Statistik Deskriptif Pengujian Asumsi Klasik 1. Uji Normalitas

B. Statistik Deskriptif

Berikut disajikan statistik secara umum dari data yang digunakan secara keseluruhan : Tabel 4.4 Statistik Deskriptif N Minimum Maximum Mean Std. Deviation Statistic Statistic Statistic Statistic Statistic LN_Harga_jual 72 7.73 8.79 8.1341 .22785 LN_Efisiensi_biaya 66 17.29 18.07 17.7986 .16611 Valid N listwise 66 Sumber : Diolah dari SPSS, 2009 Dari tabel di atas dapat dijelaskan bahwa : 1. Variabel harga jual memiliki nilai minimum 7.73 dan nilai maksimum 8.79 dengan rata-rata harga jual adalah 8.1341 dan standar deviasi sebesar 22.78. Jumlah data yang diteliti sebanyak 72. 2. Variabel efisiensi biaya memiliki nilai minimum 17.29 dan nilai maksimum 18.07 dengan rata-rata efisiensi biaya adalah 17.7986 dan standar deviasi sebesar 16.61. Jumlah data yang diteliti sebanyak 66.

C. Pengujian Asumsi Klasik 1. Uji Normalitas

Uji Normalitas bertujuan untuk mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Pengujian ini diperlukan karena untuk melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal Erlina, 2007 : 103. Universitas Sumatera Utara Untuk mengetahui apakah data yang kita miliki normal atau tidak, kita menggunakan uji statistik Kolmogorov-Smirnov K-S. Ghozali 2005 : 30, memberikan pedoman pengambilan keputusan tentang data-data yang mendekati atau merupakan distribusi normal dapat dilihat dari : a. Nilai sig. atau signifikan atau probabilitas 0.05, maka distribusi data adalah tidak normal. b. Nilai sig. atau signifikan atau probabilitas 0.05, maka distribusi data adalah normal. Uji Kolmogorov-Smirnov dilakukan dengan membuat hipotesis : • H : Data residual berdistribusi normal • H a : Data residual tidak berdistribusi normal Hasil dari uji normalitas dengan Kolmogorov-Smirnov Test, grafik histogram serta normal probability plot ditunjukkan sebagai berikut : Tabel 4.5 Uji Normalitas sebelum transformasi One-Sample Kolmogorov-Smirnov Test Harga_jual Efisiensi_ Biaya Unstandardiz ed Residual N Normal Parameters a,b Mean Std. Deviation Most Extreme Absolute Differences Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. 2- tailed 72 3504,4489 910,64129 ,214 ,214 -,102 1,813 ,003 72 134259,3472 181604204,9 ,487 ,349 -,487 4,132 ,000 72 ,0000000 906,83447686 ,209 ,209 -,112 1,776 ,004 a Test distribution is Normal. b Calculated from data. Sumber : Diolah dari SPSS, 2009 Universitas Sumatera Utara Dari hasil uji normalitas tersebut diperoleh bahwa variabel efisiensi biaya memiliki nilai signifikansi yang lebih kecil dari 0.05 5, yakni sebesar 0.000. Dengan demikian H ditolak H a diterima atau data tidak terdistribusi secara normal. Sehingga tidak dapat dilakukan pengujian lebih lanjut. Untuk itu perlu dilakukan tindakan perbaikan treatment agar model regresi memenuhi asumsi normalitas. Tindakan perbaikan yang dilakukan dalam penelitian ini menggunakan salah satu dari tiga cara yang telah dikemukakan pada bab sebelumnya yaitu dengan menggunakan transformasi seluruh variabel dalam bentuk fungsi logaritma natural LN. Berikut hasil pengujian setelah transformasi : Tabel 4.6 Uji Normalitas setelah transformasi One-Sample Kolmogorov-Smirnov Test LN_Harga_ jual LN_Efisiensi_ Biaya Unstandardiz ed Residual N Normal Parameters a,b Mean Std. Deviation Most Extreme Absolute Differences Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. 2- tailed 72 8,1341 ,22785 ,158 ,158 -,057 1,342 ,055 66 17,7986 ,16611 ,132 ,065 -,132 1,076 ,197 66 ,0000000 ,16243069 ,099 ,055 -,099 ,805 ,537 a Test distribution is Normal. b Calculated from data. Sumber : Diolah dari SPSS, 2009 Dari hasil uji Kolmogorov-Smirnov setelah data ditransformasi, dapat dilihat bahwa semua variabel baik variabel harga jual maupun variabel efisiensi Universitas Sumatera Utara biaya memiliki data yang terdistribusi secara normal karena nilai signifikannya 0.05 5. Masing-masing ditunjukkan dengan data sebagai berikut : • Nilai signifikan harga jual 0.055 0.05 maka H diterima. • Nilai signifikan efisiensi biaya 0.197 0.05 maka H diterima. Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Selain dengan menggunakan uji Kolmogorov-Smirnov, untuk mengetahui normalitas data, secara kasat mata kita bisa lihat melalui grafik histogram dari data yang dimaksud, apakah membentuk kurva normal atau tidak dan juga dapat melalui grafik PP Plots. Suatu data akan terdistribusi secara normal jika nilai probabilitas yang diharapkan adalah sama dengan nilai probabilitas pengamatan. Pada grafik PP Plots, kesamaan antara nilai probabilitas harapan dan probabilitas pengamatan ditunjukkan dengan garis diagonal yang merupakan perpotongan antara garis probabilitas harapan dan probabilitas pengamatan. Berikut ini merupakan hasil pengujian normalitas data dalam bentuk grafik histogram dan grafik PP Plots. Universitas Sumatera Utara Observed Cum Prob 1.0 0.8 0.6 0.4 0.2 0.0 E x p e c te d C u m P ro b 1.0 0.8 0.6 0.4 0.2 0.0 Normal P-P Plot of Regression Standardized Residual Dependent Variable: LN_Efisiensi_biaya Regression Standardized Residual 2 1 -1 -2 -3 Fr eq ue nc y 10 8 6 4 2 Histogram Dependent Variable: LN_Efisiensi_biaya Mean =-8.53E-15฀ Std. Dev. =0.992฀ N =66 Gambar 4.1 Grafik Histogram Sumber : Diolah dari SPSS, 2009 Gambar 4.2 Grafik PP Plots Sumber : Diolah dari SPSS, 2009 Universitas Sumatera Utara Dari grafik histogram pada gambar 4.1 dan grafik PP Plots pada gambar 4.2 dapat disimpulkan bahwa grafik histogram pola distribusi yang menceng ke kanan menunjukkan distribusi normal. Sedangkan pada grafik PP Plots terlihat titik-titik menyebar di sekitarmengikuti garis diagonal, yang menunjukkan bahwa data berdistribusi normal. Kedua grafik ini menunjukkan bahwa model regresi layak digunakan karena memenuhi uji normalitas data.

2. Uji Heterokedastisitas

Ghozali 2005:105 menyatakan “uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heterokedastisitas”. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Cara mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat grafik scatterplot yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya menurut Ghozali 2005 : 105 adalah sebagai berikut : a. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas. b. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas. Universitas Sumatera Utara Regression Studentized Residual 2 1 -1 -2 -3 R e g re s s io n S ta n d a rd iz e d P re d ic te d V a lu e 3 2 1 -1 -2 Scatterplot Dependent Variable: LN_Efisiensi_biaya Berikut ini dilampirkan grafik scatterplot untuk menganalisis apakah terjadi gejala heterokedastisitas atau tidak dengan cara mengamati penyebaran titik-titik pada grafik. Gambar 4.3 Grafik Scatterplot Sumber : Diolah dari SPSS, 2009 Melalui hasil pengujian heterokedastisitas, terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas dan tersebar baik diatas maupun dibawah angka nol pada sumbu Y. Maka dapat disimpulkan bahwa tidak terjadi gejala heterokedastisitas pada data penelitian, sehingga pengujian asumsi klasik dapat dilanjutkan kepada pengujian-pengujian berikutnya. Universitas Sumatera Utara

3. Uji Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya. Pada penelitian ini, uji autokorelasi dilakukan dengan Uji Durbin Watson, karena uji ini umum yang digunakan. Uji ini hanya digunakan untuk autokorelasi tingkat pertama first order autokorelasi dan mensyaratkan intercept konstanta dalam model regresi. Uji autokorelasi digunakan untuk mendeteksi gejala korelasi antara data yang satu dengan data yang lain. Uji autokorelasi dapat menggunakan Durbin- Watson test, dengan kriteria jika nilai Durbin Watson ≤ 2 maka tidak terdapat gejala autokorelasi Supramono dan Utami, 2004 : 83. Hasil uji autokorelasi dengan menggunakan Durbin-Watson Test dapat dilihat sebagai berikut : Tabel 4.7 Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .209a .044 .029 .16369 .826 a Predictors: Constant, LN_Harga_jual b Dependent Variable: LN_Efisiensi_biaya Sumber : Diolah dari SPSS, 2009 Melalui hasil perhitungan Durbin-Watson Test dihasilkan angka 0.826 sehingga tidak terdapat gejala autokorelasi, dengan menggunakan kriteria bahwa hasil Durbin-Watson Test 2. Maka dengan demikian, disimpulkan bahwa tidak terjadi problem autokorelasi. Universitas Sumatera Utara

D. Pengujian Hipotesis Tabel 4.8