HASIL DAN PEMBAHASAN
D. Kegiatan Operasional 1.Karyawan
4.3 Analisis Statistik
4.3.1 Analisis Regresi Linear Berganda
Analisis regresi linier berganda digunakan dengan maksud meramalkan bagaimana keadaan variabel dependen atau variabel terikat, bila dua atau lebih variabel independen atau variabel bebas dinaik turunkan nilainya (Sugiyono, 2003:210).
Model persamaan yang digunakan dalam penelitian ini adalah sebagai berikut: Y = a + b
1X1 + b2X2 + b3X3 + b4X4 + e
Dimana:
Y = Variabel Minat Beli a = konstanta
b1-b4 = Koefisien Regresi X1 = Skor dimensi Harga
X2 = Skor dimensi Kualitas Produk X3 = Skor dimensi Pelayanan
X4 = Skor dimensi Psikologis
Sebelum melakukan analisis regresi beranganda, penulis melakukan pengujian asumsi klasik. Pengujian asumsi klasik dilakukan untuk mendapatkan hasil penelitian yang BLUE (Best Linear Unbiased Estimation) atau perkiraan yang efisien dan tidak bias. Kriteria pengujian asumsi klasik yang harus dipenuhi, yaitu:
1. Uji Normalitas
Uji Normalitas bertujuan untuk mengetahui apakah residual yang diteliti berdistribusi normal atau tidak. Distribusi data tidak normal, karena terdapat nilai ekstrem data yang diambil. Ada dua cara yang dapat digunakan untuk uji normalitas yaitu:
a. Analisis Grafik
Normalitas data dapat dilihat melalui penyebaran titik pada sumbu diagonal dari P-Plot atau dengan melihat histogram dari residualnya.
Dasar pengambilan keputusannya sebagai berikut:
Apabila data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal maka model regresi memenuhi asumsi normalitas. Apabila data menyebar jauh dari diagonalnya atau tidak mengikuti arah garis diagonal atau grafik histogram maka model regresi tidak memenuhi asumsi normalitas. Hasil dari data analisis Grafik P-Plot Uji normalitas adalah sebagai berikut:
Gambar 4.12 Hasil Uji Normal P-P Plot Of Regression Standardized Residual.
Sumber: Hasil Pengolahan data primer SPSS 16,00 (Juni, 2011).
Pada Gambar 4.12, P-P Plot menunjukkan bahwa titik – titik menyebar disekitar garis diagonal dan mengikuti garis diagonal, maka dapat disimpulkan bahwa data yang diperoleh berdistribusi normal.
b. Analisis Statistik
Pengujian normalitas yang didasarkan pada uji statistic non parametrik Kolmogorof – Smirnov (K–S). Menurut Umar (2008:181) bahwa, apabila pada hasil uji Kolmogorov Smirnov, nilai Asymp.Sig
(2-tailed) lebih besar dari 0,05(α =5%, tingkat signifikan) maka data berdistribusi normal. Berikut adalah Tabel 4.13 hasil uji Kolmogorov Smirnov.
Tabel 4.13
Hasil Uji Kolmogorov Smirnov One-Sample Kolmogorov-Smirnov Test
VAR00005
N 71
Normal Parametersa Mean 14.8732
Std. Deviation 1.82780
Most Extreme Differences Absolute .269
Positive .269
Negative -.266
Kolmogorov-Smirnov Z 2.265
Asymp. Sig. (2-tailed) .435
Sumber: Hasil pengolahan data primer SPSS 16,00 (Juni, 2011)
Menurut Umar (2008:181) bahwa, apabila pada hasil uji Kolmogorov Smirnov, nilai Asymp. Sig (2-tailed) lebih besar dari 0.05 (α =5%, tingkat signifikan) maka data berdistribusi normal.
Pada tabel 4.13 dapat dilihat probabilitas hasil uji Kolmogorov Smirnov yaitu 0,435 lebih besar dari 0,05, sehingga model regresi yang dapat dilihat adalah berdistribusi normal.
2. Uji Multikolinieritas
Uji ini bertujuan untuk menguji apakah di dalam model regresi linear ditemukan adanya korelasi yang tinggi diantara variabel bebas. Ada atau tidaknya multikolinieritas antar variabel dapat diketahui dengan melihat nilai dari variance inflation factor (VIF) dari masing – masing variabel independent terhadap variabel dependent.
Pengambilan Keputusannya:
VIF > 5 maka diduga mempunyai persoalan multikolinieritas VIF < 5 maka tidak terdapat multikolonieritas.
Tolerance < 0,1 maka diduga mempunyai persoalan multikolinieritas. Tolerance > 0,1 maka tidak terdapat multikolinieritas.
Pengujian multikolinieritas dapat dilihat pada tabel 4.14 beriku ini: Tabel 4.14
Hasil Uji Multikolinieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.696 .997 2.705 .009
VAR00001 .117 .110 .080 1.060 .293 .750 1.333
VAR00002 .174 .117 .163 1.489 .141 .356 2.808
VAR00003 .133 .132 .122 1.013 .315 .293 3.412
VAR00004 .741 .141 .589 5.255 .000 .341 2.932
a. Dependent Variable: Minat Beli
Sumber : Hasil Pengolahan data primer SPSS 16,00 (Juni, 2011)
Berdasarkan tabel 4.14 di atas, terlihat untuk semua variabel indepenen memiliki VIF < 5 dan nilai tolerance 0.1. Hal ini dapat disimpulkan bahwa model regresi tersebut tidak terjadi multikolinieritas.
3. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah di dalam model regresi terjadi ketidaksamaan variance dari suatu residual pengamatan
kepengamatan lain. Ada dua cara yang dapat digunakan untuk mendeteksi gejala Heteroskedastisitas, yaitu:
a) Analisis Grafik
Gejala heteroskedastisitas dapat dilihat dengan menggunakan grafik Scatterflot. Apabila data yang terbentuk titik – titik tidak membentuk suatu pola atau menyebar, maka model regresi tidak terkena heteroskedastisitas.
Berikut adalah gambar Scatterplot untuk uji heteroskedastisitas:
Gambar 4.15 Scatterplot Uji Heteroskedastisitas Sumber: Hasil pengolahan SPSS 16,00 (Juni, 2011)
Pada Gambar 4.15 terlihat titik – titik menyebar secara acak, tidak membentuk maupun dibawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi.
b. Analisis Statistik
Gejala heteroskedastisitas juga dapat dideteksi melalui uji glejser. Tabel 4.16 berikut ini menunjukkan hasil pengujian
heteroskedastisitas dengan uji Glejser. Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 2.523 .562 4.485 .000 VAR00001 .144 .062 .263 2.313 .024 VAR00002 -.025 .066 -.063 -.382 .704 VAR00003 .212 .074 .520 2.860 .006 VAR00004 -.444 .080 -.941 -5.587 .368
a. Dependent Variable: absut
Sumber : Hasil pengolahan SPSS 16,00 (Juni, 2011)
Pada table 4.16 dapat dilihat bahwa semua variabel bebas tidak signifikan dengan variabel terikat. Hal ini ditunjukkan oleh nilai signifikan dari masing – masing variabel bebas lebih besar dari tingkat signifikansi α (sig > 0,05). Hal ini dapat disimpulkan bahwa data bebas dari heteroskedastisitas.
Berdasarkan hasil pengujian asumsi klasik di atas, ternyata data telah lulus uji asumsi klasik, sehingga data siap untuk di regresi linear berganda.
Hasil dari analisis regresi linear berganda dapat dilihat pada tabel 4.17
Analisis regresi linier berganda dalam penelitian ini menggunakan bantuan software SPSS 16,00 for Windows.
Tabel 4.17
Analisis Regresi Linier Berganda
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 2.696 .997 2.705 .009 Harga .117 .110 .080 1.060 .293 Kualitas .174 .117 .163 1.489 .141 Pelayanan .133 .132 .122 1.013 .315 Psikologis .741 .141 .589 5.255 .000
Sumber : Data primer diolah dengan SPSS 16.00 for Windows (Juni, 2011)
Hasil pengolahan data pada Tabel 4.17 kolom Unstandardized Coefficients bagian B diperoleh persamaan regresi linier berganda sebagai berikut:
Y = 2,696 + 0,117 X1 + 0,174 X2 + 0,133 X3 + 0,741 X4 Persamaan regresi tersebut dapat digambarkan sebagai berikut:
a. Konstanta (a) = 2,696. Ini menunjukkan bahwa jika tidak ada pengaruh variabel independent yaitu (X1, X2, X3, X4) berupa harga, kualitas, pelayanan dan psikologis maka minat beli konsumen akan tetap ada sebesar 26,96 %.
b. Koefisien X1 (b1) = 0,117. Ini menunjukkan bahwa variabel harga (X1)
berpengaruh positif terhadap minat beli konsumen di pabrik tempe H.M Yasin Medan.
c. Koefisien X2 (b2) = 0,174. Ini menunjukkan bahwa variabel kualitas (X2) berpengaruh positif terhadap minat beli konsumen di pabrik tempe H.M Yasin Medan, artinya setiap terjadi peningkatan kualitas sebesar 1 satuan maka pengaruh minat beli konsumen di pabrik tempe H.M Yasin Medan akan meningkat sebesar 0,17 satuan.
d. Koefisien X3 (b3) = 0,133. Ini menunjukkan bahwa variabel pelayanan (X3) berpengaruh positif terhadap minat beli konsumen di pabrik tempe H.M Yasin Medan, artinya setiap terjadi peningkatan pelayanan sebesar 1 satuan maka pengaruh minat beli konsumen di pabrik tempe H.M Yasin Medan akan meningkat sebesar 0,133 satuan.
e. Koefisien X4 (b4) = 0,741. Ini menunjukkan bahwa variabel psikologis (X4) berpengaruh positif terhadap minat beli konsumen di pabrik tempe H.M Yasin Medan, artinya setiap terjadi peningkatan psikologis sebesar 1 satuan maka pengaruh minat beli konsumen di pabrik tempe H.M Yasin Medan akan meningkat sebesar 0,741 satuan.
