Empat asumsi dasar yang tidak boleh dilanggar oleh regresi linier berganda, yaitu:
Uji Normalitas
Uji normalitas adalah suatu bentuk pengujian tentang kenormalan suatu data dengan tujuan untuk mengetahui apakah data yang diambil adalah data yang terdistribusi normal atau tidak. Untuk dapat melanjutkan ke dalam uji regresi linier berganda terlebih dahulu
METODE RISET
datanya harus normal. Lebih jelasnya silahkan buka kembali materi tentang uji normalitas.
Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara pengamatan pada periode t dengan pengamatan pada periode t-1. Model regresi yang baik seharusnya bebas autokorelasi.
Untuk mengetahui autokorelasi atau tidak dapat dilakukan dengan Uji Durbin Watson (DW) menurut Singgih Santoso (2000:218) secara umum angka Durbin Watson (DW) yang dapat dijadikan dalam pengambilan keputusan salah satunya adalah:
a. Bila nilai Durbin Watson lebih dari 2 (> 2) berarti terjadi autokorelasi.
b. Bila nilai Durbin Watson kurang dari 2 (< 2) berarti tidak terjadi autokorelasi.
Dibawah ini adalah contoh hasil SPSS untuk uji autokorelasi dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang”.
Tabel 4.1 Output Autokorelasi
Sumber: Skripsi, Sutrisni, Tahun 2010
Berdasarkan gambar diatas, didapat nilai Durbin Watson (DW) sebesar 1,864. Hal ini berarti nilai 1,864 < 2, artinya tidak ada autokorelasi pada model regresi.
METODE RISET
Cara yang dapat dilakukan jika terjadi autokorelasi, antara lain : Jika regresi kita memiliki autokorelasi, maka ada beberapa opsi penyelesaiannya antara lain :
a. Tentukan apakah autokorelasi yang terjadi merupakan pure
autocorrelation.
b. Jika yang terjadi adalah pure autocorrelation, maka solusi autokorelasi adalah dengan mentransformasi.
Uji Multikolonieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antarvariabel bebas (independent). Model regresi yang baik seharusnya bebas multikolinieritas atau tidak terjadi korelasi antarvariabel variabel bebas (independent).
Untuk mengetahui ada tidaknya gejala multikolinieritas di dalam model regresi, maka perlu diperhatikan hal-hal berikut ini:
a. Nilai Tolerance harus lebih besar dari 0,10
b. Nilai Variance Infaltion Factor (VIF) lebih kecil dari 10
Dibawah ini adalah contoh hasil SPSS untuk uji multikolonieritas dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang”.
Tabel 4.2 Output Multikolinieritas
METODE RISET
Berdasarkan gambar diatas diketahui bahwa nilai tolerance kelima variabel independen lebih besar dari 0.1 dan nilai VIF dari kelima variabel independen tersebut kurang dari 10, maka dapat disimpulkan bahwa tidak ada multikolinieritas.
Cara yang dapat dilakukan jika terjadi multikolonieritas, antara lain : Jika regresi kita memiliki multikolonieritas, maka ada beberapa opsi penyelesaiannya antara lain :
a. Menggabungkan data crossection dan time series (pooling data). b. Keluarkan satu atau lebih variabel independen yang mempunyai
korelasi tinggi dari model regresi.
c. Transformasi variabel merupakan salah satu cara mengurangi hubungan linier diantara variabel independen. Transformasi dapat dilakukan dengan bentuk logaritma.
d. Gunakan metode analisis yang lainnya.
Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik seharusnya bebas heteroskedastisitas.
Dengan melihat grafik plot antara nilai variabel terikat (SRESID) dengan residual (ZPRED). Jika ada pola tertentu, seperti titik-titik yang membentuk pola yang teratur (menyempit, melebar, maupun bergelombang) maka terjadi heterokedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah ataupun diatas angka 0 pada sumbu Y, maka terjadi homoskedastisitas.
Dibawah ini adalah contoh hasil SPSS untuk uji heteroskedastisitas dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan
METODE RISET
Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang” yang tidak terjadi heteroskedastisitas.
Gambar 4.1 Output Tidak Terjadi Heteroskedastisitas
Sumber: Skripsi, Sutrisni, Tahun 2010
Dari gambar diatas dapat dilihat bahwa tidak ada pola yang jelas, titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y, sehingga dapat disimpulkan bahwa tidak ada heteroskedastisitas.
Dibawah ini adalah contoh hasil SPSS untuk uji heteroskedastisitas dengan judul “Peran Variabel Citra Perusahaan, Kepercayaan Dan Biaya Perpindahan Yang Memediasi Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan” yang terjadi heteroskedastisitas.
METODE RISET
Dari gambar diatas dapat dilihat bahwa terdapat pola yang jelas, titik-titik membentuk garis mengikuti sumbu Y, sehingga dapat disimpulkan bahwa terdapat heteroskedastisitas.
Cara yang dapat dilakukan jika terjadi heteroskedastisitas, antara lain :
Jika regresi kita memiliki heteroskedastisitas, dengan cara pola heteroskedastisitas. Ada beberapa asumsi pola heteroskedastisitas antara lain :
a. Asumsi 1 : error varianceσ2
i terhadap X2 i. b. Asumsi 2 : error variance σ2
i terhadap variabel independen Xi atau disebut transformasi akar kuadrat.
c. Asumsi 3 : error varianceσ2
i terhadap kuadrat nilai Y. d. Asumsi 4 : lakukan transformasi dalam bentuk logaritma.
2. Persamaan Regresi Linier Berganda
Keterangan :
Y = Variabel Terikat (dependent variable)
α = Konstanta
β1 –βn = Koefisien Regresi
X1 – Xn = Variabel Bebas (independent variable) e = Standar Error
3. Koefisien Korelasi (r)
Koefisien korelasi adalah koefisien yang digunakan untuk mengetahui hubungan antara variabel X dan Y.
Syaratnya yaitu :
a. Jika r = +1 atau mendekati +1, maka hubungannya kuat dan searah. Y = α + β1X1 + β2X2 + β3X3 + … + βnXn + e
METODE RISET
b. Jika r = 0 atau mendekati 0, maka hubungannya sangat lemah atau bahkan tidak ada hubungan sama sekali.
c. Jika r = -1 atau mendekati -1, maka hubungannya kuat dan tidak searah.
Dibawah ini adalah contoh hasil SPSS untuk koefisien korelasi dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang”.
Tabel 4.3 Output Koefisien Korelasi
Sumber: Skripsi, Sutrisni, Tahun 2010
Berdasarkan gambar diatas, didapat nilai koefisien korelasi sebesar 0,872. Hal ini berarti nilai 0,872 mendekati +1, maka hubungannya kuat dan searah yang artinya memenuhi syarat koefisien korelasi.
4. Koefisien Determinasi (R2)
Koefisien determinasi adalah koefisien yang digunakan untuk mengetahui seberapa besar variabel bebas (X) mempengaruhi variabel terikat (Y). Nilai koefisien determinasi berkisar antara 0 sampai dengan 1.
Dibawah ini adalah contoh hasil SPSS untuk koefisien determinasi dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang”.
METODE RISET
Tabel 4.4 Output Koefesien Determinasi
Sumber: Skripsi, Sutrisni, Tahun 2010
Berdasarkan gambar diatas, didapat nilai koefisien determinasi sebesar 0,758. Hal ini berarti nilai 0,758 berkisar antara 0 sampai dengan 1 yang artinya memenuhi syarat koefisien determinasi.
5. Uji t
Uji parsial dengan t-test ini bertujuan untuk mengetahui besarnya pengaruh masing-masing variabel independen secara individual (parsial) terhadap variabel dependen. Kriteria pengambilan keputusan uji hipotesis secara parsial didasarkan pada nilai probabilitas.
Kriteria pengambilan keputusan untuk uji parsial adalah sebagai berikut:
Jika P-value > 0.05 maka H0 diterima.
Jika P-value < 0.05 maka H1 diterima.
Dibawah ini adalah contoh hasil SPSS untuk uji t dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang”.
METODE RISET
Tabel 4.5 Output Uji t
Sumber: Skripsi, Sutrisni, Tahun 2010
Hipotesis yang digunakan dalam uji parsial (uji t) adalah:
H01 : Kualitas produk tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.
H11 : Kualitas produk berpengaruh signifikan terhadap Loyalitas Pelanggan.
H02 : Kualitas pelayanan tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.
H12 : Kualitas pelayanan berpengaruh signifikan terhadap Loyalitas Pelanggan.
H03 : Desain produk tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.
H13 : Desain produk berpengaruh signifikan terhadap Loyalitas Pelanggan.
H04 : Harga tidak berpengaruh signifikan terhadap Loyalitas Pelanggan. H14 : Harga berpengaruh signifikan terhadap Loyalitas Pelanggan.
METODE RISET
H05 : Kepercayaan tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.
H15 : Kepercayaan berpengaruh signifikan terhadap Loyalitas Pelanggan.
Berdasarkan gambar diatas, diketahui bahwa nilai signifikan semua variabel bebas masing-masing sebesar 0,000; 0,004; 0,000; 0,002; 0,009 dan nilai signifikan semua variabel lebih kecil dari 0,05 maka keputusannya adalah H0 ditolak, H1 diterima. Dengan demikian, dapat ditarik kesimpulan bahwa kualitas produk, kualitas pelayanan, desain produk, harga & kepercayaan berpengaruh signifikan terhadap Loyalitas Pelanggan.
6. Uji F
Uji simultan dengan F-test ini bertujuan untuk mengetahui pengaruh bersama-sama variabel independen terhadap variabel dependen. Kriteria pengambilan keputusan didasarkan pada nilai probabilitas.
Kriteria pengambilan keputusan untuk uji simultan adalah sebagai berikut:
Jika P-value > 0.05 maka H0 diterima.
Jika P-value < 0.05 maka H1 diterima.
Dibawah ini adalah contoh hasil SPSS untuk uji F dengan judul “Analisis Pengaruh Kualitas Produk, Kualitas Pelayanan, Desain Produk, Harga & Kepercayaan Terhadap Loyalitas Pelanggan Indosat IM3 Pada Mahasiswa Fakultas Ekonomi Universitas Diponegoro Semarang”.
METODE RISET
Tabel 4.6 Output Uji F
Sumber: Skripsi, Sutrisni, Tahun 2010
Hipotesis yang digunakan pada uji F (uji simultan) adalah:
H0 : Kualitas produk, kualitas pelayanan, desain produk, harga & kepercayaan secara bersama-sama tidak berpengaruh signifikan terhadap Loyalitas Pelanggan.
H1 : Kualitas produk, kualitas pelayanan, desain produk, harga & kepercayaan secara bersama-sama berpengaruh signifikan terhadap Loyalitas Pelanggan.
Berdasarkan gambar diatas, diketahui bahwa nilai signifikan semua variabel bebas secara bersama-sama sebesar 0,000 dan nilai signifikannya lebih kecil dari 0,05 maka keputusannya adalah H0 ditolak, H1 diterima. Dengan demikian, dapat ditarik kesimpulan bahwa kualitas produk, kualitas pelayanan, desain produk, harga & kepercayaan secara bersama-sama berpengaruh signifikan terhadap Loyalitas Pelanggan.
IV. CONTOH KASUS
Manajer produksi PT. Maju Jaya yang bergerak dalam bidang konveksi pakaian ingin mengetahui apakah ada hubungan antara biaya iklan dan biaya promosi dengan hasil penjualan setiap bulannya selama satu tahun. Berikut adalah data biaya iklan dan biaya promosi dengan hasil penjualan (dalam ratusan ribu rupiah).
METODE RISET
Bulan Biaya Iklan Biaya Promosi Hasil Penjualan
Januari 570 151 5700 Februari 560 151 5600 Maret 500 150 5555 April 560 156 5700 Mei 500 151 5555 Juni 570 150 5500 Juli 560 156 5700 Agustus 560 151 5555 September 570 156 5700 Oktober 500 157 5500 November 560 151 5600 Desember 500 156 5700
Taraf signifikan yang digunakan adalah 5% (α = 5%). Tentukan :
1) Persamaan regresi 2) Uji t
3) Uji F 4) R2
METODE RISET
V. LANGKAH-LANGKAH SOFTWARE
1. Tekan icon R commander pada desktop, kemudian akan muncul tampilan seperti dibawah ini.
Gambar 4.3 Tampilan Awal R-Commander
2. Pilih menu Data, New Data Set. Masukan nama dari data set adalah Regresi kemudian tekan tombol OK.
METODE RISET
Gambar 4.5 Tampilan New Data Set 3. Kemudian akan muncul data editor seperti dibawah ini.
Gambar 4.6 Tampilan Data Editor
4. Masukkan data dengan var1 untuk biaya iklan, var2 untuk biaya promosi dan var3 untuk hasil penjualan. Jika data editor tidak aktif maka dapat diaktifkan dengan menekan Rgui di Taskbar Windows pada bagian bawah layar monitor. Untuk mengubah nama dan tipe variabel, dapat dilakukan dengan cara double click pada variabel yang ingin di setting. Pemilihan type, dipilih numeric pada semua variabel.
METODE RISET
Gambar 4.7 Tampilan Variable Editor Biaya Iklan
Gambar 4.8 Tampilan Variable Editor Biaya Promosi
METODE RISET
5. Kemudian isi masing-masing variabel sesuai dengan data soal setelah selesai isi data kemudian tekan tombol X (close).
4.10 Tampilan Isi Data Editor
6. Selanjutnya pilih Window R commander maka akan muncul tampilan seperti ini.
METODE RISET
7. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol view data set, jika ada data yang salah, tekan tombol edit data set, lalu perbaiki data yang salah. Jika sudah benar, pilih menu Statistics, Fit models, Linear Regression, maka akan muncul seperti gambar dibawah ini.
4.12 Tampilan Menu Statistics
8. Pada Response Variable pilih variabel yang termasuk variabel terikat yaitu hasil penjualan dan pada Explanatory Variables pilih yang termasuk variabel bebas yaitu biaya iklan dan biaya promosi. Untuk memilih 2 variabel sekaligus tekan Ctrl lalu pilih biaya iklan dan biaya promosi
METODE RISET
9. kemudian tekan tombol OK. Maka akan muncul hasil pada output window sebagai berikut.
METODE RISET
VI. ANALISIS PENGUJIAN 1) Persamaan Regresi
Y = 2741.0085 + 1.0343 X1 + 15.1089 X2
Dari persamaan regresi diatas maka dapat disimpulkan hasilnya adalah sebagai berikut:
Konstanta (α) bernilai positif yaitu sebesar 2741.0085, artinya jika variabel-variabel independen yaitu biaya iklan & biaya promosi bernilai nol, maka hasil penjualan naik sebesar Rp 2741.0085.
Variabel bebas biaya iklan bernilai positif yaitu 1.0343. Hal ini menunjukkan bahwa setiap peningkatan sebesar 1% variabel biaya iklan, maka hasil penjualan akan naik sebesar Rp 1.0343.
Variabel bebas biaya promosi bernilai positif yaitu 15.1089. Hal ini menunjukkan bahwa setiap peningkatan sebesar 1% variabel biaya promosi, maka hasil penjualan akan naik sebesar Rp 15.1089.
2) Uji t (Parsial)
Uji t digunakan untuk mengetahui masing-masing variabel bebas berpengaruh signifikan atau tidak terhadap variabel terikat.
Biaya Iklan
Hipotesis :
H0 : Biaya iklan tidak berpengaruh signifikan terhadap hasil penjualan.
H1 : Biaya iklan berpengaruh signifikan terhadap hasil penjualan.
Syarat :
Jika P-value > 0.05 maka H0 diterima. Jika P-value < 0.05 maka H1 diterima.
Nilai P-value : 0.1662 > 0.05
Keputusan : H0 diterima.
Kesimpulan : Biaya iklan tidak berpengaruh signifikan terhadap hasil penjualan.
METODE RISET
Biaya Promosi
Hipotesis :
H0 : Biaya promosi tidak berpengaruh signifikan terhadap hasil penjualan.
H1 : Biaya promosi berpengaruh signifikan terhadap hasil penjualan.
Syarat :
Jika P-value > 0.05 maka H0 diterima. Jika P-value < 0.05 maka H1 diterima.
Nilai P-value : 0.0780 > 0.05
Keputusan : H0 diterima.
Kesimpulan : Biaya promosi tidak berpengaruh signifikan terhadap hasil penjualan.
3) Uji F (Simultan)
Uji F digunakan untuk mengetahui apakah secara bersama-sama variable bebas berpengaruh signifikan terhadap variabel terikatnya.
Hipotesis :
H0 : Biaya iklan dan biaya promosi secara bersama-sama tidak berpengaruh signifikan terhadap hasil penjualan.
H1 : Biaya iklan dan biaya promosi secara bersama-sama berpengaruh signifikan terhadap hasil penjualan.
Syarat :
Jika P-value > 0.05 maka H0 diterima. Jika P-value < 0.05 maka H1 diterima.
Nilai P-value : 0.1173 > 0.05
Keputusan : H0 diterima.
Kesimpulan : Biaya iklan dan biaya promosi secara bersama-sama tidak berpengaruh signifikan terhadap hasil penjualan.
METODE RISET
4) R2
Adjusted R Squared (Adj. R2) adalah sebesar 0.2408. Artinya sebesar 24.08% variabel Biaya iklan dan biaya promosi mampu mempengaruhi hasil penjualan. Sementara sisanya yaitu 75.92% dipengaruhi oleh variabel lain yang tidak dimasukan ke dalam model regresi.
METODE RISET
DAFTAR PUSTAKA
Amaliyah, Siti. 2012. Analisis Kinerja Keuangan dan Pengaruhnya Terhadap Harga Saham PT. United Tractors (PERSERO), Tbk Periode 2009-2011. PI Jurusan Akuntansi Universitas Gunadarma.
Apriyo, Ari,. 2013 Analisis Overreaction pada Saham Perusahaan Manufaktur di Bursa Efek Indonesia (BEI) Periode 2005-2009”. Jurnal Nomina. Vol II No II.
Desti Widiyana, 2013. Pengaruh model pembelajaran ARIAS (Assurance, Relevance, Interest, Assessment, and Satisfaction) Terhadap hasil belajar KKPI pada siswa kelas X SMK Negeri 1 Pedan
Ghozali. 2011. Aplikasi Analisis Multivariate Dengan Program SPSS. Semarang, BP Universitas Diponegoro, Jakarta.
Kurniawanda,A.M.. 2013. Pengaruh Profesionalisme Auditor Dan Etika Profesi Terhadap Pertimbangan Tingkat Materialitas. Jurnal Akuntansi Universitas Jambi.
Modul Metode Riset. Lab. Manajemen Dasar Periode PTA 2015/2016.
Priyatno, Duwi. 2010, Paham Analisa Statistik Data Dengan SPSS. Yogyakarta : Mediakom.
Rescyana Putri Hutami. 2012. Pengaruh Dividend Per Share, Return On Equity Dan Net Profit Margin Terhadap Harga Saham Perusahaaan Industri
METODE RISET
Manufaktur Yang Tercatat Di Bursa Efek Indonesia Periode 2006-2010. Jurnal Nominal Universitas Negeri Yogyakarta.
Rochaety, Ety. 2007. Metodologi Penelitian Bisnis dengan Aplikasi SPSS. Jakarta: Mitra Wacana Media.
Santoso, Singgih, 1998, “Faktor yang Mempengaruhi Harga Saham Sektor Manufaktur di Bursa Efek Jakarta”, Jurnal Bisnis dan Ekonomi, Edisi4,Th. II.
Sugiarto. 2015. Metode Statistika Bisnis. Tangerang; PT. Matana Publishing Utama
Santoso, Singgih. 2015. Menguasai Statistik Parametrik. Jakarta; PT. Elex Media Komputido
Sulaiman, Wahid. 2002. SPSS 10 Jalan Pintas Menguasai. Yogyakarta : Penerbit Andi.
Sunyoto, Danang. 2011. Analisis Regresi dan Uji Hipotesisi. Yogyakarta: Caps
Suwono, Jonathan. 2006. SPSS 14 Panduan Cepat dan Mudah. Yogyakarta : Penerbit Andi.
Tri Hendardi, C. 2009. SPSS 16 Step by Step Analisis Data Statistik. Yogykarta: Penerbit Andi.
