Oleh
NOVIA SARI
1112094000010
JAKARTA
2016 M/ 1437 H
LEMBAR PENGESAHAN
Menyetujui,
Pembimbing I Pembimbing II
Mengetahui,
Ketua Program Studi Matematika
ii
KATA PENGANTAR
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.
Penulis
iv
DAFTAR ISI
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
viii
DAFTAR GAMBAR
ix
DAFTAR LAMPIRAN
x
BAB I
PENDAHULUAN
1
c. Bagaimana model regresi untuk pengaruh jumlah produksi benang
terhadap banyaknya shortage yang dihasilkan?
2
BAB II
PROFIL PT. 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
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
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.
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
Managing Director
Apparel Wareho IT
Speciality Business EHS QA in
Sales use & Mgr
Prod Mgr Dev Mgr Manager Charge
Mgr Distr.
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
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.
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.
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
= 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.
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)
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 .
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.
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)
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
(2) ( (0 + 1 ))( ) = 0
0 1 2 = 0 (3.12)
Persamaan di atas disebut persamaan normal 2.
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
2
2 = 2 disebut jumlah kuadrat X (JKX)
= disebut JHK XY
+ 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)
= ( 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. =
24
= (3.28)
( 2 )
0 = 0 = (3.31)
25
1 = 1 = (3.32)
= (3.33)
2 ( )2 2 ( )2
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 ]
[ ]
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:
= | |
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
2
= 1 6 ( )
( 2 1)
dimana
29
= selisih rangking standar deviasi () dan ranking nilai mutlak error ()
= banyaknya sampel
=1( 1 )2
=
=1 2
Keterangan :
= residual pada waktu ke-
1 = residual pada waktu ke- 1 (sebelumnya)
30
BAB IV
METODE PENELITIAN
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
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
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
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.
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
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.
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
Berdasarkan Tabel 5.5 diperoleh nilai sig. = 0,512 > 0,05 maka 0 diterima dan
dapat disimpulkan tidak terjadi heteroskedastisitas.
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
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.
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.
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
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.
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.
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.
Model R R Square
1 ,387a ,150
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
[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