Mengetahui ada
tidaknya gejala autokorelasi perlu dilihat tabel
Watson dengan jumlah variabel bebas k dan jumlah data n, sehingga diketahui d
L
dan d
U
maka dapat diperoleh distribusi daerah keputusan ada tidaknya autokorelasi.
k =
2 n
= 32
d
L
= 1,31
d
U
= 1,57 Lampiran 7 Nilai Durbin Watson yang dihasilkan sebesar 1,744 berada diantara
1,57 d
U
sampai dengan 2,43 4-d
U
atau berada pada daerah tidak ada autokorelasi positif atau autokorelasi negatif.
Hasil uji asumsi klasik di atas, dapat diperoleh model regresi yang merupakan model untuk 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. Analisis Regresi Linier Berganda
Analisis regresi linier berganda digunakan untuk menggambarkan pengaruh antara satu variabel terikat dengan beberapa variabel bebas.
Berikut ini hasil analisis regresi linier berganda: Tabel
4.15 : Hasil Analisis Regresi Linier Berganda Model Koefisien
Regresi R-square
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Konstanta Kualitas bahan baku
Kualitas produk -420,787
1,563 2,852
0,090
Sumber : Lampiran 6
Persamaan regresi yang dihasilkan adalah sebagai berikut:
Y = -420,787 + 1,563 X
1
+ 2,852 X
2
1. Konstanta a sebesar -420,787 menunjukkan besarnya efisiensi biaya
produksi Y, jika kualitas bahan baku X
1
dan kualitas produk X
2
adalah konstan.
2. Koefisien regresi linier berganda
a. Koefisien regresi untuk X
1
b
1
sebesar 1,563 artinya jika variabel kualitas bahan baku X
1
naik satu satuan, maka efisiensi biaya produksi Y akan naik sebesar 1,563 dengan asumsi variabel bebas
lainnya adalah konstan. a. Koefisien regresi untuk X
2
b
2
sebesar 2,852 artinya jika variabel kualitas produk X
2
naik satu satuan, maka efisiensi biaya produksi Y akan naik sebesar 2,852 dengan asumsi variabel bebas lainnya
adalah konstan. Pengaruh kualitas bahan baku X
1
dan kualitas produk X
2
adalah sebesar 0,090 yang artinya variabel kualitas bahan baku X
1
dan kualitas produk X
2
hanya mampu mempengaruhi variabel efisiensi biaya produksi Y sebesar 9 dan sisanya sebesar 99,1 dijelaskan oleh variabel lain
yang tidak dibahas dalam penelitian ini.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.3.4. Uji Kesesuaian Model
Uji kesesuaian
model digunakan menguji apakah model regresi linier
berganda yang digunakan adalah cocok atau tidak untuk memprediksi besarnya pengaruh kualitas bahan baku X
1
dan kualitas produk X
2
terhadap efisiensi biaya produksi Y. Berikut ini hasil uji kesesuaian model: Tabel
4.16 : Uji Kesesuaian Model
ANOVA
b
128.175 2
64.087 1.439
.254
a
1291.569 29
44.537 1419.744
31 Regression
Residual Total
Model 1
Sum of Squares
df Mean Square
F Sig.
Predictors: Constant, kualitas produk, kualitas bahan baku a.
Dependent Variable: efisiensi biaya produksi b.
Sumber : Lampiran 6 Hasil uji kesesuaian model pada tabel di atas menjelaskan bahwa nilai
F
hitung
yang dihasilkan sebesar 1,439 dengan tingkat signifikan sebesar 0,254 lebih besa dari 5 maka H
diterima dan H
1
ditolak yang berarti bahwa model regresi linier berganda yang digunakan adalah tidak cocok untuk
menerangkan pengaruh variabel kualitas bahan baku X
1
dan kualitas produk X
2
terhadap efisiensi biaya produksi Y.
4.3.5. Uji Parsial
