HASIL PENELITIAN DAN PEMBAHASAN 4.1 Gambaran Umum Perusahaan
4.2.2.2 Uji Asumsi Klasik a. Uji Normalitas
Tujuan uji normalitas (Situmorang et al, 2008: 55) adalah ingin menguji apakah dalam model regresi distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng.
Ada beberapa cara untuk mendeteksi apakah data berdistribusi normal atau tidak, yaitu dengan pendekatan histogram, pendekatan grafik dan pendekatan Kolmogorv-Smirnov.
1. Pendekatan Histogram
Gambar 4.2 Histogram Uji Normalitas
Sumber : Hasil Pengolahan SPSS Versi 18.0 for windows
Berdasarkan Gambar 4.2, dapat dilihat bahwa variabel berdistribusi normal, hal ini ditunjukkan oleh distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan.
2. Pendekatan Grafik
Gambar 4.3 Grafik Uji Normalitas
Sumber : Hasil Pengolahan SPSS Versi 18.0 for windows
Berdasarkan Gambar 4.3, dapat dilihat bahwa pada grafik uji normalitas terlihat titik yang mengikuti data di sepanjang garis diagonal. Hal ini berarti data berdistribusi normal.
3. Pendekatan Kolmogorv-Smirnov Tabel 4.8 Uji Normalitas
One-Sample Kolmogrov-Smirnov Test
Unstandardize d Residual
N 73
Normal Parametersa,b Mean ,0000000
Std. Deviation 2,46791525 Most Extreme Differences Absolute ,082 Positive ,073 Negative -,082 Kolmogorov-Smirnov Z ,702
Asymp. Sig. (2-tailed) ,708
a. Test distribution is Normal. b. Calculated from data.
Sumber : Hasil Pengolahan SPSS Versi 18.0 for windows Berdasarkan Tabel 4.8, dapat dilihat bahwa nilai Asymp. Sig. (2-tailed) adalah 0,708 berada di atas nilai signifikan 5% (0,05). Hal ini berarti variabel residual berdistribusi normal.
b. Uji Heteroskedastisitas
(Situmorang et al, 2008: 65) Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians dari suatu residual pengamatan ke pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah
heteroskedastisitas. Untuk melihat apakah terjadi heteroskedastisitas atau tidak, dapat dilakukan dengan pendekatan grafik maupun statistik.
1. Pendekatan Grafik
Suatu model regresi dianggap tidak terjadi heteroskedastisitas jika tidak ada pola yang jelas, serta titik-titik menyebar secara acak di atas dan di bawah angka nol pada sumbu Y.
Gambar 4.4 Scatter Plot Uji Heteroskedastisitas
Berdasarkan Gambar 4.4, terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai.
2. Uji Glejser Tabel 4.9 Uji Heteroskedastisitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -4,529 2,287 -1,980 ,052 PemasaranDariMulut KeMulut ,084 ,080 ,135 1,058 ,294 PersepsiKualitas ,035 ,089 ,055 ,391 ,697 KesadaranMerek ,145 ,094 ,211 1,537 ,129
a. Dependent Variable: absut
Sumber : Hasil Pengolahan SPSS Versi 18.0 for windows
Berdasarkan Tabel 4.9 dapat diketahui bahwa tidak satupun variable independen yang signifikan secara statistik mempengaruhi variabel dengan absolute Ut (absUt). Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5% jadi disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
c. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah ada korelasi antara variabel bebas. Jika terjadi korelasi antara variabel bebas maka terjadi masalah multikolinearitas. Model regresi yang baik seharusnya tidak terjadi korelasi antara variabel bebas.
Kriteria pengambilan keputusan:
1. VIF > 5 maka diduga mempunyai persoalan multikolinearitas.
2. VIF < 5 maka tidak terdapat multikolinearitas. 3. Tolerance < 0,1 maka diduga mempunyai persoalan
multikolinearitas.
4. Tolerance > 0,1 maka tidak terdapat multikolinearitas.
Tabel 4.10 Uji Multikolinearitas Coefficientsa Model Unstandardiz ed Coefficients Standar dized Coeffici ents t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) ,077 3,839 ,020 ,984 PemasaranDari MulutKeMulut ,603 ,134 ,422 4,510 ,000 ,798 1,253 PersepsiKualita s ,479 ,149 ,332 3,207 ,002 ,651 1,536 KesadaranMere k ,217 ,158 ,138 1,373 ,174 ,691 1,446
a. Dependent Variable: KeputusanPembelian
Sumber : Hasil Pengolahan SPSS Versi 18.0 for windows
Pada tabel 4.10 dapat dilihat bahwa nilai VIF dari setiap variabel bebas lebih kecil dari 5 sehingga data tidak terkena multikolinearitas. Nilai tolerance dari setiap variabel bebas pada tabel di atas lebih besar dari 0,1, maka dapat disimpulkan bahwa data tidak terkena multikolinearitas.
4.2.2.3 Analisis Regresi Linear Berganda
Analisis regresi linear berganda digunakan untuk mengetahui seberapa besar pengaruh pemasaran dari mulut ke mulut (variabel X1), persepsi kualitas (variabel X2), dan kesadaran merek (variabel X3) terhadap keputusan pembelian (variabel Y).
Model regresi linear berganda dirumuskan sebagai berikut: Y = a + b1X1 + b2X2 + b3X3 + e Keterangan: Y = Keputusan pembelian a = Konstanta b1,b2,b3 = Koefisien regresi
X1 = Pemasaran dari mulut ke mulut X2 = Persepsi kualitas
X3 = Kesadaran merek
e = Standard error
Hasil pengolahan SPSS untuk analisis regresi linear berganda adalah sebagai berikut:
Tabel 4.11
Analisis Regresi Linear Berganda Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) ,077 3,839 ,020 ,984 PemasaranDariMulut KeMulut ,603 ,134 ,422 4,510 ,000 PersepsiKualitas ,479 ,149 ,332 3,207 ,002 KesadaranMerek ,217 ,158 ,138 1,373 ,174
a. Dependent Variable: KeputusanPembelian
Sumber : Hasil Pengolahan SPSS Versi 18.0 for windows
Berdasarkan hasil pengolahan pada Tabel 4.11 dapat dirumuskan model persamaan regresi linear berganda sebagai berikut:
Y = 0,077 + 0,603X1 + 0,479X2 + 0,217X3
Model persamaan regresi linear berganda tersebut dapat dijelaskan sebagai berikut:
1. Konstanta (a) = 0,077. Ini menunjukkan harga konstan, dimana jika variabel bebas (pemasaran dari mulut ke mulut, persepsi kualitas, dan kesadaran merek) = 0, maka variabel terikat (keputusan pembelian) adalah 0,077.
2. Koefisien regresi X1 = 0,603. Ini menunjukkan variabel pemasaran dari mulut ke mulut berpengaruh positif dan signifikan terhadap variabel keputusan pembelian. Hal ini dapat dilihat dari nilai signifikansi 0,000 di bawah nilai 5% (0,05) dan nilai thitung pemasaran dari mulut ke mulut (4,510) > ttabel (1,667) yang artinya jika variabel pemasaran dari mulut ke mulut ditingkatkan sebesar 1 satuan maka variabel keputusan pembelian akan meningkat sebesar 0,603.
3. Koefisien regresi X2 = 0,479. Ini menunjukkan variabel persepsi kualitas berpengaruh positif dan signifikan terhadap variabel keputusan pembelian. Hal ini dapat dilihat dari nilai signifikansi 0,002 di bawah nilai 5% (0,05) dan nilai thitung
variabel persepsi kualitas ditingkatkan sebesar 1 satuan maka variabel keputusan pembelian akan meningkat sebesar 0,479. 4. Koefisien regresi X3 = 0,217. Ini menunjukkan variabel
kesadaran merek berpengaruh positif dan tidak signifikan terhadap variabel keputusan pembelian. Hal ini dapat dilihat dari nilai signifikansi 0,174 di atas nilai 5% (0,05) dan nilai thitung kesadaran merek (1,373) < ttabel (1,667) yang artinya walaupun ditingkatkan variabel kesadaran merek maka variabel keputusan pembelian tidak akan meningkat.