sumatera Utara
80
Biaya penilaian 32
7.E8 4.E9
1.82E9 8.419E8 7.089E17
Biaya kegagalan Internal 32
2.E7 4.E8
1.14E8 8.505E7 7.234E15
Biaya Kegagalan Eksternal
32 5.E7
1.56E7 1.598E7 2.553E14
Valid N listwise 32
Sumber : Diolah dari SPSS, 2009 Dari tabel 4. 7 diatas diketahui bahwa tingkat pertumbuhan penjualan
tertinggi adalah 0,003 dan yang tertinggi adalah 0.470 dengan rata-rata pertumbuhan penjualan adalah 0,05144. Cara yang sama dapat digunakan untuk
menginterpretasi variable yang lain. Untuk melihat apakah data di sepanjang garis diagonal berdistribusi
normal, dapat dilihat dari nilai Asy
m
p. Sig. 2-tailed pada tabel One-Sample Kolmogorov-Smirnov Test berikut ini.
Tabel 4.8 One-Sample Kolmogorov-Smirnov Test
Tingkat pertumbuhan
Penjualan N
32 Normal Parameters
a
Mean .05144
Std. Deviation .084576
Most Extreme Differences Absolute
.297 Positive
.297 Negative
-.283 Kolmogorov-Smirnov Z
1.682 Asymp. Sig. 2-tailed
.007
Universitas Sumatera Utara
81 Sumber : Diolah dari SPSS, 2009
Berdasarkan tabel 4.8 diatas dapat dilihat bahwa nilai signifikansi variable adalah 0,007 atau dibawah nilai signifikansi 0,05. Ini menunjukkan bahwa data
tidak terdistribusi secara normal. Dengan kata lain variable residual menyalahi asumsi normalitas
Erlina 2008; 104 menyatakan salah satu sebab terjadinya distribusi yang tidak normal karena ada data yang outlier, yaitu data yang mempunyai nilai yang
sangat menyimpang dari nilai data lainnya. Data yang outlier bisa terjadi karena beberapa sebab :
• Kesalahan dalam pemasukkan data. • Kesalahan dalam pengambilan sample.
• Memang ada data ekstrim yang tidak bisa dihindari keberadaannya.
a. Test distribution is Normal.
Universitas Sumatera Utara
82 Ada beberapa cara yang dapat digunakan untuk mengatasi data yang
outlier di antaranya : • Lakukan transformasi data ke bentuk lainnya.
• Lakukan trimming, yaitu membuang data yang outlier. • Lakukan winsorizing, yaitu mengubah nilai data yang outlier ke sesuatu
nilai tertentu. Dalam penelitian ini untuk memenuhi asumsi normalitas peneliti
menggunakan metode transformasi data dengan data logaritma natural LN yaitu dari Tingkat Pertumbuhan Penjualan menjadi LN_Tingkat pertumbuhan
penjualan. Setelah itu data diproses ulang melalui proses logaritma natural. Berikut hasil uji statistik setelah data diuji ulang pada tabel 4.9 dan 4.10:
Tabel 4.9 Descriptive Statistics
N Minimum Maximum
Mean Std. Deviation Variance
LN_Tingkat Pertumbuhan Penjualan
32 -
5.8091430 E0
- 7.5502258
E-1 -
3.699384 762E0
1.2654384488 E0
1.601 LN_Biaya pencegahan
32 2.3834712
E1 2.7220610
E1 2.470456
513E1 .5918153783
.350 LN_Biaya Penilaian
32 2.0423315
E1 2.2158149
E1 2.122888
446E1 .4305160254
.185 LN_Biaya Kegagalan
Internal 32
1.6577543 E1
1.9710616 E1
1.826941 395E1
.7944650725 .631
LN_Biaya Kegagalan Eksternal
32 .0000000 1.7652950
E1 8.579160
165E0 8.7197848092
E0 76.035
Valid N listwise 32
Sumber : Diolah dari SPSS, 2009
Universitas Sumatera Utara
83 Setelah data ditransformasi, tingkat pertumbuhan penjualan minimal dari
table 4.9 diatas adalah -5,8091430 dan nilai maksimalnya adalah -0,75502258 dan nilai rata-rata tingkat pertumbuhan penjualan adalah -3,699384762. Interpretasi
untuk variable lainnya dapat menggunakan cara yang sama. Untuk melihat apakah data setelah dilakukan transformasi memenuhi
asumsi normalitas atau tidak, dapat dilihat dari nilai Asy
m
p. Sig. 2-tailed pada table 4.10 One-Sample Kolmogorov-Smirnov Test berikut ini.
Sumber : Diolah dari SPSS, 2009 Dari tabel 4.10 One-Sample Kolmogorov-Smirnov Test diatas dapat dilihat
bahwa nilai signifikansi variable menunjukkan data terdistribusi secara normal, karena hasil signifikansinya adalah 0,389 dan di atas nilai signifikansi 0,05
dengan kata lain variable residual bertistribusi normal.
Tabel 4.10 One-Sample Kolmogorov-Smirnov Test
LN_Tingkat Pertumbuhan
Penjualan N
32 Normal Parameters
a
Mean -3.699384762
Std. Deviation 1.2654384488E0
Most Extreme Differences Absolute
.160 Positive
.113 Negative
-.160 Kolmogorov-Smirnov Z
.903 Asymp. Sig. 2-tailed
.389 a. Test distribution is Normal.
Universitas Sumatera Utara
84 2 Analisis grafik
Analisis grafik dapat dilakukan dengan dua alat, yaitu grafik histogram dan grafik P-P Plot. Data yang baik adalah data yang memiliki
pola distribusi normal. Pada grafik histogram, data yang mengikuti atau mendekati distribusi normal adalah distribusi data dengan bentuk lonceng.
Pada grafik P-P Plot, sebuah data dikatakan berdistribusi normal apabila titik-titik datanya tidak menceng ke kiri atau ke kanan melainkan
menyebar disekitar garis diagonal.
Sumber : Diolah dari SPSS, 2009 Gambar 4.2
Grafik Histogram sebelum data ditransformasi
Universitas Sumatera Utara
85
Sumber : Diolah dari SPSS, 2009 Gambar 4.3
Grafik Normal P-P Plot sebelum data ditransformasi
Pada grafik histogram pada gambar 4.2 diatas terlihat bahwa distribusi data tidak berbentuk lonceng yang berarti bahwa data tidak terdistribusi secara
normal. Begitu juga garafik normal probability plot pada gambar 4.3, data terindikasi tidak terdistribusi secara normal karena penyebaran titik-titik tidak
berpola dan titik-titik menyebar tidak mengikuti garis diagonal. Setelah dilakukan pengujian ulang dengan mentransformasi data ke model
logaritma natural LN, distribusi data pada grafik histogram berbentuk lonceng seperti yang terlihat pada gambar 4.4 dan pada grafik P-P plot pada gambar 4.5,
titik-titiknya tidak condong ke salah satu sisi, kiri atau kanan, sehingga dapat disimpulkan bahwa data telah terdistribusi secara normal. Berkut ini tampilan
histogram dan P-P plot setelah pengujian ulang :
Universitas Sumatera Utara
86
Sumber : Diolah dari SPSS, 2009 Gambar 4.4
Grafik Histogram setelah data ditransformasi
Sumber : Diolah dari SPSS, 2009 Gambar 4.5
Grafik Normal P-P Plot setelah data ditransformasi
Universitas Sumatera Utara
87
b. Uji Multikolonieritas
“Uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas” Ghozali, 2005:
91. Menurut Ghozali 2005 “adanya gejala multikolinearitas dapat dilihat dari tolerance value atau nilai Variance Inflation Factor VIF.
Batas tolerance value adalah 0,1 dan batas VIF adalah 10”. Apabila tolerance value 0,1 atau VIF 10 = terjadi multikolinearitas
Apabila tolerance value 0,1 atau VIF 10 = tidak terjadi multikolinearitas. Berikut ini tabel coefficients untuk melihat gejala
multikolinearitas
Sumber : Diolah dari SPSS, 2009
Tabel 4.11 Coefficients
a
Model Unstandardized
Coefficients Standardiz
ed Coefficients
t Sig.
Collinearity Statistics
B Std. Error
Beta Toleranc
e VIF
1 Constant
18.212 14.466
1.259 .219
LN_Biaya pencegahan
-.302 .411
-.141 -.735
.469 .661
1.512 LN_Biaya Penilaian
-.317 .611
-.108 -.518
.608 .564
1.773 LN_Biaya
Kegagalan Internal -.442
.291 -.277 -1.521
.140 .733
1.365 LN_Biaya
Kegagalan Eksternal
-.040 .330
-.277 -1.339 .192
.570 1.755
a. Dependent Variable: LN_Tingkat Pertumbuhan Penjualan
Universitas Sumatera Utara
88 Dari tabel 4.11 diatas dapat dilihat bahwa untuk semua variabel
independen memiliki tolerance value 0,1 atau VIF 10. Jadi dapat disimpulkan tidak terjadi multikolinearitas antar variabel independen dalam model regresi
penelitian ini.
c. Uji Heteroskedastisitas
Model regresi yang baik adalah model regresi yang memenuhi kriteria homokesdastisitas. Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala
heteroskedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data dengan menggunakan program SPSS. Dasar pengambilan
keputusannya adalah: 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, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas
atau terjadi homoskedastisitas. Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi
heteroskedastisitas atau terjadi homoskedastisitas dengan mengamati penyebaran titik-titik scatterplot pada gambar 4.6.
Universitas Sumatera Utara
89
Gambar 4.6 ScatterPlot
Sumber : Diolah dari SPSS, 2009
Dari grafik scatterplot pada gambar 4.6 diatas terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada
sumbu Y, sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi dengan kata lain terjadi homokesdatisitas. Adanya titik-titik
yang menyebar menjauh dari titik-titik yang lain dikarenakan adanya data observasi yang sangat berbeda dengan data observasi yang lain.
d. Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada periode t dengan kesalahan pada
periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada
time series. Cara yang dapat digunakan untuk mendeteksi masalah autokorelasi
Universitas Sumatera Utara
90 adalah dengan menggunakan nilai uji Durbin Watson dengan ketentuan sebagai
berikut: 1 angka D-W dibawah -2 berarti ada autokorelasi positif,
2 angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi, 3 angka D-W di atas +2 berarti ada autokorelasi negatif.
Sumber : Diolah dari SPSS, 2009 Tabel 4.12 diatas memperlihatkan nilai statistik D-W sebesar 1,889.
Angka ini terletak diantara -2 dan +2, dari pengamatan ini dapat disimpulkan bahwa tidak terjadi autokorelasi positif maupun autokorelasi negatif.
3. Analisis Regresi