Pendidikan Terakhir
4.9 Analisis Regresi Linear Berganda : Pengaruh CEM Terhadap Citra TELKOM Speedy TELKOM Speedy
a. Uji Asumsi Klasik
Model regresi linear berganda dapat disebut sebagai model yang baik, jika model tersebut bebas dari asumsi klasik statistik, diantaranya normalitas, multikolinearitas dan heteroskedastisitas. Dalam hal ini tidak dibahas uji autokorelasi, karena data yang digunakan bukan bersifat time
series ataupun cross section.
1) Normalitas
Data yang digunakan merupakan data ordinal yang diperoleh melalui skala Likert, sehingga pada proses pengolahan dibutuhkan uji normalitas terlebih dahulu. Berdasarkan hasil uji normalitas dengan uji Kolmogorov-Smirnov, diketahui bahwa nilai asymp.sig. (2-tailed) adalah 0,08 lebih besar dari alpha 0,05, maka dapat dikatakan bahwa nilai residual terstandardisasi dan data menyebar secara normal. Hasil uji normalitas dapat dilihat pada Lampiran 5.
2) Multikolinearitas
Uji multikolinearitas diperlukan untuk mengetahui ada tidaknya peubah independen yang memiliki kemiripan dengan peubah independen lain dalam satu model. Kemiripan antar peubah independen akan menyebabkan terjadinya korelasi yang sangat kuat antara suatu peubah independen dengan peubah independen yang lain. Deteksi terhadap multikolinearitas juga bertujuan untuk menghindari kebiasan dalam proses pengambilan kesimpulan mengenai pengaruh pada uji parsial masing-masing peubah independen terhadap peubah dependen (Tabel 16).
Deteksi multikolinearitas pada suatu model dapat dilihat dari nilai Variance Inflation Factor (VIF) tidak lebih dari 10 dan nilai
Tolerance tidak kurang dari 0,1. Semakin tinggi VIF maka semakin
rendah Tolerance. Pada Tabel 16 dapat dilihat nilai VIF pada masing-masing peubah independen tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1, maka dapat dikatakan model regresi linear berganda
terbebas dari asumsi klasik statistik multikolinearitas dan dapat digunakan dalam penelitian.
Tabel 16. Hasil uji multikolinearitas
Peubah Collinearity Statistic Keterangan Tolerance VIF Produk (X1) 0,507 1,971 Tidak terjadi multikolinearitas Pelayanan (X2) 0,589 1,699 Saluran (X3) 0,581 1,722 Promosi (X4) 0,396 2,522 Merek (X5) 0,426 2,347 3) Heteroskedastisitas
Cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari pola diagram pencar model tersebut. Analisis diagram pencar menyatakan bahwa pada model regresi linear berganda tidak terdapat heteroskedastisitas, karena titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0, titik-titik data tidak mengumpul hanya di atas atau di bawah saja, penyebaran titik-titik data tidak membentuk pola bergelombang melebar dan menyempit, serta penyebaran titik tidak berpola. Diagram pencar pada model regresi dapat dilihat pada Lampiran 6.
b. Persamaan Regresi Linear Berganda
Peubah independen pada penelitian ini adalah produk, pelayanan, saluran, merek dan promosi. Sedangkan peubah dependen adalah citra. Untuk mengetahui seberapa besar kemampuan peubah independen menjelaskan peubah dependen pada regresi linear berganda dapat dilihat dari nilai Adjusted R Square pada Tabel Model Summary (Lampiran 7). Pada penelitian ini didapatkan hasil dari Adjusted R Square adalah 0,688, artinya 68,8% peubah dependen citra Telkom Speedy dapat dijelaskan oleh peubah independen CEM dan sisanya (31,2%) dijelaskan oleh peubah lain diluar peubah yang digunakan, maka model regresi linear berganda layak dipakai.
Pada Tabel Model Summary peubah CEM (X) terhadap citra TELKOM Speedy (Y) (Lampiran 7), diketahui bahwa nilai R adalah
83,9% yang merupakan nilai untuk mengukur keeratan hubungan antara peubah citra Telkom Speedy dengan semua peubah CEM. Error term yang terdapat pada model regresi adalah 37,91%. Data yang digunakan untuk membuat persamaan regresi adalah besaran koefisien regresi pada kolom
Unstandardized Coefficient pada tabel Coefficient ß (Lampiran 7).
Berdasarkan hal tersebut, maka model regresi pada penelitian ini adalah : Ŷ= 0,493 + 0,561 X1 + 0,019 X2 – 0,125 X3 + 0,220 X4 + 0,202 X5…….(6)
Peubah X1 – X5 dinyatakan memiliki pengaruh terhadap Ŷ apabila nilai nyata t hitung kurang dan sama dengan 0,05. Sesuai dengan hasil olahan data yang diperoleh, maka model regresi di atas dapat diinterpretasikan sebagai berikut :
1. Nilai koefisien konstanta adalah 0,493, maka bila nilai peubah independen X1 – X5 adalah konstan, maka peubah dependen (Ŷ) bernilai 0,493.
2. Peubah X1 (produk) memiliki tingkat nyata (α) 0,000 menunjukkan peubah produk memiliki pengaruh nyata terhadap citra TELKOM
Speedy. Nilai koefisien regresi yang dimiliki positif 0,561 dan memiliki
pengaruh terhadap Ŷ.
3. Peubah X2 (pelayanan) memiliki tingkat nilai nyata (α) 0,776 menunjukkan peubah pelayanan tidak memiliki pengaruh terhadap citra TELKOM Speedy. Nilai koefisien regresi yang dimiliki positif 0,019. 4. Peubah X3 (saluran) memiliki tingkat nilai nyata (α) 0,161 menunjukkan
peubah saluran tidak memiliki pengaruh terhadap citra TELKOM
Speedy. Nilai koefisien regresi yang dimiliki -0,125.
5. Peubah X4 (promosi) memiliki tingkat nilai nyata (α) 0,050 menunjukkan peubah promosi memiliki pengaruh terhadap citra TELKOM Speedy. Nilai koefisien regresi yang dimiliki positif 0,220 dan berpengaruh terhadap Ŷ.
6. Peubah X5 (merek) memiliki tingkat nilai nyata (α) 0,013. Hal ini menunjukkan bahwa peubah merek memiliki pengaruh terhadap citra TELKOM Speedy. Nilai koefisien regresi yang dimiliki positif 0,202 dan berpengaruh terhadap Ŷ.
Berdasarkan penjelasan di atas, dapat dibuat persamaan regresi dengan hanya melibatkan peubah X yang memiliki pengaruh terhadap peubah Ŷ, yaitu :
Ŷ= 0,493 + 0,561 X1 + 0,220 X4 + 0,202 X5……….(7) Identifikasi peubah CEM yang paling berpengaruh terhadap Ŷ dilakukan dengan melihat koefisien regresi pada tabel Coefficients kolom Unstandardized Coefficients yang paling besar. Tiga peubah X yang memiliki pengaruh nyata terhadap Ŷ adalah X1, X4 dan X5, dengan nilai koefisien masing-masing 0,561, 0,220 dan 0,202. Koefisien regresi X1 lebih besar daripada X4 dan X5, sehingga dapat dinyatakan bahwa peubah X1 (produk) memiliki pengaruh paling dominan terhadap citra TELKOM Speedy. Hasil pengolahan analisis regresi linear berganda dapat dilihat pada Lampiran 7.
1) Uji F
Pengolahan uji F dilakukan dengan bantuan software SPSS
Data Editor untuk memunculkan tabel ANOVA. Hasil Uji F
menunjukkan peubah independen secara bersama-sama berpengaruh terhadap peubah dependen karena nilai pada kolom Sig lebih kecil dari taraf nyata yang ditentukan (0,05). Nilai nyata dari uji F adalah 0,000, maka dapat dikatakan model regresi peubah CEM secara bersama-sama berpengaruh terhadap citra TELKOM Speedy. Hasil pengolahan Uji F dapat dilihat pada Lampiran 7.
2) Uji t
Pengolahan uji t dilakukan untuk mengetahui besarnya pengaruh masing-masing peubah independen secara individual (parsial) terhadap peubah dependen. Hasil uji ini pada output SPSS dapat dilihat pada tabel Coefficient. Sebagai ilustrasi, nilai dari uji t dapat dilihat dari nilai pada kolom Sig pada masing-masing peubah independen dibandingkan taraf nyatanya, yang digunakan 0,05. Dari lima peubah X yang diidentifikasi hanya tiga peubah CEM yang berpengaruh terhadap citra TELKOM Speedy, yaitu peubah produk, promosi dan merek.
Nilai pada kolom standard error pada Tabel Coefficients merupakan nilai toleransi (rentang nilai yang dibolehkan) yang terjadi pada masing-masing koefisien regresi. Nilai yang kecil pada kolom standard error berarti nilai koefisien tidak mudah berubah. Hasil pengolahan Uji t dapat dilihat pada Lampiran 7.