HASIL PENELITIAN DAN PEMBAHASAN
4.3 Analisis Regresi Linear Berganda
Analisis regresi linear berganda berfungsi untuk mengetahui pengaruh variabel bebas (independent variable) yaitu Merek (X1), Kemasan, (X2), Layanan Pelengkap (X3), Jaminan (X4) dan Label Halal (X5), terhadap variabel terikat (dependent variable) yaitu Keputusan Pembelian (Y).Perhitungan persamaan regresi linear berganda adalah sebagai berikut :
Y = β + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 +
ε
Tabel 4.9
Hasil Regresi Linear Berganda Coefficientsa
Unstandardized Standardized
Model Coefficients Coefficients t Sig.
B Std. Error Beta
Dari Tabel 4.12 diketahui kolom Unstandardized Coefficients pada bagian b diperoleh nilai b1 Merek sebesar 0,165, nilai b2 Kemasan 0,249,nilai, b3Layanan Pelengkap 0,053, niai b4 0,252, nilai b5 0,653 dan nilai konstanta (a) adalah -2,777 maka diperoleh persamaan regresi linier berganda sebagi berikut:
Y = -2,777 + 0,165X1+ 0,249 X2+ 0,053 X3 + 0,252 X4 + 0,653 X5
Persamaan regresi linier berganda tersebut dapat diuraikan sebagai berikut:
1. Konstanta (a) = -2,777, nilai konstanta bernilai negatif artinya jika variabel bebas yaitu Merek, Kemasan, Layanan Pelengkap, Jaminan dan Label Halal bernilai nol, maka Keputusan Pembelian bika ambon Ahun Medanmengalami penurunan sebesar -2,777
2. Koefisien regresi X1 (b1) = 0,165, Variabel Merek (X1)berpengaruh positif dansignifikan terhadap keputusan pembelian, ini dapat dilihat dari nilai signifikan sebesar 0,002 yang lebih kecil dari nilai alpha/probabilitas (0,002
< 0,05) artinya jika faktor Merek meningkat sebesar satu satuan maka
Keputusan Pembelian bika ambon Ahun Medan Medan akan meningkat 0,165 satuan.
3. Koefisien regresi X2 (b2) = 0,249, Variabel Kemasan (X2) berpengaruh positif dansignifikan terhadap keputusan pembelian, ini dapat dilihat dari nilai signifikan sebesar 0,010 yang lebih kecil dari nilai alpha/probabilitas (0,010< 0,05) artinya jika variabel Kemasan meningkat sebesar satu satuan maka Keputusan Pembelian bika ambon Ahun Medan Medan akan meningkat 0,249 satuan.
4. Koefisien regresi X3 (b3) = 0,053, Variabel Layanan Pelengkap (X3) berpengaruh positif dan tidak signifikan terhadap Keputusan pembelian, ini dapat dilihat dari nilai signifikan sebesar 0,398 yang lebih besar dari nilai alpha/probabilitas (0,398> 0,05) artinya jika variabelLayanan Pelengkap meningkat sebesar satu satuan maka Keputusan Pembelian bika ambon Ahun Medan akan turun sebesar 0,053 satuan.
5. Koefisien regresi X4 (b4) = 0,252, Variabel Jaminan (X4)berpengaruh positif dansignifikan terhadap keputusan pembelian, ini dapat dilihat dari nilai signifikan sebesar 0,003 yang lebih kecil dari nilai alpha/probabilitas (0,003 <
0,05) artinya jika faktor Jaminan meningkat sebesar satu satuan maka Keputusan Pembelian bika ambon Ahun Medan akan meningkat sebesar0,252 satuan.
6. Koefisien regresi X5 (b5) = 0,653, Variabel Label Halal (X5) berpengaruh positif dansignifikan terhadap keputusan pembelian, ini dapat dilihat dari nilai signifikan sebesar 0,000 yang lebih kecil dari nilai alpha/probabilitas (0,000 < 0,05) artinya jika faktor Label Halal meningkat sebesar satu satuan
maka Keputusan Pembelian bika ambon Ahun Medan akan meningkat sebesar 0,653 satuan.
4.4 Uji Asumsi Klasik
1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal Situmorang (2014:175). Untuk melihat apakah data berdistribusi normal penulis menganalisis grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal dan juga menganalisis probalitas plot yang membentuk plot antara nilai-nilai teoritis (sumbu x) dengan nilai-nilai yang didapat dari sampel (sumbu y).
Pada grafik histogram, dikatakan bahwa variabel berdistribusi normal pada grafik histogram yang berbentuk lonceng apabila distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan. Hasil pengujian dapat dilihat pada grafik berikut ini:
Sumber: Lampiran 12
Gambar 4.1
Histogram Pada Uji Normalitas
Gambar 4.1 dapat dilihat bahwa residualdata berdistribusi normal, hal tersebutditunjukkan oleh distribusi data yang berbentuk loncengdan tidak menceng ke kiri atau ke kanan.
Apabila plot dari keduanya berbentuk linear (dapat didekati oleh garis lurus), maka hal ini merupakan indikasi bahwa residual menyebar normal. Bila pola titik-titik yang selain diujung-ujung plot agak menyimpang dari garis lurus, dapat dikatakan bahwa sebaran data (dalam hal ini residual) adalah menyebar normal. Berikut ini merupakan hasil Normal P-Plot of Regression Standardized Residual. Pada Gambar 4.7 Normal P Plot terlihat titik-titik mengikuti data disepanjang garis normal, hal ini berarti residual data berdistribusi normal. Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal maka dilakukan uji Kolmogorov-Smirnov Test.
Berikut ini merupakan hasil uji Kolmogorov-Smirnov Test:
Sumber: Lampiran 13
Gambar 4.2
Normal P-Plot Pada Uji Normalitas
Pada Gambar 4.7 Normal P Plot terlihat titik-titik mengikuti data disepanjang garis normal, hal ini berarti residual data berdistribusi normal. Untuk
memastikan apakah data di sepanjang garis diagonal berdistribusi normal maka dilakukan uji Kolmogorov-Smirnov Test. Berikut ini merupakan hasil uji Kolmogorov-Smirnov Test:
Tabel 4.10 Analisis Statistik
One-Sample Kolmogorov-Smirnov Test
Sumber: Lampiran 14
Berdasarkan Tabel 4.9 diketahui bahwa Asymp. Sig. (2 tailed) adalah 0,838 dan di atas nilai signifikan (0,05), dengan demikian variabel residual berdistribusi normal. Nilai Kolmogorov-Smirnov Z lebih kecil dari 1,96 berarti tidak ada perbedaan antara distribusi teoritik dan distribusi empirik atau dengan kata lain data dikatakan normal.
2. Uji Heteroskedastisitas
Pengujian heteroskedastisitas ini digunakan dalam model regresi untuk melihat terjadi ketidaksamaan varians dariresidual satu ke pengamatan yang lain.Jika varians berbeda disebutheteroskedastisitas.Model yang paling baik adalah tidak terjadi heteroskedastisitas.Cara mendeteksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat pada gambar Scatterplot Model dan Uji Glejser. Analisis pada gambar Scatterplot yang menyatakan
model regresi linear berganda tidak terdapat heteroskedastisitas jika:
a. Titik-titik data menyebar di atas dan di bawah atau disekitar angka 0.
b. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja.
c. Penyebaran titik-titiktidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
Untuk mengatasi kelemahan dapat menggunakan pendekatan statistik dengan uji glejser, heteroskedastisitas tidak akan terjadi apabila tidak satupun variabel independennya signifikan secara statistik mempengaruhi variabel terikat nilai absolute (abs). Jika probabilitas signifikannya di atas tingkat kepercayaan 5% dapat disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
1) Pendekatan Grafik,
Berikut ini grafik heteroskedastisitas pada Gambar 4.3:
Sumber: Lampiran 15
Gambar 4.3
Grafik Heteroskedastisitas
Melalui analisis grafik, suatu model regresi dianggap tidak terjadi heteroskedastisitas jika titik-titik menyebar secara acak dan tidak membentuk suatu pola tertentu yang jelas serta tersebar di atas maupun dibawah angka nol pada sumbu Y. Maka pada Gambar 4.3 menunjukkan bahwa titik-titik menyebar secara acak maka tidak terjadi heteroskedastisitas.
2) Pendekatan Statistik
Melalui pendekatan statistik dapat dilakukan melalui Uji Glejser. Hasil pengolahan uji Glejser dapat dilihat pada Tabel 4.10 berikut ini:
Tabel 4.11
Hasil Uji Glejser Heteroskedastisitas Coefficientsa
Unstandardized Standardized
Model Coefficients Coefficients T Sig.
B Std. Error Beta independen yang signifikan secara statistik mempengaruhi variabel terikat absolute Ut(absUt). Dilihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5%, jadi dapatdinyatakan bahwa model regresi tidak mengarah adanya heteroskedastisitas.
3. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas. Dalam model regresi yang baik seharusnya tidak saling korelasi diantara variabel bebas (tidak terjadi multikolinearitas).Multikolinearitas dapat dilihat dari nilai tolerance dan lawannya, yaitu Variance Inflation Factor (VIF).
Tolerance mengukur variabilitas variabel terpilih yang tidak dijelaskan oleh variabel bebas lainnya. Nilai umum yang biasa dipakai adalah nilai Tolerance>0,1atau nilai VIF < 10, maka tidak terjadi Multikolinieritas (Situmorang, 2014:177).Untuk mendeteksi ada atau tidaknya multikolinieritas dapat dilakukan dengan melihat toleransi variabel dan Variance Inflation Factor (VIF) dengan membandingkan sebagai berikut:
a. VIF >10 maka diduga mempunyai persoalan multikolinieritas.
b. VIF ≤ 10 maka tidak terdapat multikolinieritas.
c. Tolerane < 0,1 maka diduga mempunyai persoalan multikolinieritas.
d. Tolerance ≥ 0,1 maka tidak terdapat multikolinieritas.
Tabel 4.12
Hasil Uji Multikolinearitas oefficientsa
Model Collinearity Statistics
Tolerance VIF
(Constant)
Merek ,973 1,027
Kemasan ,856 1,168
LayananPelengkap ,433 2,307
Jaminan ,355 2,816
LabelHalal ,444 2,254
Sumber: Lampiran 17
Dari Tabel 4.11 memperlihatkan bahwa nilai VIF X1 (1,027), X2 (1,168), X3 (2,307), X4 (2,816) dan X5 (2,254) <10 maka tidak terjadi Multikolinieritas. Dan dari nilai Tolerance X1 (0,973), X2 (0,856), X3 (0,433), X4 (0,355) dan X5 (0,444)> 0,1maka tidak terjadi multikolinieritas.