BAB IV HASIL PENELITAN DAN PEMBAHASAN
4.4. Hasil Penelitian
4.4.3. Uji Asumsi Klasik
Uji normalitas merupakan bagian dari pengujian asumsi klasik yang bertujuan untuk mengetahui kenormalan distribusi data penelitian. Dalam penelitian ini, uji normalitas digunakan sebagai prasayarat analisis regresi linear berganda. Pengukuran dalam pengujian normalitas adalah dengan melihat distribusi data (residual) pada histogram,apakah membentuk lonceng. Jika membentuk lonceng, dapat dipastikan bahwa data berdistribusi normal. Adapun hasil dari pengujian normalitas penelitian ini sebagai berikut:
Gambar 4.2 Hasil Uji Normalitas
Sumber: Data primer diolah dengan menggunakan IBM SPSS 26, 2020
Hasil pengujian normalitas yang ditunjukkan gambar 4.2 di atas dapat dilinilai bahwa residual membentuk lonceng, yang berarti data penelitian berdistribusi normal dan memenuhi kriteria pengujian normalitas dalam asumsi klasik.
2. Uji Heterokedastisitas
Pengujian heterkedastitas sama dengan uji normalitas, merupakan bagian dari pengujian asumsi klasik. Tujuan dari pengujian heterokedastisitas yaitu untuk mengetahui apakah data penelitian tidak terdapat gejalan heterokedastisitas. Untuk mengetahui apakah tidak terjadi gejala tersebut maka dapat dinilai dari residual yang menyebar di dalam Scatterplot, apabila membentuk suatu pola tertentu dan tidak menyebar maka terjadi gejela heterokedastisitas. Adapun hasil pengujian heterokedastisitas penelitian dapat dilihat pada gambar berikut ini:
Gambar 4.3
Hasil Uji Heterokedastisitas
Sumber: Data primer diolah dengan menggunakan IBM SPSS 26, 2020 3. Uji Multikolinieritas
Berbeda dengan pengujian normalitas dan heterokedastisitas, uji multikolinieritas memiliki tujuan untuk menilai apakah tidak terjadi korelasi antar variabel independen yang diteliti. Dalam kriteria pengujian multikolinieritas, model regresi dikatakan layak jika tidak terjadi hubungan atau korelasi antar variabel independen. Pengukuran dalam pengujian multikolinieritas yaitu dengan
membandingkan nilai VIF dengan standar VIF 10,00, dan nilai Tolerance dengan standar Tolerance 0,10. Apabila nilai VIF yang dihasilkan pada pengujian heterokedastistas < 10,00, dan nilai Tolerance > 0,10, maka dapat dinyatakan bahwa tidak terjadi korelasi antar variabel independen pada data yang diteliti.
Dengan kata lain tidak terjadi multikolinieritas pada pemodel regresi linear berganda. Adapun hasil pengujian normalitas seperti pada tabel berikut ini:
Tabel 4.8
Hasil Uji Multikolinieritas
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Correlations
Collinearity Statistics B
Std.
Error Beta
Zero-order Partial Part Tolerance VIF
1 (Constant) 6.073 1.187 5.117 .000
Produk .255 .107 .288 2.389 .023 .873 .400 .147 .259 3.854 Harga .229 .093 .289 2.455 .020 .869 .409 .151 .271 3.692 Saluran
Distribusi/
Tempat
.231 .103 .234 2.233 .033 .835 .378 .137 .343 2.915
Promosi .242 .112 .227 2.162 .039 .832 .367 .133 .342 2.920 a. Dependent Variable: Kepuasan Pelanggan
Sumber: Data primer diolah dengan menggunakan IBM SPSS 26, 2020
Berdasarkan hasil pengujian multikolinieritas yang ditampilkan tabel di atas, dapat diinterpretasi nilai VIF dan nilai Tolerance masing-masing variabel independen sebagai berikut:
1. Nilai VIF Produk adalah 3,854 < 10,00, dan nilai Tolerance adalah 0,259
> 0,10.
2. Nilai VIF Hara adalah 3,692 < 10,00, dan nilai Tolerance adalah 0,271 >
0,10.
3. Nilai VIF Saluran Distribusi/ tempat adalah 2,915 < 10,00, dan nilai Tolerance adalah 0,343 > 0,10.
4. Nilai VIF Promosi adalah 2,920 < 10,00, dan nilai Tolerance adalah 0,342
> 0,10.
Berdasarkan pada hasil interpretasi hasil pengujian multikolinieritas di atas dapat disimpulkan bahwa tidak terjadi multkolinieritas pada variabel-variabel independen yang diteliti dalam penelitian ini. Dengan kata lain, pemodelan regresi dalam peneitian ini memenuhi kriteria pengujian multikolinieritas dalam asumsi klasik.
4.4.4 Analisis Regeresi Linear Berganda
Analisis ini digunakan untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen, apakah masing-masing variabel independen berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan. Adapun hasil pengolahan data dengan menggunakan IMB SPSS 26 yaitu sebagai berikut:
Tabel 4.9
Hasil Analisis Regresi Linear Berganda
Variabel Koefisien
Regresi T Hitung signifikan Keterangan
Produk (X1) 0,255 2,389 0,023 Signifikan
Harga (X2) 0,229 2,455 0,020 Signifikan
Saluran distribusi
(X3) 0,231 2,233 0,033 Signifikan
Promosi (X4) 0242 2,162 0,039 Signifikan
Konstanta 6,073 5,117 0,000 Signifikan
F 58,877
Prob F 0,000
R 0,942
R square 0,887
Sumber: Hasil olah data SPSS 26, 2020.
Tabel diatas menjelaskan, nilai konstanta (a) adalah 6,073, sedangkan nilai koefisien regresi produk adalah 0,255, nilai koefisien regresi harga adalah 0,255, sehingga persamaan regresinya dapat ditulis, sebagai berikut :
Y = 6,073 + 0,255 X1+ 0,229 X2 + 0,231 X3 + 0,242 X4 +e
Berdasarkan hasil diatas maka, persamaan tersebut dapat diterjemahkan dengan cara berikut: spss
1. Konstanta sebesar 6,073 menyatakan bahwa jika nilai variabel produk, harga, saluran distribusi, dan promosi adalah (0) maka kepuasan pelanggan adalah sebesar 6,073.
2. Koefisien regresi X1 sebesar 0,255, artinya – jika nilai variabel produk bertambah sebesar 1, maka akan berdampak terhadap kenaikan kepuasan pelanggan sebesar 0,255.
3. Koefisien regresi X2 sebesar 0,229 artinya – jika nilai variabel harga bertambah sebesar 1, maka akan berdampak terhadap kenaikan kepuasan pelanggan sebesar 0,229.
4. Koefisien regresi X2 sebesar 0,231 artinya – jika nilai variabel saluran distribusi bertambah sebesar 1, maka akan berdampak terhadap kenaikan kepuasan pelanggan sebesar 0,231.
5. Koefisien regresi X2 sebesar 0,242 artinya – jika nilai variabel promosi bertambah sebesar 1, maka akan berdampak terhadap kenaikan kepuasan pelanggan sebesar 0,242.
6. Variabel yang memiliki tingkat pengaruh paling besar terhadap kepuasan pelanggan adalah produk. Hal tersebut disebabkan karena nilai koefisien regresi yang dihasilkan variabel produk adalah yang paling besar dibandingkan nilai koefisien regresi variabel independen lain dengan nilai koefisien sebesar 0,255.
4.4.5 Uji Parsial (Uji T)
Pengujian parsial (uji t) digunakan untuk mengetahui apakah variabel independen (Produk. Harga, saluran distribusi, dan promosi) berpengaruh secara parsial terhadap variabel dependen (Kepuasan pelanggan).
Tabel 4.10
Hasil Uji Parsial (Uji T)
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Correlations
Collinearity Statistics B
Std.
Error Beta
Zero-order Partial Part Tolerance VIF 1 (Constant) 6.073 1.187 5.117 .000
Produk .255 .107 .288 2.389 .023 .873 .400 .147 .259 3.854 Harga .229 .093 .289 2.455 .020 .869 .409 .151 .271 3.692 Saluran
Distribusi/
Tempat
.231 .103 .234 2.233 .033 .835 .378 .137 .343 2.915
Promosi .242 .112 .227 2.162 .039 .832 .367 .133 .342 2.920 a. Dependent Variable: Kepuasan Pelanggan
Sumber: Hasil olah data primer dengan IBM SPSS 26, 2020.
Berdasarkan hasil dari tabel tersebut, maka dapat dijelaskan sebagai berikut:
1. Pengaruh Parsial Produk terhadap Kepuasan pelanggan
Berdasarkan perhitungan secara parsial diperoleh nilai t hitung 2,389 lebih besar dari t tabel 2,042, dan nilai sig lebih kecil dari 0,05 (0,023 < 0,05). Hal tersebut menunjukkan bahwa produk memiliki pengaruh secara positif dan signifikan dalam pengujian hipotesis secara parsial terhadap kepuasan pelanggan dan berarti hipotesis diterima.
2. Pengaruh Parsial Harga terhadap Kepuasan pelanggan
Berdasarkan perhitungan secara parsial diperoleh nilai t hitung 2,455 lebih besar dari t tabel 2,042, dan nilai sig lebih kecil dari 0,05 (0,020 < 0,05). Hal tersebut menunjukkan bahwa harga memiliki pengaruh secara positif dan signifikan dalam pengujian hipotesis secara parsial terhadap kepuasan pelanggan dan berarti hipotesis diterima.
3. Pengaruh Parsial Saluran distribusi terhadap Kepuasan pelanggan Berdasarkan perhitungan secara parsial diperoleh nilai t hitung 2,233 lebih besar dari t tabel 2,233, dan nilai sig lebih kecil dari 0,05 (0,033 < 0,05). Hal tersebut menunjukkan bahwa saluran distribusi memiliki pengaruh secara positif dan signifikan dalam pengujian hipotesis secara parsial terhadap kepuasan pelanggan dan berarti hipotesis diterima.
4. Pengaruh Parsial Promosi terhadap Kepuasan pelanggan
Berdasarkan perhitungan secara parsial diperoleh nilai t hitung 2,162 lebih besar dari t tabel 2,042, dan nilai sig lebih kecil dari 0,05 (0,039 < 0,05). Hal tersebut menunjukkan bahwa promosi memiliki pengaruh secara positif dan signifikan dalam pengujian hipotesis secara parsial terhadap kepuasan pelanggan dan berarti hipotesis diterima.
4.4.6 Uji Simultan (Uji F)
Uji F dilakukan untuk mengetahui pengaruh variabel-variabel bebas (independen) yaitu produk, harga, saluran distribusi, dan prmosi secara bersama-sama terhadap variabel terikat (dependen) yaitu kepuasan pelanggan. Untuk mengetahui hal Dibawah ini dapat dilihat tabel hasil pengujian simultan (uji f) produk dan harga terhadap kepuasan pelanggan.
Tabel 4.11
Hasil Uji Simultan (Uji F)
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 108.114 4 27.028 58.877 .000b
Residual 13.772 30 .459
Total 121.886 34
a. Dependent Variable: Kepuasan Pelanggan
b. Predictors: (Constant), Promosi, Harga, Saluran Distribusi/ Tempat, Produk
Sumber: Hasil pengolahan data primer dengan IBM SPSS 26
Berdasarkan perhitungan secara simultan diperoleh F hitung sebesar 58,877 dan prob F sebesar 0,000. Dengan demikian H0 ditolak dan H1 diterima karena probabilitas F kurang dari tingkat signifikansi (0,000 < 0,05) dan F hitung lebih besar dari F tabel (58,877 > 2,689). Jadi dapat disimpulkan bahwa ada pengaruh positif signifikan produk, harga, saluran distribusi, dan promosi terhadap kepuasan pelanggan produk WMS pada PT Telkom Indonesia Regional VII Makassar.
4.4.7 Koefisien Determinasi (R2)
Nilai koefisien determinasi adalah antara nol dan satu. Nilai 𝑅2 yang mengecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel dependen. Koefisien determinasi (𝑅2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Adapun hasil dari pengujian koefisien determinasi dari penelitian ini adalah sebagai berikut:
Tabel 4.12
Hasil Pengujian Koefisien Determinasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .942a .887 .872 .678
a. Predictors: (Constant), Promosi, Harga, Saluran Distribusi/ Tempat, Produk b. Dependent Variable: Kepuasan Pelanggan
Sumber: Hasil pengolahan data primer dengan IBM SPSS 26, 2020.
Setelah dilakukan perhitungan diperoleh nilai koefisien determinasi (R2) sebesar 0,887 atau 88,7%. Hasil dari R Square tersebut menjelaskan