Hasil Uji Asumsi Klasik

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