BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.2 Penyajian Data
Variabel yang digunakan adalah Jumlah Persediaan Bahan Baku, Kapasitas mesin, Jumlah Tenaga Kerja dan Volume Produksi. Data yang diperoleh pada tahun 2010 sampai dengan 2013 selama 48 bulan.
4.2.1 Deskr ipsi Data J umlah Per sediaan Bahan Baku(X1)
Persediaan bahan baku adalah Jumlah Persediaan Bahan Baku yang akan diproses oleh perusahaan untuk menghasilkan suatu hasil produksi. Berikut data hasil ringkasan perhitungan analisis deskriptif persediaan bahan baku yang disajikan dalam bentuk tabel berikut ini:
CV Sanyu Paint ini, pemakaian bahan baku yang dibutuhkan di dalam produksi adalah kertas.Sebelum menganalisa data terlebih dahulu penulis akan menyajikan data yang diperoleh melalui CV Sanyu Paint. Pada tahun 2010 sampai dengan 2013 selama 48 bulan.
Tabel 4.1
J umlah Per sediaan Bahan Baku
Bulan Persediaan Bahan Baku (kg)
2010 2011 2012 2013 J anuar i 14.579 30.412 17.752 31.609 Februari 16.543 34.810 34.883 7.029 Maret 14.212 26.996 15.314 7.216 April 22.107 11.090 23.696 19.641 Mei 15.431 17.125 21.983 12.735 J uni 22.210 26.741 22.010 20.152 J uli 41.740 70.575 38.465 32.360 Agustus 45.485 31.614 9.262 8.738 September 16.174 29.435 21.976 7.432 Oktober 35.597 29.017 31.138 7.802 November 28.414 28.651 28.832 7.029 Desember 26.165 15.935 30.176 7.022 Total 298.657 352.401 295.487 168.765
Sumber: CV Sanyu Paint, 2014 (Sumber: lampiran 1)
Berdasarkan pada tabel 4.1 diatas, kebutuhan Jumlah Persediaan Bahan Baku pada CV Sanyu Paint dari tahun 2010 sampai dengan 2013 mengalami fluktuasi. Jumlah Persediaan Bahan Baku mengalami kenaikan pada tahun 2010 sampai dengan 2011 yaitu meningkat dari 298.657 kg menjadi 352.401 kg, sedangkan Jumlah Persediaan Bahan Baku mengalami penurunan yang terjadi pada tahun 2012 yaitu 295.487 kg dan tahun 2013 yaitu 168.765 kg, 2 tahun terakhir cenderung turun.
4.2.2 Deskr ipsi Data Kapasitas mesin (X2)
Kapasitas mesin adalah jumlah waktu pengoperasian mesin-mesin yang dilakukan oleh CV Sanyu Paint dengan cara menghitung berapa banyak waktu pengoperasian mesin yang digunakan mulai tahun 2010 sampai dengan 2013.
Tabel 4.2 Kapasitas mesin
Bulan Kapasitas mesin (jam)
2010 2011 2012 2013 J anuar i 32 50 38 52 Februari 40 46 52 26 Maret 38 52 40 24 April 40 28 48 40 Mei 32 44 48 36 J uni 54 46 52 38 J uli 54 64 56 48 Agustus 54 54 24 20 September 34 46 42 26 Oktober 52 52 46 24 November 50 48 56 20 Desember 48 36 46 24 Total 528 566 548 378
Sumber: CV Sanyu Paint, 2014 (Sumber: lampiran 1)
Berdasarkan pada tabel 4.2 diatas, Kapasitas mesin pada CV Sanyu Paint dari tahun 2010 sampai dengan 2013 mengalami fluktuasi. Kapasitas mesin mengalami kenaikan pada tahun 2010 sampai dengan 2011 yaitu meningkat dari 528 Jam menjadi 566 Jam, sedangkan Kapasitas mesin mengalami penurunan yang terjadi pada tahun 2012 yaitu 548 Jammenjadi 378 Jam pada tahun 2013, 2 tahun terakhir cenderung turun.
4.2.3 Deskr ipsi Data J umlah Tenaga Kerja (X3)
Jumlah Tenaga Kerja adalah jumlah karyawan bagian produksi yang melakukan kegiatan mengolah bahan baku dalam hal ini juga merupakan operator mesin-mesin produksi. Dibawah ini adalah data Jumlah Tenaga Kerja pada CV Sanyu Paint mulai dari tahun 2010 sampai dengan 2013.
Tabel 4.3 J umlah Tenaga Kerja
Bulan Tenaga Ker ja
2010 2011 2012 2013 J anuar i 58 62 58 58 Febr uar i 58 60 58 58 Mar et 58 60 58 58 Apr il 58 60 60 58 Mei 60 62 60 54 J uni 60 62 60 54 J uli 60 60 60 54 Agustus 58 60 58 60 September 58 62 58 60 Oktober 58 62 58 60 November 60 60 55 60 Desember 60 60 55 60 Total 706 730 698 694
Sumber: CV Sanyu Paint, 2014 (Sumber: lampiran 2)
Berdasarkan pada tabel 4.3 diatas, Jumlah Tenaga Kerja pada CV Sanyu Paint dari tahun 2010 sampai dengan 2013 mengalami fluktuasi. Jumlah Tenaga Kerja mengalami kenaikan pada tahun 2010 sampai dengan 2011 yaitu meningkat dari 706 orang menjadi 730 orang, sedangkan Jumlah Tenaga Kerja mengalami
penurunan yang terjadi pada tahun 2012 yaitu 698 orang menjadi 694 orang pada tahun 2013, 2 tahun terakhir cenderung turun.
4.2.4 Deskr ipsi Data Volume Produksi (Y)
Volume Produksi adalah banyaknya produk jadi yang dihasilkan oleh pabrik CV. Sanyu Paint. Berikut data hasil ringkasan perhitungan analisis deskriptif hasil produksi yang disajikan dalam bentuk tabel berikut ini:
Tabel 4.4 Volume Produksi
Bulan Volume Pr oduksi (kg)
2010 2011 2012 2013 J anuar i 14.569 30.407 17.742 31.604 Februari 16.533 34.805 34.878 7.024 Maret 14.202 26.991 15.303 7.201 April 22.102 11.080 23.641 19.631 Mei 15.421 17.115 21.978 12.730 J uni 22.205 26.736 22.005 20.147 J uli 41.735 70.750 38.460 32.355 Agustus 45.480 31.609 9.427 8.728 September 16.163 29.430 21.971 7.422 Oktober 35.592 29.012 31.133 7.787 November 28.409 28.646 28.827 7.014 Desember 26.160 15.925 30.171 7.007 Total 298571 352.506 295.536 168.650
Sumber: CV Sanyu Paint, 2014 (Sumber: lampiran 2)
Berdasarkan pada tabel 4.4 diatas, Volume Produksi pada CV Sanyu Paint dari tahun 2010 sampai dengan 2013 mengalami fluktuasi. Volume Produksi
mengalami kenaikan pada tahun 2010 sampai dengan 2011 yaitu meningkat dari 298.571 kg menjadi 352.506 kg, sedangkan Volume Produksi mengalami penurunan yang terjadi pada tahun 2012 yaitu 295.536 kgmenjadi 168.650 pada tahun 2013, 2 tahun terahir cenderung turun.
4.3Analisis Regr esi Linier Berganda 4.3.1 Asumsi Klasik
Uji ini bertujuan untuk menguji apakah model analisis yang digunakan baik atau tidak di dalam penelitian. Hasis analisis regresi dianggap valid jika hasil analisis tersebut memenuhi pengujian asusmsi klasis yang bersifat BLUE (Best
Linear Unbiased) dan tibak boleh dilanggar.
Beberapa asumsi klasik yang harus dipenuhi atau di uji adalah normalitas, multikolinieritas, heteroskedastisitas dan autokorelasi.
4.3.1.1Uji nor malitas
Uji normalitas dapat dilakukan dengan berbagai metode diantaranya adalah Kolmogorov Smirnov. Pedoman dalam mengambil keputusan apakah sebuah distribusi data mengikuti distribusi normal adalah :
a. Jika nilai signifikansi (nilai probabilitasnya) < 5% maka distribusi adalah tidak normal.
b. Jika nilai signifikansi (nilai probabilitasnya) > 5% maka distribusi adalah normal. Berikut ini hasil uji normalitas :
Tabel 4.5 Hasil Uji Nor malitas
One-Sample Kolmogorov-Smirnov Test
X1 X2 X3 Y
N 48 48 48 48
Normal Parametersa,,b Mean 23235.63 42.08 58.92 23234.65
Std. Deviation 12233.412 11.124 2.009 12246.221 Most Extreme Differences Absolute .093 .158 .247 .093 Positive .082 .093 .191 .082 Negative -.093 -.158 -.247 -.093 Kolmogorov-Smirnov Z .641 1.098 1.710 .641
Asymp. Sig. (2-tailed) .806 .179 .006 .805
a. Test distribution is Normal. b. Calculated from data.
(Sumber: lampiran 3)
Berdasarkan tabel 4.5 diatas, diketahui nilai Sig. Volume Produksi menunjukkan angka sebesar 0,805 dan juga terdapat pada Jumlah Persediaan Bahan Baku (X1) menunjukkan angka sebesar 0.806 kemudian pada Kapasitas mesin (X2) sebesar 0.179 dan Jumlah Tenaga Kerja (X3) sebesar 0,006 karena nilai Sig. > dari 0.05, maka dapat dikatakan bahwa regresi berdistribusi normal. Maka asumsi normalitas terpenuhi.
4.3.1.2Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Menguji adanya multikolinieritas dapat dilihat dari nilai VIF (variance Inflation Factor). Jika nilai VIF lebih besar dari 10, maka variabel tersebut mempunyai persoalan multikolinieritas dengan variabel bebas yang lainnya, sedangkan jika nilai VIF lebih kecil dari 10, maka variabel tersebut tidak memiliki persoalan dengan multikolinieritas. Hasil perhitungan nilai VIF (variance Inflation Factor)dan matrik korelasi dari variabel independen dapat dilihat pada tabel berikut ini :
Tabel 4.6
Hasil Uji Multikolinieritas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 57.217 137.973 .415 .680 X1 1.003 .001 1.002 1302.431 .000 .246 4.061 X2 -2.752 .848 -.002 -3.246 .002 .246 4.068 X3 -.291 2.334 .000 -.125 .901 .995 1.005 a. Dependent Variable: Y (Sumber: lampiran 3)
Berdasarkan tabel 4.6 diatas menunjukkan bahwa nilai VIF dari variabel Jumlah Persediaan Bahan Baku (X1) sebesar 4.061, Kapasitas mesin (X2) sebesar 4.068 dan Jumlah Tenaga Kerja (X3) sebesar 1.005, lebih kecil dari 10 (VIF < 10) maka dapat disimpulkan bahwa model regresi linier berganda yang dihasilkan tidak terjadi multikolinearitas.
4.3.1.3Uji Heteroskedastisitas
Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas. Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual suatu pengamatan ke pengamatan lainnya. Cara untuk mendeteksi ada atau tidaknya heterokedastisitas diantaranya dengan menghitung korelasi Rank Spearmen antara nilai residual dengan seluruh variabel bebas. Jika nilai signifikan koefisien korelasi Rank
Spearman untuk semua variabel bebas terhadap nilai mutlak dari residual lebih
besar 5%, maka tidak terdapat gejala heteroskedastisitas. Gambar 4.3
Pengujian heteroskedastisitas di atas dilakukan dengan melihat plot antara residual versus fits pada gambar 4.3 Jika terjadi trend baik atau naik, turun maupun rata, maka dikatakan ada heteroskedastisitas pada data. Pada gambar 4.3 dapat dijelaskan tidak terjadi trend karena data titik-titik tersebar hampir merata (tidak membentuk pola). Hal ini membuktikan tidak terjadinya heterokedastisitas.
Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel bebas (independen). Hal ini bisa diidentifikasi dengan cara menghitung korelasi
Rank Spearman antara residual dengan seluruh variabel bebas. Hasil perhitungan
Tabel 4.7
Uji Heteroskedastisitas dengan Korelasi Rank Spearman
Correlations X1 X2 X3 Unstandardized Residual Spearman's rho X1 Correlation Coefficient 1.000 .893** .065 -.204 Sig. (2-tailed) . .000 .662 .164 N 48 48 48 48 X2 Correlation Coefficient .893** 1.000 .142 .116 Sig. (2-tailed) .000 . .337 .432 N 48 48 48 48 X3 Correlation Coefficient .065 .142 1.000 .053 Sig. (2-tailed) .662 .337 . .719 N 48 48 48 48 Unstandardized Residual Correlation Coefficient -.204 .116 .053 1.000 Sig. (2-tailed) .164 .432 .719 . N 48 48 48 48
**. Correlation is significant at the 0.01 level (2-tailed).
(Sumber: lampiran 4)
Berdasarkan tabel 4.7 diatas diketahui bahwa nilai signifikansinya untuk variabel Jumlah Persediaan Bahan Baku (X1), Kapasitas mesin (X2) dan Jumlah Tenaga Kerja (X3) lebih dari 5% (0.05), maka penelitian ini tidak terdapat gejala heteroskedastisitas.
4.3.1.4Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah antara anggota pengamatan dalam variabel-variabel bebas yang sama memiliki keterkaitan satu sama lainnya. Jika ada, maka model kurang akurat dalam memprediksi. Untuk mendeteksi terjadinya autokorelasi dilakukan dengan membandingkan antara nilai Durbin Watson hitung dengan nilai Durbin Watson tabel.
Tabel 4.8 Nilai Dubir n Watson
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate Durbin-Watson 1 1.000a 1.000 1.000 32.059 2.131 a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y (Sumber: lampiran 5)
Berdasarkan tabel 4.8 diatas, dapat dilihat bahwa angka Durbin-Watson sebesar +2.131 atau berada diantara -2 sampai dengan +2. Sedangkan dari D-W dengan signifikan 0.05 dan jumlah data (n) = 48, serta k = 3 (k adalah jumlah variabel dipenden). Hal ini berarti model regresi tersebut tidak terdapat masalah autokorelasi.
4.3.2 Hasil Regresi Linier Berganda
Didalam Analisis ini menggunakan model analisis regresi linear berganda yang berguna untuk mengetahui terdapat atau tidaknya pengaruh variabel bebas (X) dengan variabel terikat (Y). Berikut ini adalah ringkasan hasil regresi linear berganda :
Tabel 4.9
Hasil Analisis Regresi Linier Berganda Model
Unstandar dized Coefficients
B Std. Er ror VIF
Konstanta 57.217 137.973 -
Jumlah Persediaan Bahan Baku (X1)
1.003 0.001 4.061
Kapasitas mesin (X2) -2.752 0.848 4.068
Jumlah Tenaga Kerja (X3) -0.291 2.334 1.005 R = 1.000Fhitung = 2286067.618 ttabel = 2.015 R square = 1.000 Ftabel = 2.82 Sig. = 0.000 (Sumber: lampiran 5)
Berdasarkan hasil perhitungan tersebutdiatas, maka diperoleh persamaan regresi linier berganda sebagai berikut :
Y= a + b1X1 + b2X2 + b3X3 + e
Y = 57.217 + 1.003 X1 – 2.752 X2 – 0.291 X3 + e Interprestasi dari model regresi diatas adalah sebagai berikut :
1. Konstanta (a) = 57.217
Artinya nilai tetap atas Volume Produksi (Y) pada Jumlah Persediaan (X1), Kapasitas mesin (X2), Jumlah Tenaga Kerja (X3), adalah 57.217. Hal ini
menunjukkan adanya peningkatan yang akan diterima perusahaan apabila adanya Jumlah Persediaan Bahan Baku, Kapasitas mesin dan Jumlah Tenaga Kerja dalam kegiatan produksi.
2. Koefisien regresi untuk X1 (b1) = 1.003
Artinya jika Jumlah Persediaan Bahan Baku (X1) naik 1 kg maka jumlah Volume Produksi (Y) akan naik 1.003 cat dengan asumsi variabel Kapasitas mesin (X2) dan Jumlah Tenaga Kerja (X3) adalah konstan. 3. Koefisien regresi untuk X2 (b2) = -2.752
Artinya jika Kapasitas mesin (X2) naik 1 orang maka jumlah Volume Produksi (Y) akan turun sebanyak -2,675 cat dengan asumsi Jumlah Persediaan Bahan Baku (X1), Kapasitas mesin (X2) adalah konstan.
4. Koefisien regresi untuk X3 (b3) = -0.291
Artinya jika Jumlah Tenaga Kerja (X3) naik 1 orang maka jumlah Volume Produksi (Y) akan turun sebanyak -0.291 cat dengan asumsi Jumlah Persediaan Bahan Baku (X1) dan Jumlah Tenaga Kerja (X2) adalah konstan.
5. emenunjukkan faktor pengganggu di luar model yang diteliti.
Nilai koefisien determinasi atau R2 digunakan untuk mengukur seberapa jauh kemampuan model dalam meneragkan variasi variabel terikat. Hasil dari perhitungan diperoleh nilai R2 = 1,000 yang berarti 1% besarnya Volume Produksi dapat dijelaskan oleh variabel Jumlah Persediaan Bahan
Baku, Kapasitas mesin dan Jumlah Tenaga Kerja yang berarti tidak ada pengaruh faktor-faktor lain dalam penelitian.