LAPORAN
MODUL III
ANALISIS REGRESI DAN KORELASI
Disusun oleh :
KELOMPOK 2.2
Siagian, Jevandra Vablo Gloria
2009036002
Desi Mariati Roben
2009036055
LABORATORIUM TEKNOLOGI INDUSTRI
PROGRAM STUDI S1 TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS MULAWARMAN
SAMARINDA
2021
BAB IV
ANALISIS REGRESI DAN KORELASI
4.1
Pengumpulan Data
PT Maju Mundur adalah sebuah perusahaan fashion yang bergerak di bidang produksi,
distribusi, pemasaran dan promosi dari produk Sepatu. Pada tahun 2020, manajer bidang
produksi membuat kebijakan berupa strategi peningkatan mutu produk sepatu yaitu
quality control (QC) agar meningkatkan tingkat penjualan produk dibanding tahun
sebelumnya. Hal ini dilakukan karena setelah dianalisis kualitas atau mutu dari produk
berpengaruh terhadap tingkat permintaan penjualan produk sepatu. Tahun ini manajer
memiliki rencana untuk tetap melakukan quality control tersebut.
Pada tahun lalu, untuk menganalisis kebijakan manajer yaitu meningkatkan
tingkat
penjualan produk dengan peningkatan mutu produk sepatu, manajer
memutuskan untuk memerintahkan tenaga ahli untuk menganalisa pola tersebut. Ia
ingin menduga besarnya tingkat penjualan yang seharusnya didapatkan oleh PT
Maju Mundur setiap bulan dengan mengasumsi biaya kualitas (quality cost) sebagai
faktor independen dari tingkat penjualan, dan untuk jumlah waktu kontrol produk serta
jumlah staff quality control sebagai faktor independen dari biaya kualitas
(quality cost).
Manajer menginginkan data analisa disajikan menggunakan statistik, maka buatlah
Model Regresi untuk Regresi sederhana dan Regresi Berganda! Berapa nilai penduga
untuk tingkat penjualan jika terdapat 50 jam untuk quality control (QC) dan 10 orang
tenaga kontrol kualitas? bandingkan dengan rata-rata tingkat penjualan produk sebelum
diperlakukan kebijakan dari menejer! Lakukan juga analisis Korelasi terhadap Model
Regresi tersebut!
Berikut adalah tabel tingkat penjualan produk sepatu pada PT Maju Mundur
sebelum dan sesudah kebijakan manajer dilakukan:
Tabel 4.1 Data tingkat penjualan sepatu sebelum kebijakan manajer
BULAN
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Tingkat Penjualan (pasang)
30
25
32
35
27
20
26
30
25
24
32
22
Tabel 4.2
Data Tingkat Penjualan Sepatu Setelah Kebijakan Manajer
Bulan
Tingkat
Penjualan
(pasang)
Biaya QC
(puluhan ribuan)
Jumlah
Waktu QC
(jam)
Jumlah Tenaga
Kontrol (orang)
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
75
65
80
72
60
55
72
65
60
62
70
82
250
200
250
275
250
200
265
200
215
220
250
245
52
46
48
52
54
44
45
50
55
54
50
50
10
8
10
12
12
9
10
9
10
12
10
8
4.2
Pengolahan Data
Berdasarkan data tingkat penjualan sebelum dan sesudah kebijakan manajer
diberlakukan, selanjutnya akan dihitung secara manual dan komputerisasi data-data
terebut untuk mengetahui nilai penduga untuk tingkat penjualan jika terdapat 50 jam
untuk quality control (QC) dan 10 orang tenaga kontrol kualitas dengan menggunakan
metode regresi dan korelasi sebagai berikut.
4.2.1 Pengolahan Data Secara Manual
Pada pengolahan data secara manual yang digunakan untuk mengetahui nilai penduga
untuk tingkat penjualan jika terdapat 50 jam untuk quality control dan 10 orang tenaga
kontrol kualitas dengan menggunakan metode regresi dan korelasi sebagai berikut.
1. Menurut Waryanto (2019), analisis regresi adalah prosedur yang berfungsi untuk
melihat hubungan linear antara satu variabel yang diidentifikasi sebagai variabel
independen atau bebas dengan variabel lain yang diidentifikasi sebagai variabel
dependen atau tergantung. Regresi dibagi menjadi dua, yaitu analisis linier
sederhana dan analisis linier berganda. Analisis regresi linier adalah jika hubungan
persamaan antara variabel bebas (X) dan variabel (Y) searah dan membentuk sebuah
pola garis lurus. Jadi, jika nilai variabel (X) meningkat, maka nilai variabel (Y) juga
meningkat. Begitu juga sebaliknya, jika antara (X) dan (Y) mengalami hubungan
yang negatif. Dalam memahami regresi linear secara manual kita perlu memahami
hal-hal berikut ini.
Populasi (parameter) : Y’ = α+βX+ε ................................................................. (4.1)
Sampel
: Y’ = a+bX+e ................................................................. (4.2)
Keterangan
Y’ = Variabel tergantung atau dependen atau disebut juga variabel kriteria, yaitu variable
yang nilainya akan diprediksi.
a = Titik potong garis regresi pada sumbu vertikal (Y) atau disebut intersep atau kosntanta,
yaitu nilai Y yang diprediksikan bila nilai X = 0
b = Tingkat kemiringan garis regresi atau koefisien regresi, yaitu besarnya perubahan nilai
Y’ bila nilai X berubah sebesar satu satuan.
X = Variabel bebas atau independen atau disebut juga sebagai prediktor, Yaitu variabel
yang digunakan untuk memprediksi nilai Y.
e = Epsilon atau error pada garis regrresi, merupakan selisih nilai Y yang di prediksikan
dengan nilai Y yang diperoleh atau disebut juga sebagai residual (Y’-Yo)
Pada koefisien regresi pun dapat dilakukan pengujian hipotesis dengan
menggunakan Uji-t dengan langkah pertama yaitu dengan merumuskan hipotesis.
Untuk pengujian satu sisi :
H0 : β = βo (Variabel X tidak berpengaruh terhadap variabel Y secara signifikan)
H1 : β ≠ βo (Variabel X berpengaruh terhadap variabel Y secara signifikan)
Sedangkan untuk pengujian dua sisi yaitu :
H0 : β = βo (Variabel X tidak berpengaruh terhadap variabel Y secara signifikan)
H1 : β > βo (Variabel X berpengaruh terhadap variabel Y secara positif)
H1 : β < βo (Variabel X berpengaruh terhadap variabel Y secara negatif)
2. Menurut Waryanto (2019), korelasi merupakan teknik analisis yang termasuk dalam
salah satu teknik pengukuran asosiasi atau hubungan (measures of association). Dua
variabel dikatakan berasosiasi jika perilaku variabel yang satu mempengaruhi
variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel tersebut disebut
independen. Kuat lemah hubungan diukur diantara jarak (range) 0 sampai dengan 1.
Korelasi mempunyai kemungkinan pengujian hipotesis dua arah (two tailed).
Korelasi searah jika nilai koefisien korelasi diketemukan positif; sebaliknya jika
nilai koefisien korelasi negatif, korelasi tersebut tidak searah. Yang dimaksud
dengan koefisien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi
antara dua variabel. Jika koefisien korelasi diketemukan tidak sama dengan nol (0),
maka terdapat hubungan antara dua variabel tersebut. Jika koefisien korelasi
diketemukan +1, maka hubungan tersebut disebut sebagai korelasi sempurna atau
hubungan linear sempurna sengan kemiringan (slope) positif. Sebaliknya, jika
koefisien korelasi diketemukan -1, maka hubungan tersebut disebut sebagai korelasi
sempurna atau hubungan linear sempurna dengan kemiringan (slope) negatif.
Menurut Bertan (2016), kegunaan uji korelasi untuk mencari hubungan antara
variabel bebas (X) merupakan variabel yang mempengaruhi suatu objek konstruksi
dan variabel terikat (Y) yang dipengaruhi oleh variabel (X) rumus untuk mencari
koefisien korelasi adalah:
r=
n Σ XY-(Σ X)(Σ Y)
√[n Σ X2-(ΣX)2][n Σ Y2-n (ΣY)2]
................................................................ (4.3)
3. Menurut Handerson (1993) dalam Susilowati (2016), Handerson menyatakan bahwa
salah satu sendi terpenting dari Analisa Ekonomi adalah konsep permintaan. Ketika
ekonomi mengacu pada permintaan, mereka biasanya tidak hanya berpikir tentang
jumlah tunggal yang diminta, tapi tentang kurva permintaan. Hukum ekonomi yang
paling terkenal dan paling dipercaya adalah hukum permintaan (The Law of
Demand). Di atas dasar hukum ini didirikan hampir semua bangunan besar teori
ekonomi hukum permintaan menyatakan “ketika harga barang naik, jumlah yang
diminta akan turun, dan jika harga barang turun, jumlah yang diminta akan naik”
Menurut Douglas (1995) dalam susilowati (2016), Douglas mendefinisikan “The
law of demand states that as the price is raised the consumer demands progressively
less of the product and conversely, as the price is reduced the consumer demands
progressively more of the product cateris paribus”. Hukum ini adalah hukum
empiris, artinya hal ini umum terjadi dalam praktek. Hampir semua komoditi tunduk
pada hukum permintaan dengan kemiringan negative (Downwar-Sloping Demand).
Menurut Fahmi (2016) Widarto (2018), dua faktor yang mempengaruhi perilaku
konsumen dalam keputusan pembelian, yaitu faktor internal dan eksternal. Faktor
internal konsumen meliputi tentang persepsi konsumen, reaksi konsumen,
kepribadian, karakter, logika berfikir, gaya hidup, motivasi, dan latar belakang
pendidikan konsumen, sedangkan Faktor eksternal konsumen meliputi diluar dari
faktor internal, seperti situasional dan berbagai lingkungan eksternal lainnya yang
telah ikut mendorong pembentukan perilaku konsumen.
4. Menurut Pondaag (2018), Produk yang dihasilkan dan diciptakan, tidak akan
berhasil tanpa respon dari pasar sasaran dalam hal ini konsumen, mengingat
penerimaan yang kurang baik dari konsumen atas produk yang ditawarkan akan
berdampak negatif, terutama dapat menghambat pencapaian tujuan dan sasaran bagi
kelangsungan oprasional suatu perusahaan. Di dalam perusahaan, strategi
merupakan proses yang memegang peranan penting terhadap perusahaan yang
memasarkan barang dan jasa kepada konsumen. Karena setiap perusahaan memiliki
peluang yang sama dalam memproduksi dan memasarkan barang atau jasa.
Sehingga dapat terjadi persaingan antara perusahaan dengan kompetitor dalam
merebut
pasar.
Dalam
mempromosikan
produknya
perusahaan
tentunya
memerlukan strategi. Strategi promosi akan bisa berjalan dengan optimal apabila di
susun dengan perencanaan yang terstuktur dan di evaluasi pada setiap tahunnya.
Menurut Kotler dan Keller (2008) dalam Pondaag (2018), mendefinisikan
“Promotion includes all the activities the company undertakes to communicate and
promote its product the target market”. Promosi adalah semua kegiatan yang
dilakukan perusahaan untuk mengkomunikasikan dan mempromosikan produknya
kepada pasar sasaran.
Menurut Kismono (2011) dalam Pondaag (2018), Promosi adalah cara yang di
tempuh oleh perusahaan dalam usaha memberikan informasi tentang produk atau
jasa perusahaan, untuk mempengaruhi konsumen potensial melalukan pembelian,
dan membuat konsumen tetap ingat atau setia kepada produk yang ditawarkan
perusahaan. Setiap perusahaan akan berbeda-beda dalam merancang bauran
promosinya tergantung pada tujuan perusahaan, strategi promosi, karakteristik
produk dan karakteristik pasar sasarannya. Manajemen perusahaan mempertahankan
keunggulan bersaing perusahaan dengan 3P yaitu portofolio, people, dan public
contribution. Dan perusahaan juga menekankan pada pemberian nilai tambah bagi
pelanggan yang di kukuhkan yang berorientasi pada peningkatan efesiensi dan
efektivitas kerja dari perusahaan kepada pelanggan. Adapun unsur 3P adalah people
(SDM), physical evidence. Oleh karena itu bauran pemasaran dianggap sebagai
salah satu unsur strategi yang paling potensial di dalam memasarkan produk.
5. Perhitungan regresi linear berganda dan linear sederhana dengan berdasarkan data
tingkat penjualan yang telah disediakan setelah kebijakan manajer PT Maju Mundur
diberlakukan dapat dilihat pada Tabel 4.3.
a. Regresi Linear Berganda
Pada perhitungan regresi linear berganda data tingkat penjualan setelah
kebijakan manajer diberlakukan dapat dilihat pada Tabel 4.3 di bawah ini.
Tabel 4.3
BULAN
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Jumlah
Rata-Rata
Y
X1
X2
X12
Regresi Linear Berganda
X22
250 52 10
2704
100
200 46
8
2116
64
250 48 10
2304
100
275 52 12
2704
144
250 54 12
2916
144
200 44
9
1936
81
265 45 10
2025
100
200 50
9
2500
81
215 55 10
3025
100
220 54 12
2916
144
250 50 10
2500
100
245 50
8
2500
64
2820 600 120
30146
1222
235 50 10 2512,167 101,8333
dengan Y
Y2
X1Y
X2Y
X1X2
62500 13000
2500
520
40000
9200
1600
368
62500 12000
2500
480
75625 14300
3300
624
62500 13500
3000
648
40000
8800
1800
396
70225 11925
2650
450
40000 10000
1800
450
46225 11825
2150
550
48400 11880
2640
648
62500 12500
2500
500
60025 12250
1960
400
670500 141180
28400
6034
55875 11765 2366,667 502,8333
= biaya QC (puluhan ribuan)
X1
= jumlah waktu QC (jam)
X2
= jumalah tenaga kontrol (orang)
Berdasarkan data yang terdapat di dalam Tabel 4.3 tersebut, di dapat nilai-nilai
dari perhitungan yang dijabarkan pada poin di bawah ini.
1) Nilai A
Nilai A dapat dicari dengan menggunakan perhitungan berdasarkan data
yang terdapat pada Tabel 4.3 di atas sebagai berikut.
A = n x (∑X1Y) – (∑X1)(∑Y)................................................................ (4.4)
= (12)( 141180) – (600)( 2820)
= 2160
Setelah menghitung nilai A berdasarkan hasil data pada Tabel 4.3 di atas
dihasilkan nilai A sebesar 2160, selanjutnya adalah mencari nilai B sebagai
berikut
2) Nilai B
Nilai B dapat dicari dengan menggunakan perhitungan berdasarkan data
yang terdapat pada Tabel 4.3 di atas sebagai berikut.
B = n x (∑X22) – (∑X2)2 ........................................................................ (4.5)
= (12)(1222) – (120)2
= 264
Setelah menghitung nilai B berdasarkan hasil data pada Tabel 4.3 di atas
dihasilkan nilai B sebesar 264, selanjutnya adalah mencari nilai C sebagai
berikut.
3) Nilai C
Nilai C dapat dicari dengan menggunakan perhitungan berdasarkan data
yang terdapat pada Tabel 4.3 di atas sebagai berikut.
C
= n x (∑X1X2) – (∑X1)(∑X2) ............................................................ (4.6)
= (12)(6034) – (600)(120)
= 408
Setelah menghitung nilai C berdasarkan hasil data pada Tabel 4.3 di atas
dihasilkan nilai C sebesar 408, selanjutnya adalah mencari nilai D sebagai
berikut.
4) Nilai D
Nilai D dapat dicari dengan menggunakan perhitungan berdasarkan data
yang terdapat pada Tabel 4.3 di atas sebagai berikut:
D = n x (∑X2Y) – (∑X2)(∑Y) ............................................................... (4.7)
= (12)(28400) – (120)(2820)
= 2400
Setelah menghitung nilai D berdasarkan hasil data pada Tabel 4.3 di atas
dihasilkan nilai D sebesar 2400, selanjutnya adalah mencari nilai E sebagai
berikut.
5) Nilai E
Nilai E dapat dicari dengan menggunakan perhitungan berdasarkan data
yang terdapat pada Tabel 4.3 di atas sebagai berikut:
E = n x (∑X12) – (∑X1)2 ...................................................................... (4.8)
= (12)(30146) – (600)2
= 1752
Setelah menghitung nilai E berdasarkan hasil data pada Tabel 4.3 di atas
dihasilkan nilai E sebesar 1752, selanjutnya adalah mencari nilai F sebagai
berikut.
6) Nilai F
Nilai F dapat dicari dengan menggunakan perhitungan berdasarkan data yang
terdapat pada Tabel 4.3 di atas sebagai berikut:
F = EB – C2 ........................................................................................... (4.9)
= (1752)(264) – (408)2
= 296064
Setelah menghitung nilai F berdasarkan hasil data pada Tabel 4.3 di atas
dihasilkan nilai F sebesar 296064
Selanjutnya adalah mencari nilai dari b1, b2, dan a dibawah ini dengan
menggunakan data yang sudah diketahui sebelumnya dan dengan menggunakan
model regresi linear berganda sebagai berikut.
AB - CD
b1
=
b1
=
b1
= -1,3813
F
............................................................................(4.10)
(2160)(264)-(408)(2400)
296064
Setelah mendapatkan nilai dari b1 selanjutnya dapat dihitung nilai b2 dengan
menggunakan perhitungan seperti dibawah ini.
DE-AC
b2
=
b2
=
b2
= 11,2257
F
............................................................................(4.11)
(2400)(1752)-(2160)(408)
296064
Berdasarkan nilai b2 yang didapat maka selanjutnya dihitung nilai a, cara
mencari nilai a seperti berikut ini.
∑Y -b1 ∑X1-b2∑X2
A
=
a
=
a
= 191,8093
n
..........................................................(4.12)
(2820 -(-1,3813)) (600 - 11,2257)(120)
12
Melalui nilai b1, b2, dan a yang di dapat seperti pada perhitungan di atas maka
dapat digunakan persamaan sebagai berikut ini.
Ŷ
= a + b1X1 + b2X2 + …. + bnXn ........................................(4.13)
= 191,8093 + -1,3813X1 + 11,2257X2
Berdasarkan persamaan di atas maka dapat dihasilkan nilai a, b1, dan b2 dari
perhitungan di atas dan dihasilkan nilai a, b1, dan b2 sebagai berikut.
1) Nilai a
= 191,8093
Besarnya upah apabila tanpa X1 (waktu QC) dan X2 (banyak tenaga
kontrol) maka besarnya Y adalah 191,8093 menjadi Rp. 1918.093,2) Nilai b1 = -1,3813
Besarnya upah apabila tanpa X1 (waktu QC) dan X2 (banyak tenaga
kontrol) maka besarnya Y adalah -1,3813 menjadi Rp. 13.8133) Nilai b2 = 11,2257
Besarnya upah apabila tanpa X1 (waktu QC) dan X2 (banyak tenaga
kontrol) maka besarnya Y adalah 11,2257 menjadi Rp. 112.257,4) Biaya QC yang dikeluarkan perusahaan
Sebelum memasuki perhitungan diketahui nilai X1 dan X2 sebagai berikut.
X1 (jumlah QC)
= 50
X2 (jumlah tenaga kerja) = 10
Y
= a + b1 X1 + b2 X2 ......................................(4.14)
Y
= 1.918.093 + -13.813X1 + 112.257X2
= 1.918.093 + -13.813 (50) + 112.257 (10)
= 1.918.093 + (-690.650) + 1.122.570
= 2.350.013
Berdasarkan perhitungan diatas maka biaya quality control yang dikeluarkan
perusahaan adalah sebesar Rp. 2.350.013,b. Regresi Linier Sederhana
Di bawah ini merupakan perhitungan dari regresi linear sederhana dengan Tabel
4.4 dengan X adalah upah (puluhan ribu), dan Y adalah tingkat penjualan
(pasang) dari percobaan di atas sebagai berikut.
Tabel 4.4
Regresi Linear Sederhana
BULAN
X
Y
X2
Y2
XY
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Total
Rata-Rata
250
200
250
275
250
200
265
200
215
220
250
245
2820
235
75
65
80
72
60
55
72
65
60
62
70
82
818
68,1667
62500
40000
62500
75625
62500
40000
70225
40000
46225
48400
62500
60025
670500
55875
5625
4225
6400
5184
3600
3025
5184
4225
3600
3844
4900
6724
56536
4711,3333
18750
13000
20000
19800
15000
11000
19080
13000
12900
13640
17500
20090
193760
16146,6667
dengan X = biaya QC (puluhan ribuan)
Y = tingkat penjualan (pasang)
Berdasarkan perhitungan dan data yang dihasilkan pada Tabel 4.4 di atas dapat
dihitung nilai dari b, a, dan Ŷ sebagai berikut.
B
=
n (ΣXY)-(ΣX)(ΣY)
n(Σx2 )-(ΣX)2
...........................................................(4.15)
=
12 (193760) – (2820) (818)
12 (670500)-(2820)2
= 0,1962
Jadi berdasarkan hasil perhitungan b (koefisien regresi) pada regresi linear
sederhana yaitu 0,1962.
Berdasarkan hasil perhitungan b di atas maka dapat dihitung persamaan seperti
pada perhitungan di bawah ini.
a
=
=
(ΣY)- b(ΣX)
n
...................................................................(4.16)
818 - 0,1962 (2820)
12
= 22,0705
Jadi, berdasarkan hasil a yang di dapatpada regresi linear sederhana di dapatkan
hasil 22,0705.
Setelah mendapatkan nilai a dan b pada perhitungan di atas, di dapat hasil a
22,0705 dan nilai b 0,1962 selanjutnya dicari nilai Ŷ sebagai berikut ini.
Ŷ
= a + bx ................................................................................(4.17)
Ŷ
= (22,0705) + (0,1962)(X)
Berdasarkan nilai a dan b yang telah dihitung maka di dapat persamaan di atas
untuk mengetahui tingkat penjualan perusahaan.
Persamaan regresi sederhana di atas apabila di jabarkan maka di hasilkan nilai a,
b, dan tingkat penjualan sebagai berikut.
1) Nilai a
= 22,0705
Nilai tingkat penjualan (Y) tanpa adanya biaya quality control (X) adalah
sebesar 22,0705 pasang ≈ 22 pasang.
2) Nilai b
= 0,1962
Hubungan antara X (biaya QC) dengan Y (tingkat penjualan) adalah positif
atau setiap kenaikan upah sebesar puluhan ribu, maka tingkat penjualan
akan meningkat sebesar 0,1962 pasang..
3) Tingkat penjualan yang didapatkan perusahaan
Sebelum memasuki perhitungan diketahui nilai X1 dan X2 sebagai berikut.
X
= 235,0193
Y
= a + bX
Y
= 22,0705 + 0,1962 (235)
= 68,1775
≈ 68
Berdasarkan perhitungan diatas maka tingkat penjualan yang di dapat
perusahaan adalah sebesar 68 pasang.
6. Perbandingan Antara Rata-Rata Tingkat Penjualan
Pada perbandingan rata-rata tingkat penjualan sebelum dan sesudah kebijakan
manajer terdapat perbedaan diantara tingkat penjualan sebelum dan sesudah
kebijakan,seperti yang terlihat pada Tabel 4.5 di bawah ini.
Tabel 4.5 Perbandingan rata-rata sebelum dan sesudah
Bulan
Tingkat Penjualan Sebelum Kebijakan
(pasang)
Tingkat Penjualan Sesudah
Kebijakan (pasang)
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Jumlah
30
25
32
35
27
20
26
30
25
24
32
22
328
75
65
80
72
60
55
72
65
60
62
70
82
818
Berdasarkan data di atas dapat dihitung nilai-nilai dari rata-rata tingkat penjualan
baik sesudah ataupun sebelum ditetapkan kebijakan dari manajer serta selisih
tingkat penjualan sebagai berikut ini.
a.
Rata-rata Tingkat Penjualan Sebelum
Y1
=
328
12
= 27,3333
≈ 27
Berdasarkan data tingkat penjualan sebelum kebijakan seperti pada Tabel 4.5 di
atas didapat hasil yaitu 27 pasang.
b.
Rata-rata Tingkat Penjualan Sesudah
Y2
=
818
12
= 68,1667
≈ 68
Berdasarkan data tingkat penjualan sebelum dan sesudah ditetapkan kebijakan
manajer seperti pada Tabel 4.5 di atas maka dihasilkan yaitu 68 pasang.
c.
Selisih Tingkat Penjualan
Y
= Y2 - Y1 ..............................................................................(4.18)
= 68,1667– 27,3333
= 40,8333
≈ 41
Berdasarkan hasil perhitungan perselisihan tingkat penjualan sesudah dan
sebelum ditetapkannya kebijakan manajer maka hasil perhitungan adalah 41
pasang.
7. Analisis Korelasi Model Regresi Linear Sederhana dan Berganda
Perhitungan dari analisis korelasi model regresi linier sederhana dan berganda dapat
dilihat pada perhitungan di bawah ini.
a. Regresi linier sederhana
Pada regresi linier sederhana dapat dicari perhitungan korelasi X dan Y dan
regresi sederhana melalui perhitungan seperti pada rumus di bawah ini.
r
n ΣXY- ΣX ΣY
=
2
√(n ΣX
r
-(ΣX)2 (n
2
ΣY
........................................(4.19)
-(ΣY)2 )
12 (193760) - (2820)(818)
=
√(12 (670500) - (2820)2 (12 (56536) - (818)2 )
r
= 0,622023174
Berdasarkan perhitungan regresi linier sederhana seperti pada perhitungan di
atas di hasilkan nilai regresi linier yaitu 0,6220. Dapat dilihat bahwa korelasi
yang terjadi adalah korelasi positif karena 0 < r < +1. Sehingga, dapat
disimpulkan bahwa semakin meningkatnya biaya variabel maka semakin
meningkat pula tingkat penjualannya.
= (0,6220)2 x 100
%r
= 38,6913%
Sehingga dapat disimpulkam nilai pengaruh X (biaya quality control) dan Y
(tingkat penjualan) adalah 38,6913%, sedangkan 61,3087% dipengaruhi oleh
variabel lain.
b. Regresi linear berganda
Pada perhitungan regresi linear berganda dapat dihitung korelasi X1 dan Y,
korelasi X2 dan Y, dan korelasi X1 dan X2 sebagai berikut.
1) Korelasi X1 dan Y
r =
r
n ΣX1Y- ΣX1 ΣY
√(n ΣX12 -(ΣX1)2 (n ΣY2 -(ΣY)2 )
...............................................(4.20)
12 (141180) - (600)(2820)
=
√12 (30146) - (600)2 (12 (670500) - (2820)2
r = 0,1687
Berdasarkan perhitungan regresi linier berganda seperti pada perhitungan di
atas di hasilkan nilai regresi linier yaitu 0,1687. Dapat dilihat bahwa
korelasi yang terjadi adalah korelasi positif karena 0 < r < +1. Sehingga,
dapat disimpulkan bahwa semakin meningkatnya waktu quality control
maka semkain meningkat pula tingkat penjualannya.
= (0,1687)2 x 100
%r
= 2,85%
Sehingga dapat disimpulkam nilai pengaruh X1 (waktu QC) dan Y (tingkat
penjualan) adalah 2,85%, sedangkan 97,15% dipengaruhi oleh variabel lain.
2) Korelasi X2 dan Y
n ΣX2Y- ΣX2 ΣY
r =
2
√(n ΣX2
-(ΣX2)2 (n
2
ΣY
.................................................(4.21)
-(ΣY)2 )
12 (28400) - (120)(2820)
r =
√12 (1222) - (120)2 (12 (670500) - (2820)2
r = 0,4828
Berdasarkan perhitungan regresi linier berganda seperti pada perhitungan di
atas di hasilkan nilai regresi linier yaitu 0,4828. Dapat dilihat bahwa korelasi
yang terjadi adalah korelasi positif karena 0 < r < +1. Sehingga, dapat
disimpulkan bahwa semakin meningkatnya jumlah QC maka semkain
meningkat pula tingkat penjualannya.
= (0,4828)2 x 100
%r
= 23,31%
Sehingga dapat disimpulkam nilai pengaruh X1 (jumlah QC) dan Y (tingkat
penjualan) adalah 23,31%, sedangkan 76,69% dipengaruhi oleh variabel
lain.
3) Korelasi X1 dan X2
r
=
n ΣX1X2- ΣX1 ΣX2
2
√(n ΣX1
-(ΣX1)2 (n ΣX22 -(ΣX2)2 )
.......................................... (4.22)
r
12 (6034) - (600)(120)
=
√12 (30146) - (600)2 (12 (1222) - (120)2 )
r
= 0,5999
Berdasarkan perhitungan regresi linier sederhana seperti pada perhitungan di
atas di hasilkan nilai regresi linier yaitu 0,5999. Dapat dilihat bahwa korelasi
yang terjadi adalah korelasi positif karena 0 < r < +1. Sehingga, dapat
disimpulkan bahwa semakin meningkatnya waktu quality control maka
semakin meningkat pula jumlah pekerja yang bekerja.
%r
= (0,5999)2 x 100
= 35,99%
Sehingga dapat disimpulkam nilai pengaruh X1 (waktu quality control) dan
X2 (jumlah pekerja) adalah 35,99%, sedangkan 64,01% dipengaruhi oleh
variabel lainnya.
4.2.2 Pengolahan Data Secara Komputerisasi
Pengolahan data secara komputerisasi dilakukan dengan menggunakan software
Statisticsal Package for the Social Sciences (SPSS) 23. Pada pengolahan data secara
komputerisasi untuk metode analisis regresi dan korelasi dijelaskan pada langkahlangkah berikut ini.
1.
Dibuka software Statisticsal Package for the Social Sciences (SPSS) 23,
2.
Diklik bagian variabel view,
1.
Diketik “JWQ” pada kolom Name baris pertama,
2.
Diketik “Jumlah Waktu QC” pada kolom label baris pertama,
3.
Diketik “JTQ” pada kolom Name baris kedua,
4.
Diketik “Jumlah Tenaga QC ” pada kolom label baris kedua,
5.
Diketik BQ” pada kolom Name baris ketiga,
6.
Diketik “Biaya QC” pada kolom label baris ketiga,
7.
Diketik “TP” pada kolom Name baris keempat,
8.
Diketik “Tingkat Penjualan” pada kolom label baris keempat,
9.
Diklik Data View bagian kiri bawah,
10.
Dimasukkan data “Jumlah Waktu QC” yang berasal dari soal Tugas Pendahuluan,
11.
Dimasukkan data “Jumlah Tenaga QC ” yang berasal dari soal Tugas
Pendahuluan,
12.
Dimasukkan data “Biaya QC” yang berasal dari soal Tugas Pendahuluan,
13.
Dimasukkan data “Tingkat Penjualan” yang berasal dari soal Tugas Pendahuluan,
14.
Langkah untuk menganalisis Regresi Linear Berganda dapat dilakukan dengan
tahapan-tahapan sebagai berikut.
a.
Diklik “Analyze”,
b.
Dipilih “Regression”,
c.
Dipilih “Linear”,
d.
Dimasukkan biaya QC dalam “Dependent”,
e.
Dimasukkan Jumlah Waktu QC dan Jumlah Tenaga QC di ”Independent”,
f.
Diklik “Statistics’,
g.
Dicentang “Estimates” dan dicentang “Model fit”,“Part and partial
correlations”, dan ”Collinearity diagnostics” pada tampilan “Regression
Coefficients” digunakan untuk mengetahui pengaruh besarnya variabel
dependent terhadap independent,
h.
Diklik “Continue”,
i.
Diklik “Plots”, digunakan untuk menampilkan diagram hasil analisi regresi,
j.
Dimasukkan SDRESID pada Y,
k.
Dimasukkan ZPRED pada X,
l.
Dicentang “Normal Probability Plots” Tampilan “Standardized Residual
Plots”,
m. Diklik “Continue”,
n.
Diklik “Save”, digunakan untuk menyimpan dan membuat file baru dari nilainilai prediksi dari data statistiknya ,
o.
Dicentang “Unstandardized”, “Standaridized”, “Studentized”, “Deleted”, dan
“Studentized Deleted” pada tampilan “Residuals”.
p.
Diklik “Continue”, dan
q.
Diklik “OK”, kemudian Output akan muncul.
15.
Langkah untuk Analisis Regresi Linear Sederhana dapat dilakukan dengan
tahapan-tahapan sebagai berikut.
a.
Diklik “Analyze”,
b.
Diklik “Regression”,
c.
Diklik “Linear”,
d.
Dikeluarkan Biaya QC dalam “Dependent”,
e.
Dimasukkan Tingkat Penjualan dalam “Dependent”,
f.
Dikeluarkan Jumlah Waktu QC dan Jumlah Tenaga quality control dalam
”Independent”,
4.3
g.
Dimasukkan Biaya QC dalam “Independent”, dan
h.
Diklik “OK” maka output akan keluar.
Uji-uji
Uji-uji yang dilakukan dalam regresi linear sederhana dan regresi linear berganda
diantaranya adalah uji Analysis of Variance (ANOVA), uji korelasi, uji Konstanta
Regresi, Koefisien Variabel, dan uji T.
4.3.1 Uji-uji Regresi Berganda
Uji-uji dalam regresi berganda dapat dilakukan dengan melihat hasil pengumpulan data
dan pengolahan data dari program SPSS 23. Uji-uji yang dilakukan dalam regresi linear
berganda diantaranya adalah uji Analysis of Variance (ANOVA), uji Konstanta Regresi,
uji Koefisien Variabel, dan uji T. Berdasakan hasil uji tersebut hasil yang diperoleh
antara perhitungan regresi berganda dan regresi sederhana akan berbeda.
1. Uji Analysis of Variance (ANOVA)
Uji ANOVA dilakukan untuk mengetahui hubungan dan pengaruh dari independent
variable terhadap dependent variable. Pada pengujian ANOVA dari regresi
berganda dilakukan sebagai berikut.
a.
Hipotesis
Pada hipotesis ditentukan dua hipotesis yaitu hipotesis awal (Ho) dan hipotesis
alternatif (H1) sebagai berikut.
H0 : Jumlah waktu QC (X1) dan jumlah tenaga quality control (X2) tidak
mempengaruhi biaya QC (Y).
H1 : Jumlah waktu QC (X1) dan jumlah tenaga quality control (X2)
mempengaruhi jumlah biaya QC (Y).
b.
Tingkat Signifikasi
Pada nilai tingkat signifikan yang dipergunakan dalam metode uji ini adalah
sebesar 5%.
c.
Daerah kritis
Pada daerah kritis terdapat pernyataan mengenai hasil dari perhitungan daerah
kritis yakni mengenai diterima dan ditolaknya Ho.
Fhitung > Ftabel, H0 ditolak,
Fhitung < Ftabel, H0 diterima,
Asymsig > α, H0 diterima, dan
Asymsig < α, H0 ditolak.
d.
Statistik Uji
Berikut ini adalah nilai-nilai statistik uji yang akan digunakan sebagai dasar
dalam pengambilan keputusan.
e.
db1
=2
db2
=9
Ftabel
= 4,26
Fhitung
= 1,548
Asymsig
= 0,264
Keputusan
Berikut ini adalah pernyataan mengenai hasil dari perhitungan daerah kritis
yang berupa sebuah keputusan.
1,548 < 4,26 atau Fhitung < Ftabel sehingga H0 diterima.
0,264 ˃ 0,05 atau Asymsig ˃ α sehingga H0 diterima.
f.
Kesimpulan
Berdasarkan perhitungan menggunakan analisis ANOVA dapat dilihat bahwa
Fhitung < Ftabel dengan nilai 1,548 < 4,26 sesuai daerah kritis dapat dilihat bahwa
Ho diterima. Berdasarkan uji menggunakan Asymsig dengan tingkat signifikan
5% dapat dilihat bahwa Asymsig ˃ α dengan nilai 0,264 ˃ 0,05 sesuai sesuai
daerah kritis dapat dilihat bahwa Ho diterima. Berdasarkan keputusan ini maka
disimpulkan bahwa jumlah waktu quality control (X1) dan jumlah tenaga
quality control (X2) tidak mempengaruhi biaya QC (Y).
2. Konstanta Regresi
Pengujian perhitungan konstanta regresi dari regresi linear berganda yang akan
dilakukan dengan tahapan menghitung sebagai berikut:
a. Hipotesis
H0
: Konstanta regresi tidak berpengaruh signifikan terhadap biaya QC
(dependent variable).
H1
: Konstanta regresi berpengaruh signifikan terhadap biaya QC
(dependent variable).
b. Daerah Kritis
Asymsig > , H0 diterima
Asymsig < , H0 ditolak
c. Statistik Uji
α
= 0,05
Asymsig
= 0,104
d. Keputusan
Asymsig > α = 0,104 > 0,05, maka H0 diterima.
e. Kesimpulan
Berdasarkan hasil yang diperoleh dapat disimpulkan bahwa H0 diterima,
sehingga konstanta regresi tidak berpengaruh signifikan terhadap biaya QC
(dependent variable).
3. Koefesien Variabel
Pengujian perhitungan koefisien variabel dari regresi linear berganda yang akan
dilakukan terdiri atas dua koefisien, yaitu JWQ dan JTQ yang dapat dihitung dengan
tahapan sebagai berikut:
a. Koefisien Jumlah Waktu QC (JWQ)
Berikut adalah perhitungan koefisien jumlah waktu QC dapat dihitung dengan
tahapan seperti di bawah ini:
1) Hipotesis
H0 :
Koefisien variabel jumlah waktu QC tidak berpengaruh signifikan
terhadap biaya QC
H1 : Koefisien variabel jumlah waktu penawaran berpengaruh signifikan
terhadap biaya QC.
2) Daerah Kritis
Asymsig > , H0 diterima
Asymsig < , H0 ditolak
3) Statistik Uji

= 0,05
Asymsig
= 0,612
4) Keputusan
Asymsig ˃ α = 0,612 ˃ 0,05, maka H0 diterima.
5) Kesimpulan
Berdasarkan hasil dari perhitungan uji koefisien variabel yang telah
dilakukan, maka dari hasil tersebut dapat disimpulkan bahwa H0 diterima,
sehingga koefisien variabel jumlah waktu QC tidak berpengaruh signifikan
terhadap biaya QC.
b. Koefisien Jumlah Tenaga Quality Control (JTQ)
Berikut adalah perhitungan koefisien jumlah tenaga quality control yang dapat
dihitung dengan tahapan seperti di bawah ini:
1) Hipotesis
H0 : Koefisien variabel jumlah tenaga quality control tidak berpengaruh
signifikan terhadap biaya QC.
H1: Koefisien variabel jumlah tenaga quality control berpengaruh signifikan
terhadap biaya QC.
2) Daerah Kritis
Asymsig > , H0 diterima
Asymsig < , H0 ditolak
3) Statistik Uji

= 0,05
Asymsig = 0,132
4) Keputusan
Asymsig > α = 0,132 > 0,05, maka H0 diterima.
5) Kesimpulan
Berdasarkan hasil perhitungan uji koefisien variabel yang telah dilakukan,
maka dapat disimpulkan bahwa H0 diterima, sehingga koefisien variabel
jumlah tenaga quality control tidak berpengaruh terhadap biaya QC.
4. Uji-t
Uji-t dilakukan untuk mengetahui ada atau tidaknya pengaruh signifikan antara
variabel bebas (independent variable) terhadap variabel terikat (dependent variable).
Pengolahan data dilakukan dengan menggunakan software SPSS 23 sebagai berikut.
a.
Uji-t untuk X1 (Jumlah Waktu Quality Control)
Uji-t untuk X1 (jumlah waktu quality control) dilakukan untuk mengetahui ada
atau tidaknya pengaruh signifikan antara X1 (jumlah waktu quality control)
dengan (Y) biaya quality control.
Langkah-langkah pengujiannya adalah
sebagai berikut.
1) Hipotesis
Pada hipotesis ditentukan dua hipotesis yaitu hipotesis awal (Ho) dan
hipotesis alternatif (H1) sebagai berikut.
H0 : Koefisien variabel (X1) jumlah waktu QC tidak berpengaruh terhadap
variabel (Y) biaya quality control.
H1 : Koefisien variabel (X1) jumlah waktu QC berpengaruh terhadap
variabel (Y) biaya quality control.
2) Tingkat Signifikansi
Nilai tingkat signifikansi yang dipergunakan dalam metode uji-t sebagai
berikut ini.
α
= 0,025.
2
3) Daerah Kritis
Pada daerah kritis terdapat pernyataan mengenai hasil dari perhitungan
daerah kritis yakni mengenai diterima dan ditolaknya Ho.
thitung > ttabel, H0 ditolak
thitung < ttabel, H0 diterima
4) Statistik Uji
Pada statistik uji nilai-nilai yang akan digunakan sebagai dasar dalam
pengambilan keputusan adalah sebagai berikut ini.
α
= 0,025
2
n
= 12
k
=3
v
=9
ttabel
= 2,262
thitung
= -0,526
5) Keputusan
Berdasarkan hasil perhitungan pada statistik uji dapat diambil keputusan
tentang diterima atau ditolaknya Ho sebagai berikut ini.
-0,526 < 2,262 atau thitung < ttabel, maka H0 diterima.
6) Kesimpulan
Berdasarkan perhitungan uji-t dapat diambil keputusan yaitu H0 ditolak
dengan nilai -0,526 < 2,262 atau thitung < ttabel, sehingga Koefisien variabel
(X1) jumlah waktu QC tidak berpengaruh terhadap koefisien variabel (Y)
biaya QC.
b. Uji-t untuk X2 (Jumlah Tenaga Quality Control)
Uji-t untuk X2 (jumlah tenaga quality control) dilakukan untuk mengetahui ada
atau tidaknya pengaruh signifikan antara (X2) jumlah tenaga quality control
dengan (Y) biaya QC.
1) Hipotesis
Berikut ini adalah dua pernyataan hipotesis yakni hipotesis utama (H0) dan
hipotesis lawan (H1).
H0
:
Koefisien variabel (X2) jumlah tenaga quality control tidak
berpengaruh terhadap koefisien variabel (Y) biaya QC.
H1
:
Koefisien
variabel
(X2)
jumlah
tenaga
quality
berpengaruh terhadap koefisien variabel (Y) biaya QC.
control
2) Tingkat Signifikansi
Nilai tingkat signifikansi yang dipergunakan dalam metode uji-t sebagai
berikut ini.
α
= 0,025.
2
3) Daerah Kritis
Berikut ini adalah pernyataan mengenai hasil dari perhitungan daerah kritis
yakni mengenai diterima dan ditolaknya Ho.
thitung > ttabel, H0 ditolak
thitung < ttabel, H0 diterima
4) Statistik Uji
Berikut ini adalah nilai-nilai statistik uji yang akan digunakan sebagai dasar
dalam pengambilan keputusan.
α
= 0,025
2
N
= 12
k
=3
v
=9
ttabel
= 2,262
thitung
= 1,659
5) Keputusan
Berikut ini adalah pernyataan mengenai hasil dari perhitungan daerah kritis
yang berupa sebuah keputusan berdasarkan perhitungan yang telah
dilakukan dengan menggunakan software SPSS.
1,659 < 2,262 atau thitung < ttabel, maka H0 diterima
6) Kesimpulan
Berdasarkan perhitungan uji-t yang telah dilakukan diatas dengan
menggunakan data-data yang telah diketahui sebelumnya, dapat diambil
keputusan yaitu H0 diterima dengan nilai 1,659 < 2,262 atau thitung < ttabel,
sehingga koefisien variabel (X2) jumlah tenaga quality control tidak
berpengaruh terhadap koefisien variabel (Y) biaya QC.
4.3.2 Uji-uji Regresi Sederhana
Uji-uji dalam regresi sederhana dapat dilakukan dengan melihat hasil pengumpulan data
dan pengolahan data dari program SPSS 23. Uji-uji yang dilakukan dalam regresi linear
berganda diantaranya adalah uji Analysis of Variance (ANOVA), uji Konstanta Regresi,
uji Koefisien Variabel, dan uji T. Berdasakan hasil uji tersebut hasil yang diperoleh
antara perhitungan regresi berganda dan regresi sederhana akan berbeda.
1. Uji Analysis of Variance (ANOVA)
Uji ANOVA dilakukan untuk mengetahui hubungan dan pengaruh dari independent
variable terhadap dependent variable. Pada pengujian ANOVA dari regresi
sederhana dilakukan sebagai berikut.
a. Hipotesis
Pada hipotesis ditentukan dua hipotesis yaitu hipotesis awal (Ho) dan hipotesis
alternatif (H1) sebagai berikut.
H0 : Variabel bebas (X) biaya QC tidak berpengaruh signifikan terhadap
variabel terikat (Y) tingkat penjualan.
H1 : Variabel bebas (X) biaya QC berpengaruh terhadap variabel terikat (Y)
tingkat penjualan.
b.
Tingkat Signifikasi
Pada nilai tingkat signifikan yang dipergunakan dalam metode uji ini adalah
sebesar 5%.
c.
Daerah kritis
Pada daerah kritis terdapat pernyataan mengenai hasil dari perhitungan daerah
kritis yakni mengenai diterima dan ditolaknya Ho.
Fhitung > Ftabel, H0 ditolak,
Fhitung < Ftabel, H0 diterima,
Asymsig > α, H0 diterima, dan
Asymsig < α, H0 ditolak.
d.
Statistik Uji
Berikut ini adalah nilai-nilai statistik uji yang akan digunakan sebagai dasar
dalam pengambilan keputusan.
e.
db1
=1
db2
= 10
Ftabel
= 4,96
Fhitung
= 6,311
Asymsig
= 0,031
Keputusan
Berikut ini adalah pernyataan mengenai hasil dari perhitungan daerah kritis
yang berupa sebuah keputusan.
6,311 ˃ 4,96 atau Fhitung ˃ Ftabel sehingga H0 ditolak
0,031 < 0,05 atau Asymsig < α sehingga H0 ditolak
f.
Kesimpulan
Berdasarkan perhitungan menggunakan analisis ANOVA dapat dilihat bahwa
Fhitung ˃ Ftabel dengan nilai 6,311 ˃ 4,96 sesuai daerah kritis dapat dilihat bahwa
Ho ditolak. Berdasarkan uji menggunakan Asymsig dengan tingkat signifikan
5% dapat dilihat bahwa Asymsig < α dengan nilai 0,031 < 0,05 sesuai sesuai
daerah kritis dapat dilihat bahwa Ho ditolak. Berdasarkan keputusan ini dapat
disimpulkan bahwa variabel bebas (X) biaya QC berpengaruh signifikan
terhadap variabel terikat (Y) tingkat penjualan.
2. Uji Kontanta Regresi
Uji konstanta regresi dilakukan untuk mengetahui pengaruh kontanta regresi
terhadap tingkat penjualan. Pada uji kontanta menggunakan software SPSS 23
dengan urutan langkah sebagai berikut.
a.
Hipotesis
Pada hipotesis ditentukan dua hipotesis yaitu hipotesis awal (Ho) dan hipotesis
alternatif (H1) sebagai berikut.
H0 : Konstanta regresi tidak mempengaruhi tingkat penjualan sebagai variabel
terikat.
H1 : Konstanta regresi mempengaruhi tingkat penjualan sebagai variabel
terikat
b. Daerah Kritis
Pada daerah kritis terdapat pernyataan mengenai hasil dari perhitungan daerah
kritis yakni mengenai diterima dan ditolaknya Ho.
Asymsig > α, H0 diterima
Asymsig < α, H0 ditolak
c.
Statistik Uji
Berikut ini adalah nilai-nilai statistik uji yang akan digunakan sebagai dasar
dalam pengambilan keputusan.
d.
α
= 0,05
Asymsig
= 0,259
Keputusan
Berikut ini adalah pernyataan mengenai hasil dari perhitungan daerah kritis
yang berupa sebuah keputusan.
0,259 > 0,05 atau Asymsig > α, maka H0 diterima.
e.
Kesimpulan
Berdasarkan perhitungan menggunakan uji konstanta regresi dapat diambil
keputusan Ho diterima dengan nilai 0,906 > 0,05 atau Asymsig > α, sehingga
konstanta regresi tidak mempengaruhi tingkat penjualan sebagai variabel
terikat.
3. Uji Koefisien Variabel
Uji koefisien variabel dilakukan untuk mengetahui pengaruh dari biaya QC sebagai
koefisien variabel bebas terhadap tingkat penjualan sebagai variabel terikat.
Pengolahan data dilakukan dengan menggunakan software SPSS 23 sebagai berikut.
a.
Hipotesis
Pada hipotesis ditentukan dua hipotesis yaitu hipotesis awal (Ho) dan hipotesis
alternatif (H1) sebagai berikut.
Ho
: Koefisien variabel biaya QC sebagai variabel bebas tidak berpengaruh
terhadap (Y) tingkat penjualan sebagai variabel terikat.
H1
: Koefisien variabel biaya QC sebagai variabel bebas berpengaruh
terhadap (Y) tingkat penjualan sebagai variabel terikat.
b.
Daerah Kritis
Pada daerah kritis terdapat pernyataan mengenai hasil dari perhitungan daerah
kritis yakni mengenai diterima dan ditolaknya Ho.
Asymsig > α, H0 diterima
Asymsig < α, H0 ditolak
c.
Statistik Uji
Berikut ini adalah nilai-nilai statistik uji yang akan digunakan sebagai dasar
dalam pengambilan keputusan.
d.
α
= 0,05
Asymsig
= 0,031
Keputusan
Berikut ini adalah pernyataan mengenai hasil dari perhitungan daerah kritis
yang berupa sebuah keputusan.
0,031 < 0,05 atau Asymsig < α, maka H0 ditolak
e.
Kesimpulan
Berdasarkan perhitungan uji koefisien variabel dapat diambil keputusan yaitu
H0 diterima dengan nilai 0,031 < 0,05 atau Asymsig < α, sehingga koefisien
variabel biaya QC sebagai variabel bebas berpengaruh terhadap (Y) tingkat
penjualan sebagai variabel terikat
4. Uji-t
Uji-t dilakukan untuk mengetahui ada atau tidaknya pengaruh signifikan antara
variabel bebas (independent variable) terhadap variabel terikat (dependent variable).
Pengolahan data dilakukan dengan menggunakan software SPSS 23 sebagai berikut.
a.
Hipotesis
Pada hipotesis ditentukan dua hipotesis yaitu hipotesis awal (Ho) dan hipotesis
alternatif (H1) sebagai berikut.
Ho
: Koefisien variabel biaya QC sebagai variabel bebas tidak berpengaruh
terhadap tingkat penjualan sebagai variabel terikat.
H1
: Koefisien variabel biaya QC sebagai variabel bebas berpengaruh
terhadap tingkat penjualan sebagai variabel terikat.
b.
Tingkat Signifikansi
Nilai tingkat signifikansi yang dipergunakan dalam metode uji-t sebagai berikut
ini.
α
2
c.
= 0,025.
Daerah Kritis
Pada daerah kritis terdapat pernyataan mengenai hasil dari perhitungan daerah
kritis yakni mengenai diterima dan ditolaknya Ho.
thitung > ttabel, H0 ditolak dan signifikan
thitung < ttabel, H0 diterima dan tidak signifikan
d.
Statistik Uji
Pada statistik uji nilai-nilai yang akan digunakan sebagai dasar dalam
pengambilan keputusan adalah sebagai berikut ini.
α
= 0,025
2
e.
n
= 12
k
=2
v
= 10
ttabel
= 2,228
thitung
= 2,512
Keputusan
Berdasarkan hasil perhitungan pada statistik uji dapat diambil keputusan tentang
diterima atau ditolaknya Ho sebagai berikut ini.
2,512 ˃ 2,228 atau thitung ˃ ttabel, maka H0 ditolak dan signifikan
f.
Kesimpulan
Berdasarkan perhitungan uji-t dapat diambil keputusan yaitu H0 diterima dan
tidak signifikan dengan nilai
2,512 ˃ 2,228 atau thitung ˃ ttabel,
sehingga
koefisien variabel biaya QC sebagai variabel bebas berpengaruh terhadap (Y)
tingkat penjualan sebagai variabel terikat.
4.4
Analisa dan Pembahasan
Berdasarkan pengolahan data yang dilakukan dengan menggunakan cara manual
ataupun komputerisasi maka dari hasil perhitungan tersebut dapat dilakukan tahap
selanjutnya yaitu dilakukan analisis dan pembahasan terhadap data-data perhitungan
yang telah diperoleh untuk analisis regresi berganda dan analisis regresi sederhana
sebagai berikut ini.
4.4.1 Analisa Regresi Berganda
Pengujian analisis regresi berganda dilakukan untuk variabel jumlah waktu QC dan
tenaga kerja quality control terhadap biaya QC. Pada analisis regresi linier berganda
terdapat beberapa faktor yang harus dianalisis, diantaranya adalah faktor dari kelayakan
model regresi, model summary, multikolinearitas, dan juga interpretasi grafik yang
dihasilkan pada output hasil pengolahan data secara komputerisasi dengan
menggunakan software SPSS 23, analisa dari berbagai hasil tersebut dijelaskan sebagai
berikut ini.
1. Kelayakan Model Regresi
Berdasarkan hasil pengolahan data secara komputerisasi dengan menggunakan
software SPSS 23 didapatkan nilai standard deviation dan nilai standard error of
estimate dari biaya QC yaitu sebesar 26,62876 untuk nilai standard deviation dan
untuk nilai standard error of estimate sebesar 25,39357. Berdasarkan masingmasing nilai dapat dilihat bahwa nilai standard deviation ≥ nilai standard error of
estimate dengan nilai 26,62876 > 25,39357, sehingga model regresi linear berganda
dapat dikatakan layak.
2. Model Summary
Berdasarkan hasil pengolahan data secara komputerisasi dengan menggunakan
software SPSS 23 didapatkan nilai R sebesar 0,506. Hal ini berarti ada korelasi atau
hubungan antara dua variabel bebas yaitu jumlah tenaga QC dan jumlah waktu QC
dengan variabel bebas yaitu biaya QC. Korelasi yang terjadi yaitu korelasi positif
dengan interpretasi yang tinggi karena nilai yang diperoleh berada di atas 0,5. Pada
nilai R square pada hasil SPSS diperoleh nilai sebesar 0,256 sehingga dapat
disimpulkan bahwa dari kedua variabel bebas yaitu jumlah waktu QC dan jumlah
tenaga quality control ada yang berpengaruh dan ada yang tidak berpengaruh
terhadap biaya QC.
3. Multikolinearitas
Multikoliniearitas yaitu suatu keadaan dimana terjadi korelasi antar variabel bebas
dalam regresi linear berganda dengan nilai yang sangat tinggi atau sangat rendah.
Nilai-nilai yang digunakan untuk mengujinya adalah nilai VIF (variance inflation
factor). Apabila nilai VIF kurang dari 10 dan nilai dari tolerance tidak kurang dari
0,1 maka dapat dikatakan terbebas dari multikolinearitas, karena VIF = 1/tolerance.
Jika VIF < 10 maka tolerance > 0,1 semakin tinggi VIF maka semakin rendah
tolerance. Berdasarkan hasil dari pengolahan data secara komputerisasi, nilai VIF
sebesar 1,562 dan tolerance sebesar 0,640. Hal ini menunjukan nilai dari VIF < 10
sehingga dapat dikatakan bahwa pada regresi linear berganda terbebas dari
multikolinearitas dan analisis regresi berganda layak digunakan.
4. Interpretasi Grafik
Interprestasi grafik berguna untuk membantu melihat penyebaran data secara
distributif dan membantu dalam menganalisis penyebaran data. Pada interpretasi
grafik dapat dibagi menjadi dua penjelasn yaitu grafik Normal Probability Plot dan
Grafik Scatterplot yang dijelaskan sebagai berikut ini.
a. Grafik Normal Probability Plot
Pada grafik normal probability plot terdapat sebaran data-data hasil output
perhitungan SPSS lalu disajikan dalam bentuk grafik normal probability plot.
Hasil perhitungan komputerisasi data yang ada dengan menggunakan SPSS dan
disajikan dalam bentuk grafik probability plot dapat dilihat pada Gambar 4.1 di
bawah ini.
Gambar 4.1
Grafik Normal Probability Plot Pada Analisis Regresi Berganda
Data dapat dikatakan berdistribusi normal apabila dalam suatu grafik data yang
ada mendekati garis normal yang didalamnya terdapat simetris sempurna, ciriciri data yang mempunyai distribusi normal ialah data yang memiliki kurva
frekuensi normal menunjukkan frekuensi tertinggi berada di tengah-tengah, yaitu
berada pada rata-rata (mean) nilai distribusi dengan kurva sejajar dan tepat sama
pada bagian sisi kiri dan kanannya. Pada Gambar 4.1 di atas dapat dilihat bahwa
grafik membentuk pola yang tersebar, namun titik-titik tersebut mendekati garis
normal yang diagonal. Pola dan arah titik-titik tersebut menunjukkan hubungan
yang searah yang positif dan data yang memiliki distribusi normal sehingga
dapat dikatakan bahwa model regresi layak digunakan.
b. Grafik Scatterplot
Pada uji multikolinearitas yang telah dilakukan dapat dilihat output dari uji
tersebut yang berasal dari SPSS dan output dari uji tersebut dapat dilihat pada
grafik scatterplot untuk variabel bebas yang disajikan pads Gambar 4.2 berikut
Gambar 4.2
Grafik Data Scatterplot Pada Analisis Regresi Berganda
Homoskedastisitas merupakan deskripsi data dimana varian batas kesalahan
(error estimate) kelihatan konstan diluar jangkauan dari nilai-nilai variabel
bebas tertentu, yang dimana asumsi kesamaan varian kesalahan populasi ε atau
error kritis jika diaplikasikan pada regresi linier yang benar, dan saat batas
kesalahan mempunyai varian yang semakin besar atau banyak maka data
tersebut dapat dikatakan bersifat heteroskedastisitas. Heteroskedastisitas akan
terjadi jika titik-titik yang ada membentuk pola yang teratur seperti
bergelombang, menyebar kemudian menyempit atau membuat pola corong,
maka dapat dikatakan bahwa telah terjadinya heteroskedastisitas. Berdasarkan
grafik scatterplot yang disajikan pada Gambar 4.2 menunjukan hubungan antara
Regression Studentized Deleted Residual dan Regression Standarized Predicted
Value dengan dependent variable yaitu biaya QC. Apabila dilihat dari pola titiktitik pada grafik tersebut tersebar acak dan tidak membentuk pola tertentu
sehingga dapat disimpulkan bahwa pada grafik tersebut tidak terjadi gejala
heteroskedastisitas sehingga regresi berganda layak untuk digunakan.
4.4.2 Analisis Regresi Sederhana
Pengujian analisis regresi sederhana dilakukan untuk variabel biaya QC terhadap tingkat
penjualan. Pada analisis regresi linier sederhana terdapat beberapa faktor yang harus
dianalisis, diantaranya adalah faktor dari kelayakan model regresi, model summary,
multikolinearitas, dan juga interpretasi grafik yang dihasilkan pada output hasil
pengolahan data secara komputerisasi dengan menggunakan software SPSS 23, analisa
dari berbagai hasil tersebut dijelaskan sebagai berikut ini.
1. Kelayakan Model Regresi
Berdasarkan hasil pengolahan data secara komputerisasi dengan menggunakan
software SPSS 23 didapatkan nilai standard deviation dan nilai standard error of
estimate dari tingkat penjualan yaitu sebesar 8,39733 untuk nilai standard deviation
dan untuk nilai standard error of estimate sebesar 6,89602. Berdasarkan masingmasing nilai dapat dilihat bahwa nilai standard deviation ≥ nilai standard error of
estimate dengan nilai 8,39733 > 6,89602, sehingga model regresi linear berganda
dapat dikatakan layak.
2. Model Summary
Berdasarkan hasil pengolahan data secara komputerisasi dengan menggunakan
software SPSS 23 didapatkan nilai R sebesar 0,622. Hal ini berarti ada korelasi atau
hubungan antara dua variabel bebas yaitu tingkat penjualan dengan variabel bebas
yaitu biaya QC. Korelasi yang terjadi yaitu korelasi positif dengan interpretasi yang
tinggi karena nilai yang diperoleh berada di atas 0,5. Pada nilai R square pada hasil
SPSS diperoleh nilai sebesar 0,387 sehingga dapat disimpulkan bahwa dari kedua
variabel bebas yaitu tingkat penjualan tidak berpengaruh terhadap biaya QC sebagai
variabel terikat.
3. Multikolinearitas
Multikoliniearitas yaitu suatu keadaan dimana terjadi korelasi antara variabel bebas
dalam regresi linear berganda dengan nilai yang sangat tinggi atau sangat rendah.
Nilai-nilai yang digunakan untuk mengujinya adalah nilai VIF (variance inflation
factor). Apabila nilai VIF kurang dari 10 dan nilai dari tolerance tidak kurang dari
0,1 maka dapat dikatakan terbebas dari multikolinearitas, karena VIF = 1/tolerance.
Jika VIF < 10 maka tolerance > 0,1 semakin tinggi VIF maka semakin rendah
tolerance. Berdasarkan hasil dari pengolahan data secara komputerisasi regresi
sederhana, nilai VIF sebesar 1 dan tolerance sebesar 1. Hal ini menunjukan nilai
dari VIF < 10 sehingga dapat dikatakan bahwa pada regresi linear sedrhana terbebas
dari multikolinearitas dan analisis regresi sederhana layak digunakan.
4. Interpretasi Grafik
Interprestasi grafik berguna untuk membantu melihat penyebaran data secara
distributif dan membantu dalam menganalisis penyebaran data. Pada interpretasi
grafik dapat dibagi menjadi dua penjelasn yaitu grafik Normal Probability Plot dan
Grafik Scatterplot yang dijelaskan sebagai berikut ini.
a. Grafik Normal Probability Plot
Grafik Normal Probability Plot membantu dalam melihat peluang penyebaran
peluang data dan penyebaran data secara distributif. Pada grafik normal
probability plot terdapat sebaran data-data hasil output perhitungan SPSS lalu
disajikan dalam bentuk grafik normal probability plot. Hasil perhitungan
komputerisasi data yang ada dengan menggunakan SPSS dan disajikan dalam
bentuk grafik probability plot dapat dilihat pada Gambar 4.3 di bawah ini.
Gambar 4.3
Grafik Normal Probability Plot Pada Analisis Regresi Sederhana
Data dapat dikatakan berdistribusi normal apabila dalam suatu grafik data yang
ada mendekati garis normal yang didalamnya terdapat simetris sempurna, ciriciri data yang mempunyai distribusi normal ialah data yang memiliki kurva
frekuensi normal menunjukkan frekuensi tertinggi berada di tengah-tengah, yaitu
berada pada rata-rata (mean) nilai distribusi dengan kurva sejajar dan tepat sama
pada bagian sisi kiri dan kanannya. pada grafik membentuk pola yang tersebar,
namun titik-titik tersebut mendekati garis normal yang diagonal. Grafik yang ada
terlihat bahwa terdapat titik-titik yang merupakan hasil dari perhitungan data
dengan pola-pola yang tersebar namun tetap mengikuti pola pada garis normal.
Titik-titik yang berada pada garis normal disebut data error. Semakin jauh titiktitik tersebut dari garis normal maka semakin besar pula nilai errornya. Pola dan
arah titik-titik tersebut menunjukkan hubungan yang searah yang positif dan data
yang memiliki distribusi normal, sehingga dapat dikatakan bahwa layak
digunakan.
b. Grafik Scatterplot
Pada uji multikolinearitas yang telah dilakukan dapat dilihat output dari uji
tersebut yang berasal dari SPSS dan output dari uji tersebut dapat dilihat pada
grafik Scatterplot untuk variabel bebas yang disajikan pads Gambar 4.4 berikut.
Gambar 4.4
Grafik Scatterplot Pada Analisis Regresi Sederhana
Homoskedastisitas merupakan deskripsi data dimana varian batas kesalahan
(error estimate) kelihatan konstan diluar jangkauan dari nilai-nilai variabel
bebas tertentu, yang dimana asumsi kesamaan varian kesalahan populasi ε atau
error kritis jika diaplikasikan pada regresi linier yang benar, dan saat batas
kesalahan mempunyai varian yang semakin besar atau banyak maka data
tersebut dapat dikatakan bersifat heteroskedastisitas. Berdasarkan grafik
scatterplot yang disajikan pada Gambar 4.4 menunjukan hubungan antara
Regression Studentized Deleted Residual dan Regression Standarized Predicted
Value dengan dependent variable yaitu tingkat penjualan. Pola titik-titik pada
grafik tersebut tersebar acak dan tidak membentuk pola tertentu sehingga dapat
disimpulkan bahwa pada grafik tersebut tidak terjadi gejala heteroskedastisitas
sehingga regresi berganda layak untuk digunakan.
4.5
Kesimpulan
Berdasarkan pengolahan data yang dilakukan secara manual dan komputerisasi dapat
diambil kesimpulan yang dijelaskan di bawah ini.
1. Analisis regresi adalah prosedur yang berfungsi untuk melihat hubungan linear
antara satu variabel yang diidentifikasi sebagai variabel independen atau bebas
dengan variabel lain yang diidentifikasi sebagai variabel dependen atau tergantung.
Regresi dibagi menjadi dua, yaitu analisis linier sederhana dan analisis linier
berganda. Analisis regresi linier adalah jika hubungan persamaan antara variabel
bebas (X) dan variabel (Y) searah dan membentuk sebuah pola garis lurus. Jadi, jika
nilai variabel (X) meningkat, maka nilai variabel (Y) juga meningkat. Berdasarkan
perhitungan manual yang telah dilakukan tingkat penjualan produk sebelum
diberlakukan kebijakan sebesar 27 pasang dan rata-rata tingkat penjualan produk
setelah diberlakukan kebijakan adalah sebesar 68 pasang, selisih tingkat penjualan
antara setelah dan sebelum kebijakan diterapkan adalah sebesar 41 pasang, yang
berarti dengan diberlakukannya kebijakan baru, maka perusahaan mengalami
peningkatan keuntungan,
2. Koefisien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi antara dua
variabel. Jika koefisien korelasi diketemukan tidak sama dengan nol (0), maka
terdapat hubungan antara dua variabel tersebut. Jika koefisien korelasi diketemukan
+1, maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear
sempurna sengan kemiringan (slope) positif. Sebaliknya, jika koefisien korelasi
diketemukan -1, maka hubungan tersebut disebut sebagai korelasi sempurna atau
hubungan linear sempurna dengan kemiringan (slope) negatif. Korelasi antara
tingkat penjualan dan biaya QC Berdasarkan perhitungan regresi linier sederhana
seperti pada perhitungan sebelumnya di hasilkan nilai regresi linier yaitu 0,1687.
Dapat dilihat bahwa korelasi yang terjadi adalah korelasi positif karena 0 < r < +1.
Sehingga, dapat disimpulkan bahwa semakin meningkatnya waktu quality control
maka semkain meningkat pula tingkat penjualannya. Sehingga dapat disimpulkam
nilai pengaruh X1 (waktu QC) dan Y (tingkat penjualan) adalah 2,85%, sedangkan
97,15% dipengaruhi oleh variabel lain.
3. Pada korelasi regresi linear berganda jumlah waktu QC dan biaya QC berdasarkan
perhitungan regresi linier berganda seperti pada perhitungan sebelumnya di hasilkan
nilai regresi linier yaitu 0,1687. Dapat dilihat bahwa korelasi yang terjadi adalah
korelasi positif karena 0 < r < +1. Oleh karena itu semakin meningkatnya waktu
quality control maka semkain meningkat pula tingkat penjualannya. Sehingga dapat
disimpulkam nilai pengaruh X1 (waktu QC) dan Y (tingkat penjualan) adalah
2,85%, sedangkan 97,15% dipengaruhi oleh variabel lain. Pada korelasi jumlah
tenaga QC dengan biaya QC berdasarkan perhitungan regresi linier berganda seperti
pada perhitungan sebelumnya di hasilkan nilai regresi linier yaitu 0,4828. Dapat
dilihat bahwa korelasi yang terjadi adalah korelasi positif karena 0 < r < +1. Karena
itu semakin meningkatnya jumlah QC maka semkain meningkat pula tingkat
penjualannya. Sehingga dapat disimpulkam nilai pengaruh X1 (jumlah QC) dan Y
(tingkat penjualan) adalah 23,31%, sedangkan 76,69% dipengaruhi oleh variabel
lain. Pada korelasi hubungan jumlah waktu QC dan jumlah tenaga QC berdasarkan
perhitungan regresi linier sederhana seperti pada perhitungan sebelumnya di
hasilkan nilai regresi linier yaitu 0,5999. Dapat dilihat bahwa korelasi yang terjadi
adalah korelasi positif karena 0 < r < +1. Oleh karena itu semakin meningkatnya
waktu quality control maka semakin meningkat pula jumlah pekerja yang bekerja.
Sehingga dapat disimpulkam nilai pengaruh X1 (waktu quality control) dan X2
(jumlah pekerja) adalah 35,99%, sedangkan 64,01% dipengaruhi oleh variabel
lainnya.
4. Berdasarkan hasil pengolahan data secara komputerisasi dengan menggunakan
software SPSS 23 didapatkan nilai R sebesar 0,506. Hal ini berarti ada korelasi atau
hubungan antara dua variabel bebas yaitu jumlah tenaga QC dan jumlah waktu QC
dengan variabel bebas yaitu biaya QC. Korelasi yang terjadi yaitu korelasi positif
dengan interpretasi yang tinggi karena nilai yang diperoleh berada di atas 0,5. Pada
nilai R square pada hasil SPSS diperoleh nilai sebesar 0,256 sehingga dapat
disimpulkan bahwa dari kedua variabel bebas yaitu jumlah waktu QC dan jumlah
tenaga quality control ada yang berpengaruh dan ada yang tidak berpengaruh
terhadap biaya QC, dan
5. Berdasarkan hasil pengolahan data secara komputerisasi dengan menggunakan
software SPSS 23 didapatkan nilai R sebesar 0,622. Hal ini berarti ada korelasi atau
hubungan antara dua variabel bebas yaitu tingkat penjualan dengan variabel bebas
yaitu biaya QC. Korelasi yang terjadi yaitu korelasi positif dengan interpretasi yang
tinggi karena nilai yang diperoleh berada di atas 0,5. Pada nilai R square pada hasil
SPSS diperoleh nilai sebesar 0,387 sehingga dapat disimpulkan bahwa dari kedua
variabel bebas yaitu tingkat penjualan tidak berpengaruh terhadap biaya QC sebagai
variabel terikat.
.