Analisis Pengaruh Jumlah Produksi terhadap Banyaknya Shortage

Menggunakan Regresi Linier Sederhana

LAPORAN PRAKTEK KERJA LAPANGAN (PKL)

Oleh
NOVIA SARI
1112094000010

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2016 M/ 1437 H
 LEMBAR PENGESAHAN

Judul : Analisis Pengaruh Jumlah Produksi terhadap

Banyaknya Shortage Menggunakan Regresi Linier
Sederhana
Kategori : Praktek Kerja Lapangan (PKL)
Nama : Novia Sari
Nomor Induk Mahasiswa : 1112094000010
Program Studi : Matematika
Fakultas : Sains dan Teknologi

Menyetujui,

Pembimbing I Pembimbing II

Asep Hendar, ST Irma Fauziah, M.Sc

NIP. 34000203 NIP. 19800703 201101 2 005

Mengetahui,
Ketua Program Studi Matematika

Dr. Nina Fitriyati, M.Kom

NIP. 19760414 200604 2 001

ii
 KATA PENGANTAR

Assalamualaikum Wr. Wb.

Alhamdulillah, puji syukur kehadirat Tuhan Yang Maha Kuasa atas segala
limpahan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan
penyusunan laporan Praktek Kerja Lapangan (PKL) dengan judul Analisis
Pengaruh Jumlah Produksi terhadap Banyaknya Shortage Menggunakan
Regresi Linier Sederhana dapat terselesaikan dengan baik.
Laporan ini adalah salah satu tugas wajib bagi penulis sebagai persyaratan
untuk mengikuti tugas akhir. Harapan penulis semoga laporan PKL ini membantu
menambah wawasan bagi para pembaca.
Penulis menyadari bahwa laporan ini dapat diselesaikan karena dukungan dan
bantuan dari beberapa pihak. Untuk itu, pada kesempatan ini penulis ingin
menyampaikan terima kasih kepada :
1. Ibu Dr. Nina Fitriyati, M. Kom, selaku Ketua Program Studi Matematika
Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta.
2. Bapak Asep Hendar, S.T, selaku Pembimbing I, terima kasih atas pengarahan
dan sarannya kepada penulis selama melakukan PKL hingga proses
pembuatan laporan ini.
3. Ibu Irma Fauziah, M.Sc, selaku Pembimbing II, terima kasih atas pengarahan
dan sarannya selama pembuatan laporan PKL ini.
4. Pak Ismail dan Pak Achmad T. yang banyak membantu penulis sebelum
melaksanakan PKL terutama dalam proses permohonan PKL.
5. Seluruh staf dan seluruh karyawan yang senantiasa membantu penulis selama
melaksanakan PKL.
6. Kedua orang tua yang tidak pernah berhenti memberikan doa, kasih iiiaying,
semangat, dukungan moril maupun materil sehingga penulis dapat menjalani
PKL dan menyelesaikan laporan PKL ini dengan baik.

iii
 7. Kedua rekan PKL saya, Siti Lina Fusha dan Khoerunisa yang telah
memberikan semangat lewat candaan dan motivasinya kepada penulis.
8. Seluruh teman Matematika 2012, terima kasih atas kerjasama dan rasa
solidaritasnya.
9. Seluruh pihak yang sudah membantu penulis dalam mengerjakan laporan
PKL ini yang tanpa mengurangi rasa hormat penulis tidak dapat sebutkan
satu-persatu.
Penulis menyadari bahwa dalam penyusunan laporan ini masih banyak
kekurangan. Oleh sebab itu, penulis mengharapkan kritik dan saran yang bersifat
membangun untuk perbaikan di masa yang akan datang. Terakhir, penulis berharap
semoga laporan ini dapat bermanfaat.
Wassalamualaikum Wr. Wb.

Ciputat, Februari 2016

Penulis

iv
 DAFTAR ISI

HALAMAN JUDUL .............................................................................................. i

LEMBAR PENGESAHAN .................................................................................. ii
KATA PENGANTAR .......................................................................................... iii
DAFTAR ISI ...........................................................................................................v
DAFTAR TABEL .............................................................................................. viii
DAFTAR GAMBAR ............................................................................................ ix
DAFTAR LAMPIRAN ..........................................................................................x
BAB I PENDAHULUAN ....................................................................................1
1.1 Latar Belakang..................................................................................1
1.2 Perumusan Masalah ..........................................................................1
1.3 Batasan Masalah ...............................................................................2
1.4 Tujuan Penulisan ..............................................................................2
1.5 Manfaat Penulisan ............................................................................2
BAB II PROFIL PT. COATS REJO INDONESIA ...........................................3
2.1 Sejarah Perusahaan ...........................................................................3
2.2 Visi, Tujuan dan Prinsip-Prinsip PT. Coats Rejo Indonesia ............4
2.2.1 Visi PT. Coats Rejo Indonesia.................................................4
2.2.2 Tujuan PT. Coats Rejo Indonesia ............................................4
2.2.3 Prinsip-Prinsip PT. Coats Rejo Indonesia ...............................5
2.3 Flow Proses Produksi PT. Coats Rejo Indonesia .............................5
2.3.1 Prosedur Sistem Berjalan ........................................................5
2.4 Struktur Organisasi PT. Coats Rejo Indonesia .................................7
2.4.1 Diagram Struktur Organisasi ...................................................9
BAB III TINJAUAN PUSTAKA ........................................................................10
3.1 Benang ............................................................................................10
3.2 Produksi ..........................................................................................10
3.3 Shortage..........................................................................................11
3.4 Pengertian Regresi ..........................................................................12
3.5 Analisis Regresi Linier ...................................................................13

v
 3.6 Regresi Linier Sederhana ...............................................................13
3.7 Persamaan Regresi Linier Sederhana .............................................14
3.8 Garis Regresi Linier Sederhana ......................................................15
3.9 Penentuan Garis Regresi Linier Sederhana ....................................16
3.10 Pendekatan Garis Penduga Terbaik ................................................18
3.11 Metode Kuadrat Terkecil (Ordinary Least Squares)......................19
3.12 Perhitungan Nilai Koefisien Regresi Linier Sederhana..................21
3.13 Pengujian Garis Regresi Linier Sederhana .....................................23
3.13.1 Uji Ragam Regresi atau Uji F .............................................23
3.13.2 Uji Keberartian Koefisien Regresi atau Uji t ......................25
3.14 Koefisien Korelasi ()....................................................................26
3.15 Koefisien Determinasi ( 2 ) ...........................................................26
3.16 Uji Asumsi Klasik Regresi Linier ..................................................27
3.16.1 Uji Linieritas ........................................................................27
3.16.2 Uji Normalitas .....................................................................28
3.16.3 Uji Heteroskedstisitas ..........................................................29
3.16.4 Uji Autokorelasi ..................................................................30
BAB IV METODE PENELITIAN ......................................................................31
4.1 Lokasi dan Waktu Penelitian ..........................................................31
4.2 Metode Pengumpulan Data ............................................................31
4.3 Metode Pengolahan Data ................................................................31
4.2 Analisa Data ...................................................................................32
BAB V PEMBAHASAN .....................................................................................33
5.1 Statistika Deskriptif ........................................................................33
5.2 Pengujian Asumsi Regresi Linier Sederhana .................................35
5.2.1 Uji Linieritas ..........................................................................35
5.2.2 Uji Normalitas .......................................................................35
5.2.3 Uji Heteroskedastisitas ..........................................................37

vi
 5.2.4 Uji Autokorelasi ....................................................................37
5.3 Hasil Penaksiran Parameter Regresi Linier Sederhana ..................38
5.3.1 Pengujian Simultan (Uji F) ....................................................39
5.3.2 Pengujian Parsial (Uji t) ........................................................40
5.3.3 Koefisien Determinasi ( 2 ) ..................................................41
BAB VI PENUTUP ...............................................................................................42
6.1 Kesimpulan .....................................................................................42
6.2 Saran ...............................................................................................42
REFERENSI .........................................................................................................43
LAMPIRAN

vii
 DAFTAR TABEL

Tabel 2.1 Diagram Struktur Organisasi ...................................................................9

Tabel 3.1 Sidik Ragam Regresi ..............................................................................25
Tabel 3.2 Interpretasi Nilai Koefisien Korelasi .....................................................26
Tabel 5.1 Data Jumlah Produksi dan Banyaknya Shortage ...................................33
Tabel 5.2 Hasil Analisis Deskriptif ........................................................................34
Tabel 5.3 Uji Linieritas ..........................................................................................35
Tabel 5.4 Uji Normalitas Kolmogorof Smirnov ....................................................36
Tabel 5.5 Hasil Uji Heteroskedastisitas .................................................................37
Tabel 5.6 Uji Durbin-Watson.................................................................................38
Tabel 5.7 Hasil Penaksiran Parameter ...................................................................38
Tabel 5.8 ANOVA .................................................................................................39
Tabel 5.9 Hasil Uji t ...............................................................................................40
Tabel 5.10 Model Summary...................................................................................41

viii
 DAFTAR GAMBAR

Gambar 2.1 Flow Proses Produksi ...........................................................................5

Gambar 3.1 Shortage Issue ....................................................................................12
Gambar 5.1 Normal P-P Plot Banyaknya Shortage ...............................................36

ix
 DAFTAR LAMPIRAN

Lampiran I : Surat Pernyataan

Lampiran II : Surat Permohonan Praktek Kerja Lapangan

Lampiran III : Surat Persetujuan Praktek Kerja Lapangan

Lampiran IV : Surat Keterangan Selesai Praktek Kerja Lapangan

Lampiran V : Kerangka Acuan Praktek Kerja Lapangan

Lampiran VI : Formulir Penilaian Praktek Kerja Lapangan Pembimbing I

Lampiran VII : Formulir Penilaian Praktek Kerja Lapangan Pembimbing II

Lampiran VIII : Rekaptulasi Nilai Praktek Kerja Lapangan

x
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Pada era globalisasi ini, pesatnya pertumbuhan ekonomi membuat
permintaan akan barang dan jasa semakin meningkat. Meningkatnya permintaan
terhadap barang dan jasa mendorong berkembangnya perusahaan-perusahaan
manufaktur sehingga menciptakan persaingan yang semakin kompleks. Hal ini
menuntut perusahaan untuk menciptakan produk dengan kualitas yang baik bagi
para konsumen.
Sandang sebagai kebutuhan dasar manusia tak luput menjadi ladang usaha
bagi banyak perusahaan. Hal ini dikarenakan selain sebagai kebutuhan dasar
manusia, sandang juga dijadikan sebagai salah satu parameter perkembangan
zaman.
PT. Coats Rejo Indonesia merupakan perusahaan manufaktur yang bergerak
dalam industri benang di lebih dari 70 negara. Dalam perjalanannya, PT. Coats Rejo
Indonesia terus melakukan inovasi dalam memproduksi benang dengan kualitas
terbaik. Namun dalam proses produksinya, terdapat produk yang tidak sesuai
dengan standar kualitas yang telah ditetapkan. Hal ini menjadi salah satu penyebab
terjadinya shortage yakni keadaan dimana jumlah produksi benang yang dihasilkan
kurang dari yang seharusnya.
Pada laporan praktek kerja lapangan ini, peneliti akan menganalisa pengaruh
jumlah prodiksi terhadap banyaknya shortage di PT. Coats Rejo Indonesia periode
Januari 2016.

1.2 Perumusan Masalah

Berdasarkan latar belakang di atas, maka permasalahan yang akan dibahas
adalah
a. Bagaimana hubungan antara jumlah produksi benang terhadap banyaknya
shortage yang dihasilkan?
b. Berapa besar pengaruh jumlah produksi benang terhadap banyaknya
shortage yang dihasilkan?

1
 c. Bagaimana model regresi untuk pengaruh jumlah produksi benang
terhadap banyaknya shortage yang dihasilkan?

1.3 Batasan Masalah

Pada penulisan laporan praktek kerja lapangan ini, penulis memberikan
batasan masalah, yaitu
a. Data yang digunakan adalah data produksi harian dan banyaknya
shortage periode Januari 2016
b. Data yang diperoleh berasal dari PT. Coats Rejo Indonesia

1.4 Tujuan Penulisan

Adapun tujuan penulisan laporan praktek kerja lapangan ini yaitu
a. Mengetahui hubungan antara jumlah produksi benang terhadap
banyaknya shortage yang dihasilkan
b. Mengetahui besar pengaruh jumlah produksi benang terhadap banyaknya
shortage yang dihasilkan
c. Mengetahui model regresi untuk pengaruh jumlah produksi benang
terhadap banyaknya shortage yang dihasilkan

1.5 Manfaat Penulisan

Manfaat dari penulisan laporan praktek kerja lapangan ini adalah :
a. Bagi penulis
Menambah wawasan penulis tentang pengaruh jumlah produksi benang
terhadap produk cacat yang dihasilkan pada PT. Coats Rejo Indonesia
b. Bagi pembaca
Semoga penulisan ini berguna bagi pihak lain atau pembaca sebagai
informasi dan sebagai bahan referensi.

2
 BAB II
PROFIL PT. COATS REJO INDONESIA

2.1 Sejarah Perusahaan

Coats Rejo Indonesia adalah industri benang terkemuka di dunia dan pemasok
besar kerajinan bisnis tekstil di lebih dari 70 negara, mempekerjakan lebih dari
20.000 orang di enam benua. Divisi Industri Coats Rejo Indonesia menyediakan
benang, tenun, resleting dan lis untuk pelanggan industri dalam pakaian, alas kaki
dan pasar produk dijahit.
Coats Rejo Indonesia merupakan merek terkenal, seluruh perusahaan
pelanggan mengetahui dan begitu juga konsumen yang berarti produk dan
layanannya memenuhi kebutuhan saat ini dan masa depan. Hubungan yang sangat
kuat dengan mitra bisnis dan konsumen dapat membangun kepercayaaan dan
kepastian. Orang-orang yang ahli di bidangnya dan memiliki pengetahuan industri
yang tak tertandingi dikembangkan selama berabad-abad. Hal ini menyebabkan
pemahaman yang mendalam mengenai kebutuhan pelanggan, mitra dan konsumen
merek Coats Rejo Indonesia, yang memungkinkan untuk terus memberikan produk
dan layanan yang meningkatkan produktivitas nilai tambah tinggi dan memperluas
penawaran produk.
Sejarah perintis dan budaya inovatif memastikan Coats Rejo Indonesia terus
memimpin jalan di seluruh dunia: menyediakan produk dan layanan yang saling
melengkapi dan nilai tambah bagi industri pakaian dan sepatu, menerapkan teknik
yang inovatif untuk mengembangkan produk teknis di daerah baru seperti aramids,
benang pelacak dan serat optik. Coats Rejo Indonesia selalu menjadi organisasi
pelopor. Ada banyak contoh tentang hal ini dalam warisan panjang misalnya ketika,
sejak 1780, Coats Rejo Indonesia merintis produksi benang linen dan selama tahun
1830-an mencari peluang baru di India dan Amerika. Adapun produk lain yang
telah dihasilkan dari Coats Rejo Indonesia yaitu:
Satu dari lima pakaian di planet ini dimiliki bersama-sama menggunakan
benang Coats Rejo Indonesia

3
 75 juta airbag mobil yang dibuat menggunakan benang Coats Rejo
Indonesia setiap tahun
Dalam tiga setengah jam, Coats Rejo Indonesia membuat cukup benang
untuk pergi ke bulan dan kembali
300 juta pasang sepatu yang dibuat setiap tahun menggunakan benang
Coats Rejo Indonesia
Satu juta teh celup menggunakan benang Coats Rejo Indonesia diseduh
setiap 10 menit
Ribuan operasi bedah berlangsung setiap hari dengan menggunakan
benang Coats Rejo Indonesia
Thomas Edison menggunakan benang Coats Rejo Indonesia pada tahun
1879 untuk menciptakan bola lampu
Coats Rejo Indonesia menghasilkan cukup benang mencapai sekitar
Khatulistiwa setiap 11 menit
Coats Rejo Indonesia adalah yang kedua terbesar dan yang tercepat
pertumbuhan produksi zip global

2.2 Visi, Tujuan dan Prinsip-Prinsip PT. Coats Rejo Indonesia

2.2.1 Visi
Pada PT COATS REJO INDONESIA memiliki visi yang jelas: "Kami akan
menjadi pemimpin dunia dalam nilai tambah benang direkayasa dan benang untuk
keperluan industri dan konsumen. Kami akan mengembangkan dan menyediakan
produk yang sangat komplementer dan jasa, di mana mereka menambahkan nilai
yang signifikan bagi pelanggan. Kami akan mencapai keberhasilan melalui inovasi
berfokus pada pelanggan dan memenangkan proposisi didorong oleh orang-orang
termotivasi dan kerja sama tim global.
2.2.2 Tujuan
Berfokus pada tiga gol yang akan membantu untuk mencapai visi:
Pertumbuhan penjualan yang menguntungkan
Peningkatan produktivitas
Teamwork positif

4
2.2.3 Prinsip
Cara bekerja di COATS REJO INDONESIA untuk mencapai visi dipandu
oleh lima prinsip:
Kebebasan untuk beroperasi
Pengiriman (menepati janji kami)
Keterbukaan dan kejujuran
Pelanggan yang dipimpin inovasi
Energi untuk perubahan

2.3 Flow Proses Produksi PT. Coats Rejo Indonesia

Gambar 2.1. Flow Proses Produksi

(sumber: PT. Coats Rejo Indonesia)

2.3.1 Prosedur Sistem Berjalan

Sistem berjalan adalah proses keluar masuknya berkas yang terjadi pada suatu
sistem yang sedang dijalankan. Tujuan dari pembahasan sistem berjalan ini adalah
untuk mendapatkan gambaran secara jelas tentang bentuk permasalahan yang ada
pada suatu perusahaan, dalam sistem produksi dan kualitas product.

5
1. Proses Inspeksi Benang
Pada awalnya benang dikirim dari supplier dan diuji kekuatan benang
tersebut oleh QA Inspector agar menghasilkan benang yang berkualitas baik.
Sebelum melakukan pencelupan/pewarnaan terlebih dahulu dilakukan
pengetesan terhadap bahan baku benang dengan istilah grey inspection.
Dengan tujuan apakah bahan baku tersebut sesuai dengan standar atau tidak.
Adapun pemeriksaan yang dilakukan sebagai berikut:
a. Memeriksa kekuatan benang.
b. Memeriksa ukuran benang apakah sesuai dengan sizen yang
diinginkan oleh Customer.
Pengujian kekuatan benang/uji tarik sama denganpengecekan strength.
Hal yang pertama dilakukan adalah cek size benang terlebih dahulu, setelah
itu baru dilakukan setting mesin sesuai size benang. Hasil test tersebut ditulis
di Form physical Properties. Test tersebut dilakukan minimal 5 kali dalam 1
sample, hasil strength meliputi strength itu sendiri, elongation dan tenacity
dengan satuan cn newton.
2. Proses Pencelupan Benang
Setelah Grey sesuai dengan standar maka dilakukan pencelupan
/pewarnaan yang sesuai dengan keinginan atau pesanan customer.
Pencelupan dilakukan oleh Dyeing Operator. Setelah selesai pencelupan,
maka salah satu benang diserahkan kepada Wrapping Card Operator yang
akan dibuatkan sample benangnya untuk diukur arah warnanya oleh Operator
Pass/Fail. Operator Pass/Fail akan mengukur sample benang menggunakan
komputer. Dan komputer secara otomatis akan memberikan rekomendasi
pass/fail, jika pass akan melewati proses berikutnya.
3. Test Kelunturan
Jika sample benang sudah pass maka proses berikuntya adalah Test
Fastness (Tes Kelunturan) yang dilakukan oleh PC Staff dengan
menggunakan media kain katun, multifibre, sabun, dan mesin washing. Tes
dilakukan selama setengah jam, tes ini bertujan untuk melihat apakah benang

6
 tersebut luntur atau tidak setelah dicuci. Jika setelah dicuci benang tidak
luntur maka pass.
4. Proses Pengeringan
Pada proses pengeringan ini dilakukan oleh Drying Operator. Sebelum
benang dikeringkan, operator memeriksa Job Ordernya apakah benang sudah
pass atau belum. Setelah itu benang dikeringkan dengan cara dimasukan
kedalam mesin pengering khusus yang disebut dengan mesin fastran dan
strayfield. Setelah benang kering, maka akan dilakukan penghitungan apakah
jumlahnya sesuai dengan job order yang diminta oleh costomer.
5. Proses Winding (Penggulungan)
Setelah proses penghitungan sesuai job order , maka operator mesin
fastran dan strayfield akan mendorong benang tersebut dengan trolly ke area
FW ( Final Winding ) untuk digulung sesuai dengan jumlah dan panjang yang
diinginkan oleh customer, dalam hal ini opretor mesin winding melihat pada
job order yang disiapkan oleh printer label operator
6. Pengiriman Barang ke Warehouse (Gudang)
Setelah department final winding melakukan penggulungan benang,
maka benang tersebut akan dikirim ke warehouse untuk di distribusikan ke
customer.

2.4 Struktur Organisasi PT. Coats Rejo Indonesia

PT. Coats Rejo Indonesia mempunyai beberapa bagian yang bertanggung
jawab dalam pembagian tugasnya yaitu :
1. Pimpinan tertinggi Perusahaan (Managing Director)
Bertanggung jawab dalam menjaga kestabilan perusahaan. Dalam
menjaga kestabilan perusahaan, managing director dibantu oleh beberapa
direktur yang masing-masing mempunyai tugas yang berbeda.
2. Direktur Manufaktur
Bertanggung jawab dalam Proses Produksi seperti pencelupan benang-
benang baik benang speciality maupun non speciality. Selain itu, direktur
manufaktur juga bertanggungjawab dalam menjaga kualitas benang dan

7
 menjaga mesin-mesin pabrik agar memperoleh hasil hasil Produksi yang
unggul. Direktur manufaktur membawahi manajer Quality Assurance
(QA). Manajer Finishing, Manajer Production Speciality, Manager
Dyehouse (DH) dan manajer Engineering.
3. Manager Pemasaran
Bertanggungjawab dalam memasarkan dan menjual hasil Produksi baik
dipasaran Jabotabek maupun non Jabotabek, mengatur bagaimana cara
memperkenalkan produk dan mengiklankannya serta menangani segala
keluhan Customer. Hal ini bertujuan untuk memberikan layanan yang
terbaik bagi pelanggan. Direktur Pemasaran membawai manajer
Speciality, Sales Manajer, Consumer sales, Manajer apparel sales
Jabotabek.
4. Direktur Human Resources (HR) dan Logistik
Direktur HR dan Logistik bertanggung jawab dalam hal :
a. Pengadaan Bahan Baku sebagai penunjang bahan Produksi
b. Penganturan penyimpanan dan pendistribusian benang
c. Pengaturan Ekspor dan Inport benang dan Spare Part
d. Menjaga Keseimbangan Lingkungan sekitar Pabrik
e. Menangani Pelatihan karyawan baik Staf maupun non staf
Manajer HR dan Logistik Membawahi Manajer PPIC dan Material,
gudang dan distribusi, Manajer Pembelian, Manajer Environment, Health
and Safety (EHS), Manajer HR dan Manajer Industrial Relationship.
5. Direktur Keuangan
Direktur Keuangan memimpin Departement Finance and Accounting yang
bertanggungjawab mengatur dan menjaga kestabilan keuangan
perusahaan serta melaporkan keuangan perusahaan kepada Managing
Director, dalam mengatur seluruh keuangan PT.CRI Bogor, Direktur
keuangan dibantu oleh Accountant management dan Manajer Financial.
tugas dari Accountant Management yaitu memberikan laporan
manajement kepada direktur keuangan sedangkan manajer Financial yang
bertugas mengawasi kegiatan Divisi Treasury. Kagiatan Divisi Trasury

8
 adalah mengecek penerimaan uang dari Customer melalui Bank atau
mutasi bank dan mengatur pembayaran pembayaran kepada Supplier.
2.4.1 Diagram Struktur Organisasi

Tabel 2.1 Diagram Struktur Organisasi

Managing Director

Manufact Sales & Mill

Logistics & HR Financ.
uring Marketing Manager
Director Director
Director Director Pleret
Manager

Special. Cust Material Produc Man

Dyehous Log Mgr age
Sales Service PPIC tion men
e Mgr Pleret
Mgr Mgr Mgr Mgr Acc

Apparel Wareho IT
Speciality Business EHS QA in
Sales use & Mgr
Prod Mgr Dev Mgr Manager Charge
Mgr Distr.

Cust. Embroid Purc & Purc & Cre

Finishing Engg.
Sales ery Sales Exim Exim dit
Mgr Mgr
Mgr Mgr Manager Mgr Ctrl
Pleret

Finc
Quality Apparel Techinca
HR HR Mgr Acc
Assuranc Sales l Dev
Manager Pleret
e Mgr Mgr Mgr

Tax
Engineerin Leg
g al
Manager Mgr

Acc
Spv
Lean
Pler.
Depart.

9
 BAB III
TINJAUAN PUSTAKA

3.1 Benang
Benang adalah sebuah serat yang panjang, dan digunakan untuk
pemroduksian tekstil, penjahitan, chroceting, knitting, penenunan, dan pembuatan
tambang. Benang dapat dibuat dari banyak fiber sintetik atau alami. Benang dapat
dibuat dari beragam fiber alami seperti wol, alpaca, wol Angora, katun, sutra,
bambu, hemp, dan soy. Benang yang kurang umum termasuk dibuat dari onta, yak,
possum, kucing, anjing, serigala, kelinci, kerbau, dan bahkan bulu ayam kalkun.
Benang komersial lebih sering dibuat dari fiber sintetik atau sebuah kombinasi dari
fiber sintetik dan alami.

3.2 Produksi
Secara umum, produksi diartikan sebagai suatu kegiatan atau proses yang
mentransformasikan masukan (input) menjadi hasil keluaran (output). Dalam
penertian yang bersifat umum ini penggunaannya cukup luas, sehingga mencakup
keluaran (output) yang berupa barang atau jasa. Dalam arti sempit, pengertian
produksi hanya sebagai kegiatan yang menghasilkan barang baik barang
jadimaupun barang setengah jadi, bahan industri, dan suku cadang atau spareparts
dan komponen. Hasil produksinya dapat berupa barang-barang konsumsi maupun
barang-barang industri.
Di samping itu produksi juga diartikan sebagai penciptaan nilai guna (utility)
suatu barang dan jasa dimana nilai guna diaartikan sebagai kemampuan barang dan
jasa untuk memenuhi kebutuhan manusia. Adapun produksi dalam arti teknis
merupakan suatu pendayagunaan sumber daya yang tersedia. Sedangkan bila
ditinjau dari pengertian ekonomi, produksi merupakan suatu proses pendayagunaan
segala sumber yang tersedia untuk mewujudkan hasil yang terjamin kualitasnya,
dan terkelola dengan baik sehingga kegiatan tersebut haruslah dengan biaya
serendah mungkin untuk mencapai hasil maksimal.

10
3.3 Shortage
Dalam teori persediaan, shortage dapat diartikan sebagai kondisi atau
keadaan dimana permintaan tidak dapat dipenuhi dengan persediaan atau produksi
yang ada. Hal demikian sering merupakan sesuatu yang tidak dikehendaki sehingga
harus diantisipasi dan sejauh mungkin dihindari. Namun demikian, tidak semua
kasus kehabisan persediaan merupakan sesuatu yang tidak diinginkan, ada kalanya
situasi tersebut memang dikehendaki dilihat dari sudut ekonomi.
Pada saat terjadi shortage, bagian perencanaan produksi harus melakukan cek
ketersediaan inventory yang ada di gudang untuk melakukan perubahan rencana
produksi.
Beberapa faktor yang menyebabkan terjadinya shortage di PT. Coats Rejo
Indonesia adalah sebagai berikut.
a. Penentuan conversion factor yang tidak tepat.
Conversion factor adalah besaran yang diperlukan untuk memproduksi 1
unit barang produksi.
b. Overlength dan underlength
Overlength adalah keadaan dimana 1 cone benang memiliki panjang lebih
dari yang seharusnya. Sedangkan underlength adalah keadaan dimana 1
cone benang memiliki panjang kurang dari yang seharusnya.
c. Alokasi kurang yakni banyaknya package yang dikerjakan kurang dari
yang seharusnya.
d. Bad package yakni package rusak atau dyespring collapse.
e. Bad winding yakni garis gulungan terlalu lebar.
f. Flacky yakni terdapat flack pada benang.
g. Mix yakni package dengan warna berbeda tercampur menjadi satu.
Berikut ini beberapa gambar penyebab terjadinya shortage (shortage
issue) di PT. Coats Rejo Indonesia.

11
 OLIGOMER FILTRASI DYE SPRING COLLAPSE

SALAH BENANG STAINING SSP SALAH TALLY TIKET

STREAKY/BERGARIS STAINING IBN UNLEVEL LUAR DALAM

UNLEVEL SHOULDER IDC FILTRASI STAINING SHOULDER

Gambar 3.1 Shortage issue

3.4 Pengertian Regresi
Istilah regresi diperkenalkan oleh seorang yang bernama Francis Galton
dalam makalah yang berjudul Regression Tower Mediacraty in Hereditary Stature.
Menurut hasil penelitian beliau, meskipun ada kecenderungan bagi para orang tua
yang tinggi mempunyai anak yang tinggi dan orang tuanya pendek mempunyai
anak pendek, dengan kata lain bahwa ada kecenderungan bagi rata-rata tinggi anak
dengan orang tua yang mempunyai tinggi tertentu untuk bergerak mundur (Regress)
ke arah tinggi rata-rata seluruh. Penemuan ini ditulis dalam artikel berjudul Family

12
Likeness in Stature (Proceedings of Royal Society, London, Vol. 40, 1886). Jadi
analisis regresi berkenaan dengan studi ketergantungan dari suatu variabel yang
disebut variabel tak bebas (dependent variable) pada satu atau lebih variabel bebas
(independent variable) yaitu variabel yang menerangkan dengan tujuan untuk
memperkirakan atau meramalkan nilai-nilai dari variabel tak bebas apabila nilai
variabel yang menerangkan sudah diketahui.

3.5 Analisis Regresi Linier

Analisis regresi linier digunakan untuk peramalan, dimana dalam model
terdapat variabel bebas X dan variabel tak bebas Y. Regresi linier dalah menentukan
satu persamaan garis yang menunjukkan hubungan antara variabel bebas dan terikat
yang merupakan persamaan penduga yang berguna untuk menaksir atau
meramalkan variabel terikat. Untuk mempelajari hubungan-hubungan antara
variabel. Analisis ini terdiri dari dua bentuk, yaitu
1. Analisis Sederhana (simple analysis)
2. Analisis Berganda (multiple analysis)
Analisis sederhana merupakan hubungan antar 2 variabel yaitu variabel bebas
(independent variable) dan variabel tak bebas (dependent variable). Sedangkan
analisis berganda merupakan hubungan antara 3 atau lebih variabel, yaitu sekurang-
kurangnya 2 variabel bebas dengan 1 variabel tak bebas.
Variabel bebas merupakan variabel atau peubah-peubah yang tidak
dipengaruhi variabel-variabel lain, tetapi perubahan yang terjadi pada variabel
bebas akan mengakibatkan terjadinya perubahan pada variabel lain. variabel tak
bebas merupakan variabel yang hanya akan berubah manakala terjadi perubahan
pada variabel yang lain. analisis regresi berguna untuk mendapatkan hubungan
fungsional antara variabel bebas terhadap variabel tak bebas atau meramalkan
pengaruh variabel bebas terhadap variabel tak bebas.

3.6 Regresi Linier Sederhana

Telah dijelaskan di atas bahwa regresi membicarakan bentuk hubungan atau
fungsi antara dua variabel atau lebih. Perlu ditekankan bahwa dalam bentuk
hubungan tersebut terdapat sebuah variabel tak bebas Y, dengan sekurang-

13
kurangnya sebuah variabel bebas X. Untuk mendapatkan bentuk hubungan yang
sesuai antara variabel bebas X dengan variabel tak bebas Y maka kedua variabel
tersebut harus dinyatakan dalam nilai yang terukur atau kuantitatif sekurang-
kurangnya dengan skala interval.
Dalam hal-hal tertentu, penentuan variabel bebas X dan variabel tak bebas Y
sangat mudah, tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang
mana variabel bebas X maupun yang mana variabel tak bebas Y. Apabila hubungan
antara dua variabel atau lebih bersifat kausal atau hubungan sebab-akibat, maka
variabel yang sebagai sebab merupakan variabel bebas atau variabel X dan akibat
yang ditimbulkannya menjadi variabel tak bebas atau variabel Y. Setelah jelas mana
variabel X dan variabel Y, maka selanjutnya perlu menentukan pola hubungan atau
bentuk hubungan yang dinyatakan dalam bentuk persamaan matematik yang
menyatakan hubungan fungsionalnya. Sehingga segala analisis statistika yang
berkaitan dengan hal tersebut dinamakan dengan analisis regresi.
Tujuan utama dari analisis regresi adalah untuk memberikan dasar-dasar
peramalan atau pendugaan dalam analisis peragam atau analisis kovarian. Analisis
regresi sebagai alat untuk melakukan peramalan atau prediksi atau estimasi atau
pendugaan yang sangat berguna bagi para pembuat keputusan. Biasanya variabel
tak bebas Y adalah variabel yang diramalkan dan variabel bebas X yang telah
ditetapkan sebagai peramal yang disebut prediktor. Untuk membuat ramalan antara
variabel X dengan variabel Y, maka variabel X dan variabel Y tersebut harus
mempunyai hubungan yang kuat. Kuat tidaknya hubungan antara variabel bebas X
dan variabel tak bebas Y didasarkan pada analisis korelasi. Jadi antara analisis
korelasi dan analisis regresi mempunyai kaitan yang sangat erat.

3.7 Persamaan Regresi Linier Sederhana

Bentuk hubungan yang paling sederhana antara variabel X dengan variabel Y
adalah berbentuk garis lurus atau berbentuk hubungan linier yang disebut dengan
regresi linier sederhana atau sering disebut regresi linier saja dengan persamaan
matematikanya adalah sebagai berikut:
Persamaan regresi linier sederhana untuk populasi

14
 = 0 + 1 + (3.1)
Dimana
= Variabel dependent (respons)
= Variabel independent (prediktor)
0 = Nilai titik potong garis regresi dengan sumbu Y
1 = Koefisien kemiringan (slope)
= Galat

Persamaan regresi linier sederhana untuk Sampel

= 0 + 1 + (3.2)

Dimana
= Varibel dependent (respons)
= Variabel independent (prediktor)
0 = Nilai titik potong garis regresi dengan sumbu Y
1 = Koefisien kemiringan (slope)
= Galat sampel

Titik potong (intercept) atau 0 adalah nilai taksiran (estimate) rerata nilai Y
jika nilai X sama dengan nol. Sedangkan koefisien kemiringan (slope) atau 1
adalah nilai taksiran perubahan dalam rata-rata nilai Y sebagai hasil dari perubahan
satu nilai X dalam satu satuan perubahan nilai X.

3.8 Garis Regresi Linier Sederhana

Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y,
sering disebut regresi Y atas X ditulis dengan Y/x, yang mempunyai pengertian
bahwa: setiap variabel bebas X akan memberikan atau menghasilkan suatu nilai
variabel tak bebas Y tertentu; sehingga antara variabel X dan variabel Y tertentu
akan menjadi pasangan-pasangan tetap disebut dengan pasangan nilai X,Y. Setiap
pasangan nilai X,Y merupakan hubungan sebab (X) dan akibat (Y). Sejumlah
pasangan antara nilai X,Y inilah yang akan menentukan persamaan regresi yang
dibuat sesuai dengan asumsi atau model yang digunakan.

15
3.9 Penentuan Garis Regresi Linier Sederhana
Untuk menentukan garis regresi berdasarkan pasangan-pasangan nilai X,Y
diberikan dua metode yang umum yaitu:
1. Metode tangan bebas. Metode tangan bebas merupakan suatu metode
yang berdasarkan kira-kira dari diagram titik atau diagram pencar atau
scatter diagram yang diperoleh dari hasil pengamatan antara variabel X
dan variabel Y. Diagram pencar didapatkan dengan menggambar titik-
titik pasangan pengamatan antara X dan Y atau X,Y pada suatu sistem
salib sumbu atau sistem koordinat. Dengan memperhatikan letak titik-
titik pasangan pada absis X dan ordinat Y, maka kumpulan titik-titik
tersebut dapat memberi petunjuk untuk memperkirakan garis regresi
yang akan dibuat. Metode ini hanya dapat dilakukan oleh seorang ahli
dan berpengalaman.
2. Pendekatan matematis dengan metode kuadrat terkecil atau least
squares method atau sering disebut dengan metode ordinary list squares
(OLS). Metodde OLS menjelaskan tentang suatu garis regresi yang akan
didapat dan akan mendekati titik-titik pasangan X,Y. Tentu saja atau pada
umumnya tidak dapat ditarik atau digambarkan suatu garis regresi yang
sederhana, yang dapat melalui semua titik-titik pasangan X,Y.
Jika pencaran atau sebaran titik pasangan X,Y tersebut disekitar garis lurus,
maka cukup beralasan untuk menduganya dengan persamaan regresi linier
sederhana atau regresi garis lurus. Di lain pihak, jika sebaran titik-titik pasangan
X,Y tersebut bukan linier, tetapi melengkung atau non linier yang paling
menghampiri, maka untuk menentukan analisis dan gambarnya dapat dilihat
bentuk-bentuk hubungan pada buku-buku matematika. Bentuk mana yang paling
sesuai atau paling dihampiri oleh titik-titik pasangan tersebut.
Sebuah garis dikatakan sebagai garis regresi terbaik yang disebut dengan
garis regresi penduga diberi simbul dengan (dibaca Y topi atau Y cup atau Y
penduga). Sehingga garis regresi linier sederhana dengan persamaan penduga
menjadi sbb.
Untuk populasi :

16
 = + atau ditulis dengan
= 0 + 1 atau
= 1 + 2 (3.3)

Dan untuk sampel :

= + atau ditulis dengan
= 0 + 1 atau
= 1 + 2 (3.4)

Suatu hal yang harus dipahami bahwa dalam pendugaan garis regresi,
besarnya nilai variabel tak bebas Y, tidak hanya tergantung pada variabel bebas X
saja, tetapi ada faktor-faktor lain yang ikut mempengaruhi. Faktor-faktor tersebut
secara keseluruhan dinamakan kesalahan pengganggu (disturbance error) yang
diberi simbul dengan . Kadang-kadang nilai diartikan faktor-faktor tertentu yang
belum diketahui penyebabnya atau faktor-faktor yang belum dijelaskan.
Faktor-faktor tersebut yang dapat terdiri atas: salah hitung, salah catat, salah
ukur, alat kurang sempurna, dan nilai-nilai kebetulan, serta banyak lagi nilai-nilai
yang lainnya. Kesalahan pengganggu tersebut menyebabkan ramalan menjadi
kurang tepat terhadap garis regresi penduga seperti:
= + untuk populasi
Jadi kesalahan tersebut dapat mengakibatkan adanya resiko. Oleh karena
itu, resiko tersebut hendaknya dibuat sekecil-kecilnya atau minimal. Untuk
melakukan dugaan atau membuat keputusan selalu ada resiko walaupun betapa
kecilnya.
Karena dalam suatu pendugaan nilai dan tidak dapat dihitung (belum
diketahui nilainya), biasanya ditaksir dengan nilai dan atau dengan nilai 0 dan
1 ; sehingga garis regresi linier penduga mempunyai bentuk persamaan:
= 0 + 1 untuk sampel
Jadi dan atau 0 dan 1 sebagai penaksir dan .
Hubungan antara nilai kesalahan , dengan nilai penduga dan dengan nilai
pengamatan dapat ditulis:

17
 = 0 + 1 dan = + atau
= (3.5)
Untuk sejumlah pasangan pengamatan, maka penulisannya menjadi seperti:
= (0 + 1 ) (3.6)
Nilai sebagai penduga nilai kesalahan yakni kesalahan penggangu
populasi dan adalah kesalahan penganggu sampel. Nilai dapat berharga positif
bila nilai pengamatan berada di atas garis penduga ; dapat berharga negatif bila
nilai pengamatan berada di bawah garis penduga ; dan dapat pula berharga nol
bila nilai pengamatan berada tepat pada garis penduga .

3.10 Pendekatan Garis Penduga Terbaik

Ada beberapa cara pendekatan matematika untuk mendapatkan garis regresi
penduga yang terbaik seperti:
1. Garis penduga menjadi garis regresi terbaik apabila jumlah semua
kesalahan adalah minimal ditulis dengan: = minimal atau
( ) = minimal. Sesuai dengan teori aljabar maka akibatnya
sama dengan nol (minimal), sebab nilai negative mengkompen nilai
positif.
2. Garis penduga merupakan garis regresi yang terbaik, apabila jumlah
harga mutlak dari nilai kesalahan atau || adalah minimal. Cara ini
lebih baik dari cara pertama sebab tidak ada saling kompensasi antara
nilai yang negatif dengan positif.
3. Garis penduga merupakan garis regresi yang terbaik, apabila jumlah
pangkat dua (kuadrat) nilai kesalahan-kesalahan ( ) adalah minimal atau
ditulis dengan rumus: 2 = 0
Cara pendekatan terakhir disebut dengan Metode Kuadrat Terkecil
atau dengan Least Squares Methods. Sampai sekarang metode kuadrat
terkecil ini adalah suatu metode yang paling ampuh pada perhitungan untuk
menduga suatu garis regresi yang terbaik dibandingkan dengan metode-
metode yang lainnya. Di antaranya terdapat suatu teorema dari Gauss
Markov yang berbunyi sebagai berikut:

18
 Di antara penaksir-penaksir linier tak bias bagi parameter-parameter dan ,
di mana = + + , penaksir pangkat dua terkecil (metode kuadrat
terkecil) yang mempunyai ragam paling kecil.

3.11 Metode Kuadrat Terkecil (Ordinary Least Squares)

Selain, hal-hal tersebut di atas, metode kuadrat terkecil mempunyai beberapa
kelebihan daripada metode-metode lain, diantaranya:
1. Dengan memakai nilai kuadrat, maka semua nilai dari kesalahan atau
simpangan akan berubah menjadi positif.
2. Dengan mengkuadratkan nilai kesalahan yang kecil (pecahan) maka
akan diperkecil mendekati nol, dan bila nilai ini diminimumkan;
sehingga garis regresi penduga yang dihasilkan akan mendekati
ketepatannya, bila digunakan sebagai garis penduga.
3. Perhitungan matematis dari metode kuadrat terkecil cukup sederhana.
4. Selain teori kuadrat terkecil, ada suatu teori Maximum Like Lihood
Estimation yang kedua-duanya membuktikan bahwa meminimalkan
kesalahan merupakan estimasi atau penaksiran yang terbaik.
Suatu syarat penaksir garis atau garis penduga yang terbaik, di samping
mempunyai nilai ragam galat atau ragam kesalahan atau ragam residu atau ragam
sisa yang terkecil, tetapi harus memenuhi juga syarat-syarat yang lain yaitu:
1. Model regresi atau bentuk fungsi yang dipakai haruslah mendekati titik-
titik pasangan X,Y; dan harus betul-betul tepat atau cocok; hal ini akan
dibicarakan pada uji kecocokan garis regresi penduga.
2. Mempunyai derajat keeratan hubungan yang maksimum atau koefisien
korelasi tertinggi, yang menunjukkan hubungan antara variabel bebas X
dan variabel tak bebas Y. Hal ini akan dibahas dalam penggunaan
koefisien korelasi dalam uji garis regresi.
Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan
koefisien dan .
Perhatikan persamaan berikut.:
= (3.7)

19
 Dimana
= 0 + 1 dan = +
sehingga dapat ditulis:
= (0 + 1 ) (3.8)
= 0 + 1 + (3.9)

Telah disebutkan di atas, bahwa garis regresi penduga terbaik, adalah garis
regresi yang mempunyai nilai 2 minimal.
Secara matematis 2 minimal dapat dinyatakan dengan teori defrensial
bahwa turunan pertama dari: 2 terhadap 0 dan terhadap 1 haruslah sama
dengan nol atau dapat ditulis:
2
=0 (3.10)

Untuk memudahkan cara penulisan selanjutnya 2 disamakan dengan ,

jadi = 2 . Sehingga fungsi turunan 2 atau terhadap setiap nilai 0 , dan
1 adalah sebagai berikut.
Dari teori minimum dan maksimum atau harga ekstrim dalam teori kalkulus
(diferensial & integral) dapat dinyatakan bahwa suatu fungsi (1, 2, . . . , )

akan minimum jika, semua fungsi turunan pertama parsialnya ( ) sama dengan

nol; suatu syarat yang perlu dan khusus.

Oleh karena itu, dengan mengandaikan syarat kedua minimalisasi itu telah
terpenuhi, maka nilai akan minimum jika semua fungsi turunan pertama
parsialnya, yaitu turunan pertama parsiil dari terhadap masing-masing nilai 0
dan 1 sama dengan nol. Dengan mengambil fungsi turunan pertama parsial
terhadap 0 dan 1 serta menyamakannya dengan nol, maka diperoleh dua
persamaan seperti di bawah ini.
Turunan 2 atau terhadap 0 menjadi:
2
( (0 + 1 ))
= = 2 ( (0 + 1 ))(1) = 0
0 0

Apabila persamaan di atas diselesaikan dan diubah cara penyajiannya, maka

diperoleh persamaan- seperti berikut.

20
 (2) ( (0 + 1 )) = 0

0 1 = 0 (3.11)
Persamaan di atas disebut persamaan normal 1.
Turunan 2 atau terhadap 1 menjadi:

2
( (0 + 1 ))
= = 2 ( (0 + 1 ))( ) = 0
1 1

Apabila persamaan di atas diselesaikan dan diubah cara penyajiannya, maka

diperoleh persamaan- seperti berikut.

(2) ( (0 + 1 ))( ) = 0

0 1 2 = 0 (3.12)
Persamaan di atas disebut persamaan normal 2.

3.12 Perhitungan Nilai Koefisien Regresi Linier Sederhana

Jika diperhatikan kembali sistem persaman normal dari persamaan di atas
dapat dilihat keteraturan dari cara-cara penyelesaianya. Sehingga nilai 0 dan 1
dapat ditentukan dengan perhitungan seperti berikut.
Dari persamaan normal 1 dapat ditentukan nilai 0 yaitu dengan membagi
persamaan tersebut dengan jumlah pengamatan () sehingga didapatkan
persamaan dengan penyelesaian sebagai berikut:

0 1 = 0
0



1 = 0 atau

0 1 = 0
sehingga menjadi:
0 = 1 (3.13)
Selanjutnya, dengan memasukkan persamaandi atas ke persamaan normal 2
sehingga dapat ditentukan besarnya nilai 1 .

0 1 2 = 0

21
 ( 1 ) 1 2 = 0

( 1 ) 1 2 = 0

Sebelum penyelesaian persamaan di atas dengan modifikasi X dan Y menjadi

persamaan dengan huruf kecil dan perhatikan dengan teliti notasi perubah X dan Y
yang ditulis dengan huruf kecil x dan y pada persamaan-persamaan berikut ini.
Berikut ini diberikan hubungan antara X; Y dengan x; y:
1 = (1 1 ), 2 = (2 2 ) dan = ( )
2
2 = 2 disebut jumlah kuadrat Y (JKY)

2
2 = 2 disebut jumlah kuadrat X (JKX)


= disebut JHK XY

Dengan menggunakan persamaan di atas maka didapatkan nilai 1 menjadi:

( 1 ) 1 2 = 0

+ 1 1 2 = 0

1 ( 2 ) = 0

1 ( 2 ) =




1 = = 2
= (3.14)
2 2


Sehingga persamaan regresi penduga dari suatu pengamatan atau untuk pengaruh
variabel bebas terhadap variabel tak bebas menjadi:
= 0 + 1 (3.20)
Selanjutnya, untuk membuktikan bahwa garis regresi yang diperoleh tersebut
merupakan garis regresi terbaik yakni nyata secara statistika untuk menghampiri
setiap titik-titik pengamatan ,, maka perlu dilakukan pengujian keberartiannya.

22
3.13 Pengujian Garis Regresi Linier Sederhana
Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara
yaitu:
3.13.1 Uji Ragam Regresi atau Uji F
Uji keragaman untuk menentukan garis regresi yang terbaik sering disebut
dengan uji F garis regresi atau lebih terkenal dengan sidik ragam regresi.
Jika persamaan (3.13) disubstitusikan ke dalam persamaan (3.20), maka didapatkan
pesamaan:
= 1 + 1 (3.21)
Jika persamaan (3.21) kita substitusikan ke persamaan (3.7), maka akan
diperoleh persamaan :
= ( 1 + 1 )
= ( ) 1 ( )
= 1 (2.22)
Dari persamaan (3.22) diperoleh persamaan untuk nilai , sehingga dengan
mengkuadrat jumlahkan nilai , didapatkan 2 yang disebut dengan JK Galat
Regresi dengan kode G

= 2

= (3.23)

Dengan mensubtitusikan persamaan (3.22) ke persamaan (3.23), diperoleh

persamaan

= ( 1 )

= 1

Karena = 0,maka
= (3.24)
Selanjutnya dari persamaan diatas didapatkan:

23
 = ( 1 )

= 1 (3.25)

Dimana = 2 = = , = , dan
1 = . Dari persamaan (3.25) didapatkan bahwa JK Galat
Regresi sama dengan JK Total dikurangi dengan JK Regresi, di mana JK Total atau
JK Y sudah dapat dihitung dari data pengamatan.
Sehingga, hubungan antara komponen-komponen pada analisis keragaman
(JK Total, JK Regresi, dan JK Galat) adalah sebagai berikut.
= (3.26)
Untuk menyederhanakan penulisan dan pengertian di atas, maka selanjutnya JK
Galat Regresi disingkat dengan JKG, JK Regresi dengn JKR (tanpa titik) dan JK
Total dengan JKT.
Sehingga sesuai dengan persamaan (3.25) maka JKR mempunyai rumus:
= 1 atau
= 1 (3.27)
Persamaan di atas berlaku umum untuk variabel bebas sehingga persamaannya
menjadi:

= 1 1 + 2 2 + +

= 1 1 + 2 2 + +
Komponen penyusun Tabel Sidik Ragam Regresi adalah:
1. = 1
2
2. = 2

3. =
Selanjutnya akan dihitung nilai kuadrat tengah (KT) atau varians seperti berikut.

1. =

2. =

Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu , maka

besarnya nilai F (F-hitung) adalah

24

= (3.28)

Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi

(ANOVA) seperti berikut.
Tabel 3.1 Sidik Ragam Regresi


() () () () = 5%
1

1
1
= ( )
=

3.13.2 Uji Keberartian Koefisien Regresi ( ) atau Uji t

Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas, dapat
memberikan petunjuk apakah setiap variabel menunjukkan pengaruh atau
hubungan yang nyata terhadap variabel tak bebas . Jika uji F atau uji ragam regresi
menunjukkan bahwa > ( 5%) barulah dilanjutkan dengan uji t dan
sebaliknya.
Secara umum uji t mempunyai rumus sebagai berikut.

0 = 0 dan 1 = 1 (3.29)
0 1

Dimana adalah simpangan baku .

Simpangan baku koefisien regresi biasa ditulis dengan notasi
(simpangan baku = standard error koefisien regresi ). Perhitungan nilai
didasarkan pada ragam galat regresi atau KT Galat Regresi.Karena besarnya nilai
2 (Ragam Galat Regresi) populasi tidak diketahui, maka dapat diduga dengan nilai
2 atau KT Galat Regresi sampel yang mempunyai persamaan :

2 = = = (3.30)
1

Untuk pengujian 0 dan 1 nilai simpangan bakunya menjadi

( 2 )
0 = 0 = (3.31)

25

1 = 1 = (3.32)

3.14 Koefisien Korelasi ()

Koefisien korelasi adalah nilai yang menunjukkan kuat atau tidaknya
hubungan linier antar dua variabel. Koefisien korelasi biasa dilambangkan dengan
dimana nilai dapat bervariasi dari 1 sampai +1. Nilai yang mendekati 1
atau +1 menunjukkan hubungan yang kuat antara dua variabel tersebut dan nilai
yang mendekati 0 mengindikasikan lemahnya hubungan antara dua variabel
tersebut. Sedangkan tanda + (positif) dan (negatif) memberikan informasi
mengenai arah hubungan antara dua variabel tersebut. Jika bernilai positif maka
kedua variabel tersebut memiliki hubungan yang searah. Dengan kata lain,
peningkatan akan bersamaan dengan peningkatan nilai . Begitu pula
sebaliknya, jika bernilai negatif maka kedua variabel memiliki hubungan yang
berlawanan. Dengan kata lain, peningkatan nilai akan dibarengi dengan
penurunan nilai . Rumus untuk mencari nilai koefisien korelasi adalah

= (3.33)
2 ( )2 2 ( )2

Tabel 3.2 Interpretasi Nilai Koefisien Korelasi

Interval nilai Keterangan
0.00 0.199 Sangat rendah
0.20 0.399 Rendah
0.40 0.599 Sedang
0.60 0.799 Kuat
0.80 1.000 Sangat kuat

3.15 Koefisien Determinasi ( )

Koefisien determinasi ( 2 ) pada intinya mengukur seberapa jauh kemampuan
model dalam menerangkan variasi variabel terikat. Nilai koefisien determinasi
berada antara nol sampai satu. Nilai 2 yang kecil mengindiasikan bahwa
kemampuan variabel-variabel bebas dalam menjelaskan variasi variabel terikat

26
amat terbatas. Nilai 2 yang mendekati satu berarti variabel-variabel bebas
memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi
variabel terikat. Secara umum koefisien determinasi untuk data silang (cross
section) relatif rendah karena adanya variasi yang besar antara masing-masing
pengamatan, sedangkan untuk data runtun waktu (time series) biasanya mempunyai
nilai koefisien determinasi yang tinggi. Menurut Gujarati (2003) jika dalam uji
empiris didapat nilai adjusted 2 negatif, maka nilai adjusted 2 dianggap bernilai
nol. 2 dapat dihitung menggunakan rumus :

1 )2 [
( ]
2
= =
( )2 ( )2
[ 2 ]

3.16 Uji Asumsi Klasik Regresi Linier

Uji asumsi klasik adalah pengujian asumsi-asumsi statistik yang harus
dipenuhi pada analisis regresi linier yang berbasis OLS (Ordinary Least Square).
Regresi Linier sederhana memiliki empat uji asumsi klasik, yaitu: Uji Linieritas,
Uji Normalitas, Uji Heteroskedastisitas, dan Uji Autokolerasi.

3.16.1 Uji Linieritas

Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai
hubungan yang linear atau tidak secara signifikan. Dua variabel dikatakan
mempunyai hubungan yang linear bila signifikansi kurang dari 0,05. Uji linieritas
dilakukan dengan mencari persamaan garis regresi variabel bebas (X) terhadap
variabel terikat (Y). Dengan uji linieritas, specification error atau mis-specification
dapat dihindari (Gujarati, 1995). Pada umumnya ada 3 macam uji linieritas yang
dapat digunakan yaitu:Uji Ramsey, Uji Durbin Watson, Uji Lagrange multiplier.
Uji linieritas secara manual dapat dihitung menggunakan rumus:

[ ]
2
(1 ) 1
= =
2 ( )2
2

27
3.16.2 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah nilai residual terdistribusi
normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang
terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-masing
variabel tetapi pada nilai residualnya.
Uji Normalitas dapat dilakukan dengan uji normal P Plot, uji histogram, uji
Kolmogorov-Smirnov, uji Anderson-Darling, uji Chi Square atau uji Shapiro- Wilk.
Uji Kolmogorov Smirnov adalah pengujian normalitas yang banyak dipakai,
terutama setelah adanya banyak program statistik yang beredar. Kelebihan dari uji
ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di antara satu
pengamat dengan pengamat yang lain, yang sering terjadi pada uji normalitas
dengan menggunakan grafik.
Uji normalitas menggunakan Uji Kolmogorov Smirnov yaitu menguji
apakah dalam model regresi, variabel residual memiliki distribusi normal atau
tidak. Uji Kolmogorov Smirnov dapat dihitung menggunakan rumus berikut:

= | |

Langkah yang dilakukan untuk mencari | | adalah sebagai berikut.

No. = | |

1
2
3

N

Keterangan :
= Angka pada data
= Transformasi dari angka ke notasi pada distribusi normal

28
 = komulatif proporsi luasan kurva normal berdasarkan notasi ,
dihitung dari luasan kurva mulai dari ujung kiri kurva sampai dengan titik
(Probabilitas komulatif normal)
= Probabilitas komulatif empiris
dapat dicari dengan rumus

3.16.3 Uji Heteroskedastisitas

Heteroskedastisitas adalah apabila kesalahan atau residual yang diamati
tidak memiliki varian yang konstan. Uji ini bertujuan untuk menguji apakah dalam
model regresi terjadi ketidaksamaan variansi dari residual satu ke pengamatan yang
lain. Jika variansi residual dari satu pengamatan ke pengamatan yang lain tetap,
maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas.
Residual adalah faktor-faktor lain yang terlibat akan tetapi tidak termuat
dalam model, karena residual ini merupakan variabel yang tidak diketahui, maka
diasumsikan bahwa nilai residual bersifat acak. Prasyarat yang harus terpenuhi
dalam model regresi adalah tidak adanya gejala heteroskedastisitas atau adanya
gejala homoskedastisitas. Ada beberapa metode pengujian yang bisa digunakan
diantaranya yaitu Uji Park, Uji Glesjer, melihat pola grafik regresi, dan uji koefisien
korelasi Spearman.
Deteksi heterokedastisitas dapat dilakukan dengan scatter plot. Model yang
baik didapat jika tidak terdapat pola tertentu pada grafik, seperti mengumpul
ditengah, menyempit kemudian melebar atau sebaliknya melebar kemudian
menyempit. Sedangkan untuk uji statistik heteroskedastisitas dapat dilakukan
dengan melakukan pengujian koefisien korelasi ranking Spearman dengan
melakukan distribusi t. Koefisien korelasi rangking Spearman ( ) dapat dihitung
dengan rumus:

2
= 1 6 ( )
( 2 1)

dimana

29
 = selisih rangking standar deviasi () dan ranking nilai mutlak error ()
= banyaknya sampel

3.16.4 Uji Autokorelasi

Uji autokorelasi digunakan untuk menguji apakah dalam model regresi
linear ada korelasi antara kesalahan pengganggu pada periode dengan kesalahan
pengganggu pada periode 1 (sebelumnya). Jika ada korelasi maka dinamakan
autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang
waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual tidak bebas
dari satu observasi ke observasi lainnya.
Untuk mendeteksi adanya autokeralasi dalam suatu model regresi dapat
dilakukan dengan beberapa cara, yaitu:
1. Uji Durbin-Watson
2. Uji LM (Lagrange Multiplier)
Diagnosa adanya autokorelasi secara kuantitatif dalam sebuah regresi dapat
dilakukan dengan melakukan statistik dari Durbin-Watson, yaitu :

=1( 1 )2
=
=1 2
Keterangan :
= residual pada waktu ke-
1 = residual pada waktu ke- 1 (sebelumnya)

30
 BAB IV
METODE PENELITIAN

4.1 Lokasi dan Waktu Penelitian

Praktek Kerja Lapangan ini dilaksanakan di PT. Coats Rejo Indonesia
khususnya di Industrial Engineer Department selama satu bulan hari kerja.
Kegiatan ini dimulai pada tanggal 1 Februari 2016 s/d 29 Februari 2016.

4.2 Metode Pengumpulan Data

Dalam penulisan laporan Praktek Kerja Lapangan ini, penulis menggunakan
data sekunder. Data yang digunakan adalah data jumlah produksi dan banyaknya
shortage pada bulan Januari 2016.

4.3 Metode Pengolahan Data

Tahapan-tahapan pengolahan data yang dilakukan penulis adalah sebagai
berikut:
1. Memasukkan data jumlah produksi sebagai X dan shortage sebagai Y.
2. Menampilkan statistika deskriptif data.
Statistik deskriptif adalah metode statistika yang digunakan untuuk
menggambarkan atau menganalisis suatu data hasil penelitian tanpa
adanya generalisasi atau kesimpulan yang lebih luas. Pada langkah ini
penulis menampilkan nilai minimum, maksimum, rata-rata dan std.
deviasi.
3. Melakukan pengujian asumsi klasik regrasi linier sederhana, yaitu:
a. Uji Linieritas
b. Uji Normalitas
c. Uji Heteroskedastisitas
d. Uji Autokorelasi
4. Melakukan penaksiran parameter regresi linier sederhana.
5. Melakukan pengujian simultan (uji F).
6. Melakukan pengujian parsial (uji t).
7. Menghitung koefisien determinasi (R2)

31
4.4 Analisa Data
Data yang telah diperoleh akan dianalisa hubungan antara variabelnya dan
mencari model yang layak dengan metode analisis regresi linier sederhana. Dengan
tahapan analisis sebagai berikut:
1. Mencari apakah terdapat hubungan atau keterkaitan antara jumlah
produksi dengan banyaknya shortage yang dihasilkan pada bulan Januari
2016 dan mencari besar nilai korelasi antara jumlah produksi dengan
banyaknya shortage yang dihasilkan pada bulan Januari 2016.
2. Menganalisa apakah dua variabel mempunyai hubungan yang linear atau
tidak secara signifikan. Dengan menampilkan nilai signifikan untuk
dibandingkan dengan nilai = 0.05.
3. Menganalisa apakah data berdistribusi normal atau tidak dengan melihat
normal p-p plot dan menggunakan uji Kolmogorof Smirnov.
4. Menganalisa adanya ketidaksamaan varian dari residual untuk semua
pengamatan pada model regresi dengan menggunakan uji koefisien
korelasi spearman.
5. Menganalisa ada atau tidaknya gangguan autokolerasi dengan
menggunakan uji Durbin Watson.
6. Menafsirkan model jumlah produksi terhadap banyaknya shortage dan
mengetahui besarnya pengaruh jumlah produksi turun atau naik terhadap
banyaknya shortage.
7. Menganalisa pengaruh jumlah produksi terhadap banyaknya shortage
secara serentak dengan membandingkan nilai dan .
8. Menganalisa pengaruh jumlah produksi terhadap banyaknya shortage
secara sendiri- sendiri (masing- masing) dengan membandingkan nilai
dan .
9. Menganalisa atau menghitung nilai 2 untuk mendapatkan berapa persen
nilai jumlah produksi mempengaruhi banyaknya shortage.

32
 BAB V
PEMBAHASAN

5.1 Statistika Deskriptif

Statistika Deskriptif digunakan untuk mengetahui secara ringkas mengenai
nilai minimum, nilai maksimum, rata- rata, standar deviasi dari masing-masing data
penelitian. Data yang digunakan dalam penelitian ini ditampilkan dalam tabel
berikut:
Tabel 5.1 Data Jumlah Produksi dan Banyaknya Shortage
Tanggal (X) Jumlah Produksi (Cones) (Y) Shortage (Cones)
02.01.2016 40.052 -82
03.01.2016 50.038 -147
04.01.2016 52.125 -135
05.01.2016 50.074 -50
06.01.2016 54.793 -175
07.01.2016 51.698 -130
08.01.2016 42.972 -86
09.01.2016 52.935 -196
10.01.2016 50.970 -185
11.01.2016 60.079 -109
12.01.2016 53.245 -70
13.01.2016 49.604 -383
14.01.2016 52.782 -92
15.01.2016 51.417 -196
16.01.2016 48.719 -173
17.01.2016 52.465 -68
18.01.2016 59.955 -158
19.01.2016 62.161 -194
20.01.2016 56.319 -467
21.01.2016 55.664 -185

33
 22.01.2016 44.103 -72
23.01.2016 60.890 -257
24.01.2016 57.554 -152
25.01.2016 55.982 -184
26.01.2016 54.759 -135
27.01.2016 43.419 -66
28.01.2016 47.051 -66
29.01.2016 37.168 -102
30.01.2016 46.769 -144
31.01.2016 55.071 -178

Dengan jumlah produksi sebagai variabel bebas () yang mempengaruhi

banyaknya shortage sebagai variabel terikat () yang dipengaruhi.

Tabel 5.2 Hasil Analisis Deskriptif

N Minimu Maximu Mean Std.

m m Deviation
51694,433
Produksi 30 37168,00 62161,00 6081,56962
3
Shortage 30 -467,00 -50,00 -154,5667 90,52821
Valid N
30
(listwise)

Berdasarkan Tabel 5.2 di atas menunjukkan bahwa nilai minimum dari data
jumlah produksi adalah 37.168 cones, nilai maksimum adalah 62.161 cones, rata-
rata adalah 51.694,4333 cones dan standar deviasi adalah 6.081,56962 cones.
Sedangkan pada data shortage memiliki nilai minimum -467 cones, nilai
maksimum adalah -50 cones, nilai rata- rata adalah -154,5667 cones dan standar
deviasi adalah 90,52821 cones.

34
5.2 Pengujian Asumsi Regresi Linier Sederhana
5.2.1 Uji Linieritas
Uji linearitas bertujuan untuk mengetahui apakah pada setiap perubahan yang
terjadi pada satu variabel akan diikuti perubahan dengan besaran yang sejajar pada
variabel lainnya. Variabel terikat dan bebas dikatakan mempunyai hubungan yang
linear bila signifikansi kurang dari 0,05.

Hipotesis
0 : Tidak terdapat hubungan linier antara jumlah produksi dengan
banyaknya shortage.
1 : Terdapat hubungan linier antara jumlah produksi dengan banyaknya
shortage.

Kriteria uji
Signifikansi < 0.05, maka 0 ditolak.
Signifikansi > 0.05, maka 0 diterima.

Statistik uji
Tabel 5.3 Uji Linieritas

Equatio Model Summary Parameter

n Estimates
R Square F Sig. Constant b1
Linear ,150 4,940 ,034 143,427 -,006

Berdasarkan Tabel 5.3 diperoleh nilai sig. = 0,034 < 0,05, maka 0 ditolak
yang artinya terdapat hubungan linier antara jumlah produksi dengan banyaknya
shortage.

5.2.2 Uji Normalitas

Asumsi normalitas merupakan asumsi yag harus dipenuhi dalam analisis
regresi linier sederhana maupun berganda untuk mengetahui apakah data yang
digunakan mengikuti sebaran normal atau tidak, maka dilakukan uji normalitas.
Dalam uji normalitas, yang diuji adalah residualnya. Untuk menguji residual
berdistribusi normal atau tidak dapat dilakukan dengan melihat normal P-P plot.

35
 Gambar 5.1 Normal P-P Plot Banyaknya Shortage
Berdasarkan Gambar 5.1 dapat dilihat bahwa residual membentuk pola pada garis
normal, maka dapat disimpulkan bahwa data berdistribusi normal. Dalam uji
normalitas juga dapat digunakan uji Kolmogorof Smirnov, sebagai berikut:

Hipotesis
0 : Residual data berdstribusi normal.
1 : Residual data tidak berdstribusi normal.

Kriteria uji
Signifikansi < 0.05, maka 0 ditolak.
Signifikansi > 0.05, maka 0 diterima.

Statistik uji

Tabel 5.4 Uji Normalitas Kolmogorof Smirnov

Unstandardiz
ed Residual
N 30
Kolmogorov-Smirnov Z 1,151
Asymp. Sig. (2-tailed) ,141

36
Berdasarkan Tabel 5.4 Diperoleh nilai probabilitas = 0,141 > 0,05, maka 0 ditolak.
Artinya residual data berdistribusi normal.

5.2.3 Uji Heteroskedastisitas

Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan
varian dari residual untuk semua pengamatan pada model regresi.
Pada laporan ini peneliti menggunakan uji glesjser untuk melihat apakah ada
ketidak samaan variansi residual dari suatu pengamatan ke pengamatan lain.
Dengan mengkorelasikan nilai independen dengan nilai unstandardized residual.

Hipotesis
0 : Data tidak bersifat heterokedastisitas
1 : Data bersifat heterokedastisitas

Kriteria uji
Jika nilai probabilitas (sign) > 0,05 maka 0 diterima
Jika nilai probabilitas < 0,05 maka 0 ditolak

Statistik Uji

Tabel 5.5 Hasil Uji Heteroskedastisitas

Model Unstandardized Standardize t Sig.

Coefficients d
Coefficients
B Std. Error Beta
(Constant) -14,675 102,428 -,143 ,887
1
Produksi ,001 ,002 ,124 ,664 ,512

Berdasarkan Tabel 5.5 diperoleh nilai sig. = 0,512 > 0,05 maka 0 diterima dan
dapat disimpulkan tidak terjadi heteroskedastisitas.

5.2.4 Uji Autokorelasi

Dalam penelitian ini statistk uji yang digunakan adalah uji Durbin-Watson
(DW test) untuk mendeteksi ada atau tidaknya autokorelasi.

37
 Hipotesis
0 : Data bersifat autokorelasi
1 : Data tidak bersifat autokorelasi

Kriteria uji
Jika < < 4 , maka autokolerasi sama dengan 0, artinya tidak
ada autokolerasi.
Jika < , maka koefisien autokorelasi lebih besar daripada 0, artinya
ada autokorelasi positif.
Jika < < , maka tidak dapat disimpulkan.
Jika nilai > 4 , koefisien autokorelasi lebih besar daripada 0,
artinya ada autokorelasi negatif.
Jika 4 < < 4 , maka tidak dapat disimpulkan.

Statistik Uji
Tabel 5.6 Uji Durbin-Watson

Model R R Adjusted Std. Error of Durbin-

Square R Square the Estimate Watson
1 ,387a ,150 ,120 84,94197 2,355

Berdasarkan Tabel 5.6 Diperoleh nilai = 2,355, pada kasus ini dengan
menggunakan taraf signifikan = 0.05, jumlah sampel () sebanyak 30 observasi,
dan jumlah variabel bebas sebanyak 1 maka berdasarkan tabel Durbin Watson
diperoleh nilai = 1,13 dan nilai = 1,26. Karena = 1,26 < =
2,355 < 4 = 2,74 artinya data tidak bersifat autokorelasi.

5.3 Hasil Penaksiran Parameter Regresi Linier Sederhana

Dengan menggunakan program SPSS diperoleh hasil olahan data yang dapat
disusun estimasi model regresi linier sederhana sebagai berikut:
Tabel 5.7 Hasil Penaksiran Parameter

Model B
(Constant) 143,427
Produksi -,006

38
 Berdasarkan Tabel 5.7 maka diperoleh model regresi jumlah produksi
terhadap banyaknya shortage adalah:
= 143,427 0,006
Dari model regresi diatas, maka jumlah produksi memberikan pengaruh
negatif yang kecil terhadap banyaknya shortage, artinya dalam setiap produksi 1
cone benang maka akan memberikan pengaruh sebesar 0.006 terhadap banyaknya
shortage.

5.3.1 Pengujian Simultan (Uji F)

Uji simultan (uji F) untuk mengetahui pengaruh dari variabel bebas (jumlah
produksi) terhadap variabel terikat (banyaknya shortage) secara serentak atau
bersama- sama.

Hipotesis
0 : 1 = 0, Jumlah produksi tidak berpengaruh signifikan terhadap
banyaknya shortage.
1 : 1 0, Jumlah produksi berpengaruh signifikan terhadap banyaknya
shortage.

Kriteria uji
Jika > , maka 0 ditolak.
Jika < , maka 0 diterima.

Dimana : = (1 , 2 ) 1 = = 1
= 2 = 1 = 2

Statistik uji

Tabel 5.8 ANOVA

Sumber Derajat Jumlah Kuadrat F

Variasi Bebas (db) Kuadrat Tengah
Regression 1 35641,480 35641,480 4,940
Residual 28 202023,886 7215,139
Total 29 237665,367

39
 Berdasarkan Tabel 5.8 diproleh nilai = 4.940 dan nilai
didapatkan dengan = 0.05 dan 1 = jumlah variabel bebas dan 2 = jumlah data
banyaknya variabel , maka didapat nilai = 4,20. Maka nilai =
4.940 > 4,20 = , maka 0 ditolak, artinya jumlah produksi berpengaruh
signifikan terhadap banyaknya shortage.

5.3.2 Pengujian Parsial (Uji t)

Selanjutnya akan dilakukan uji parsial (uji t) yaitu uji yang bertujuan untuk
mengetahui pengaruh variabel bebas (suhu udara) terhadap variabel terikat
(kelembaban udara) secara parsial atau sendiri- sendiri.

Hipotesis
0 : 1 = 0, Jumlah produksi tidak berpengaruh signifikan terhadap
banyaknya shortage.
1 : 1 0, Jumlah produksi berpengaruh signifikan terhadap banyaknya
shortage.

Kriteria uji
> , maka 0 ditolak.
< , maka 0 diterima.
Dimana
= (, )
=
= 2
Statistik uji
Tabel 5.9 Hasil Uji t

Model t Sig.

Konstanta 1,063 ,297

1
Produksi -2,223 ,034

40
 Berdasarkan Tabel 5.9 di atas diperoleh nilai untuk jumlah produksi
sebesar 2,223, sedangkan didapatkan dengan = 0.05 dan = jumlah data
banyaknya variabel, maka didapat nilai = 1,701. Karena nilai =
2,223 > 1,701 = berakibat 0 ditolak, artinya jumlah produksi
berpengaruh signifikan terhadap banyaknya shortage.

5.3.3 Koefisien Determinasi ( )

Koefisien Determinasi ( 2 )menjelaskan banyaknya variansi yang dapat
dijelaskan oleh model regresi. Koefisien Determinasi ( 2 ) digunakan untuk
mengukur pengaruh variabel bebas terhadap variansi variabel terikat, dengan 0 <
( 2 ) < 1.

Tabel 5.10 Model Summary

Model R R Square
1 ,387a ,150

Berdasarkan Tabel 5.10 diperoleh nilai 2 = 0.150, artinya bahwa variabel

bebas (jumlah produksi) mempengaruhi variabel terikat (banyaknya shortage)
sebesar 15% sedangkan 85% variabel banyaknya shortage dipengaruhi oleh faktor
lainnya.

41
 BAB VI
PENUTUP

6.1 Kesimpulan
Dari hasil pengolahan data jumlah produksi dan banyaknya shortage di PT.
Coats Rejo Indonesia periode Januari 2016, dapat disimpulkan bahwa antara
variabel jumlah produksi dengan banyaknya shortage memiliki hubungan atau
keterkaitan satu sama lain dan diperoleh nilai korelasi sebesar 0,387, ini
menunjukkan hubungan antara suhu udara dan kelembaban udara kurang erat. Dari
hasil pengolahan data juga diketahui bahwa jumlah produksi mempengaruhi
banyaknya shortage sebesar 15%, dan didapat model regresi jumlah produksi
terhadap banyaknya shortage di PT. COATS REJO INDONESIA adalah sebagai
berikut:
= 143,427 0,006
Dimana
= Banyaknya shortage di PT. COATS REJO INDONESIA periode Januari
2016 (cones)
= Jumlah produksi PT. COATS REJO INDONESIA periode Januari 2016
(cones)
Dari model regresi diatas, maka jumlah produksi memberikan pengaruh
negatif yang kecil terhadap banyaknya shortage, artinya dalam setiap produksi 1
cone benang maka akan memberikan pengaruh sebesar 0.006 terhadap banyaknya
shortage.

6.2 Saran
Pada Laporan Praktek Kerja Lapangan kali ini hanya membahas satu faktor
yang mempengaruhi banyaknya shortage. Bagi peneliti selanjutnya, dapat
menggunakan beberapa faktor lain yang mempengaruhi banyaknya shortage dan
dengan menggunakan metode runtun waktu lainnya.

42
 REFERENSI

[1] Assauri, S, 1980, Manajemen Produksi, Jakarta : PPFE-UI.

[2] https://id.wikipedia.org/wiki/Benang
[14/2/2016 14.15 WIB]

[3] https://id.wikipedia.org/wiki/Produksi
[14/2/2016 14.20 WIB]

[4] http://www.cahangon.net/statistik/regresi-linier-sederhana.html
[12/2/2016 19.15 WIB]

[5] https://id.wikipedia.org/wiki/Regresi_Linier_Sederhana
[12/2/2016 19.22 WIB]

[6] Hillier S, Frederick dan Lieberman J, Gerald, 1994, Pengantar Riset Operasi
Edisi Lima, Jakarta : Erlangga.

[7] http://www.fp.unud.ac.id/ind/wpcontent/uploads/mkpsagribisnis/ekonomit
rika/2_.%20%20Analisis%20Regresi%20Linier%20Sederhana.pdf
[13/2/2016 16.15 WIB]

[8] http://www.statistikian.com/2012/08/regresi-linear-sederhana-dengan-spss
.html
[20/2/2016 10.15 WIB]

43