4,035 Sumber : Wawancara dan Kuisioner (2016)
4.2.4 Uji Hipotesis
4.2.4.1 Analisis Jalur (Path Analysis)
4.2.3.1.4 Pembahasan Model Trimming Sub struktur
Model Trimming adalah model yang digunakan untuk memperbaiki model struktur analisis jalur dengan cara mengeluarkan variabel eksogen yang tidak signifikan dari model yang ada. Sarwono (2012) menyatakan untuk melakukan uji analisis jalur diperlukan asumsi dan prinsip dasar yakni :
A. Melihat Kelayakan Model Regresi
Untuk melihat kelayakan model regresi apakah sudah benar dapat dilihat dengan dua cara yakni dengan melihat tabel F pada ANOVA dan melihat nilai signifikansi.
Tabel 4.44
Kelayakan Model Regresi
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 105.461 5 21.092 19.762 .000b
Residual 100.329 94 1.067
Total 205.790 99
a. Dependent Variable: Kepuasan
b. Predictors: (Constant), Atmosfer, Promosi, Lokasi, Harga, Pelayanan Sumber : Data penelitian diolah SPSS, 20.00 (2016) Keputusan :
1. Jika F tabel < F hitung, maka model regresi layak. Dari tabel Anova diatas terlihat nilai F hitung (19,762) lebih besar dari F tabel (2,31) maka model regresi dinyatakan layak.
2. Jika nilai signifikansi < 0,05, maka model regresi layak. Dari tabel Anova diatas terlihat nilai signifikansi (0,00) < 0,05 maka model regresi dinyatakan layak.
B. Menguji Ketepatan Predictor yang digunakan dalam Riset
Untuk menguji ketepatan prediktor (variabel eksogen) yang digunakan untuk mempredikdi variabel endogen dapat digunakan dengan membandingkan angka standar deviasi dan angka standard error of estimate. Jika angka standard error of estimate < angka standar deviasi maka prediktor yang dipakai layak/benar. Berdasarkan tabel dibawah terlihat nilai standar devisiasi variabel lokasi (0,98), harga (1,59), pelayanan (1,31), promosi (1,07), atmosfer (1,28) diatas angka standard error of estimate (1,03).
Tabel 4.45 Standard Deviation.
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Lokasi 100 6.00 10.00 8.0600 .98288 Harga 100 8.00 15.00 11.4400 1.59747 Pelayanan 100 3.00 10.00 8.3500 1.31330 Promosi 100 6.00 10.00 8.9100 1.07398 Atmosfer 100 4.00 10.00 7.6500 1.28216 Valid N (listwise) 100
Sumber : Data penelitian diolah SPSS, 20.00 (2016)
Tabel 4.46
Standard Error of the Estimate
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .716a .512 .487 1.03312 1.965
a. Predictors: (Constant), Atmosfer, Promosi, Lokasi, Harga, Pelayanan b. Dependent Variable: Kepuasan
Sumber : Data penelitian diolah SPSS, 20.00 (2016)
C. Menguji Kelayakan Koefisien Regresi yang digunakan dalam Riset
Untuk menguji kelayakan koefisien regresi yang digunakan dalam riset bisa dilihat pada nilai signifikansi. Jika nilai signifikansi bawah 0,05 maka koefisien regresi dinyatakan layak.
Tabel 4.47 Nilai Signifikansi
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .418 1.509 .277 .782 Lokasi .214 .106 .146 2.026 .046 Harga .145 .067 .160 2.174 .032 Pelayanan .500 .091 .455 5.481 .000 Promosi .230 .104 .171 2.212 .029 Atmosfer .273 .088 .242 3.116 .002
a. Dependent Variable: Kepuasan
Sumber : Data penelitian diolah SPSS, 20.00 (2016)
Berdasarkan tabel diatas maka variabel eksogen lokasi (0,046), harga (0,032), pelayanan (0,000), promosi (0,029), atmosfer (0,002) (P<0,05) Dengan demikian lokasi, harga, pelayanan, promosi atmosfer regresinya yang dinyatakan layak.
D. Menguji Otokorelasi
Untuk menguji apakah terdapat otokorelasi atau tidak dalam model regresi bisa membandingkan nilai DW. Jika nilai DW berada pada 1<DW<3, maka tidak terjadi otokorelasi pada model regresi berganda. Pada tabel dibawah ini terlihat nilai DW sebesar 1,965. Berarti nilai DW berada pada 1 < DW (1,965) < 3 maka tidak terjadi otokorelasi pada model regresi.
Tabel 4.48 Uji Otokorelasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .716a .512 .487 1.03312 1.965
a. Predictors: (Constant), Atmosfer, Promosi, Lokasi, Harga, Pelayanan b. Dependent Variable: Kepuasan
E. Menguji Multikolinearitas
Untuk menguji apakah terdapat multikolinearitas atau tidak dalam model regresi bisa melihat nilai korelasi. Jika koefisien korelasi variabel eksogen tinggi (mendekati 1) maka terjadi multikolinearitas. Dari tabel dibawah ini bahwa nilai korelasi kedua variabel tidak mendekati 1.
Tabel 4.49 Uji Multikolinearitas
Correlations
Lokasi Harga Pelayanan Promosi Atmosfer Lokasi Pearson Correlation 1 .034 .007 -.014 .057 Sig. (2-tailed) .733 .945 .890 .574 N 100 100 100 100 100 Harga Pearson Correlation .034 1 .162 -.041 .150 Sig. (2-tailed) .733 .108 .682 .137 N 100 100 100 100 100 Pelayanan Pearson Correlation .007 .162 1 .338** .349** Sig. (2-tailed) .945 .108 .001 .000 N 100 100 100 100 100 Promosi Pearson Correlation -.014 -.041 .338** 1 .014 Sig. (2-tailed) .890 .682 .001 .893 N 100 100 100 100 100 Atmosfer Pearson Correlation .057 .150 .349** .014 1 Sig. (2-tailed) .574 .137 .000 .893 N 100 100 100 100 100
**. Correlation is significant at the 0.01 level (2-tailed).
Sumber : Data penelitian diolah SPSS, 20.00 (2016)
Dari hasil perhitungan tabel diatas, terlihat bahwa korelasi antara variabel bebas tidak ada yang sangat tinggi atau mendekati 1. Dengan demikian tidak terjadi multikolinearitas antara variabel eksogen yang digunakan dalam penelitian ini. F. Menguji Linearitas
Untuk melihat linearitas bisa menggunakan normal PP plot, jika titik-titik (data) membentuk garis lurus bisa disimpulkan bahwa linearitas dalam regresi sudah dipenuhi.
Gambar 4.25 Diagram PP Plot Sub Struktur 1 Model Trimming Sumber : Data penelitian diolah SPSS, 20.00 (2016)
G. Menguji Normalitas Data
Data dinyatakan berdistribusi normal jika data tersebut tidak melenceng ke kiri atau ke kanan, data berbentuk kurva yang seimbang sehingga membentuk gambar lonceng.
Gambar 4.26 Histogram Sub Struktur 1 Model Trimming Sumber : Data penelitian diolah SPSS, 20.00 (2016)
H. Pembahasan Model Trimming Persamaan Sub struktur 2 1. Menguji Koefisien Determinasi R2
Pengujian dengan menggunakan uji koefissien determinasi (R2), yaitu untuk melihat besarnya pengaruh variabel bebas. Uji koefisien determinasi adalah dengan persentase pengkuadratan nilai koefisien yang ditemukan. R-square atau nilai determinan (R2) mendekati satu berarti pengaruh variabel bebas terhadap variabel terikat kuat.
Tabel 4.50
Koefisien Determinasi (R2)
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin-Watson
1 .716a .512 .487 1.03312 1.965
a. Predictors: (Constant), Atmosfer, Promosi, Lokasi, Harga, Pelayanan b. Dependent Variable: Kepuasan
Sumber : Data penelitian diolah SPSS, 20.00 (2016)
Besarnya nilai R square pada tabel diatas adalah 0,716. Angka 0,512 berarti 51,2% besarnya pengaruh variabel eksogen (lokasi,harga, pelayanan, promosi, atmosfer) terhadap kepuasan pelanggan. Atau dengan kata lain variabel endogen kepuasan pelanggan dapat dijelaskan oleh variabel eksogen sebesar 51,2%. Sedangkan sisanya (1- 0,512) = 0,488 atau 48,8% dapat diterangkan oleh variabel lain diluar variabel ini.
2. Menghitung Koefisien Jalur secara simultan (Uji Fhitung)
Uji secara keseluruhan hipotesis statistik dirumuskan sebagai berikut:
a) Kaidah pengujian signifikansi secara manual adalah dengan menggunakan Tabel F
Ha ρyx1 (lokasi) = ρyx3(harga) = ρyx4 (pelayanan) ρyx5 (promosi) = ρyx6(atmosfer) = ρyx7 ≠0 H0: ρyx1 (lokasi)= ρyx3(harga)=ρyx4 (pelayanan) ρyx5 (promosi)=ρyx6(atmosfer) = ρyx7 =0 b) Kaidah pengujian signifikansi:
1. Jika nilai probabilitas 0,05 lebih kecil atau sama dengan nilai probabilitas Sig atau (0,05 ≤ Sig), maka H 0 diterima dan Ha ditolak, artinya tidak signifikan.
2. Jika nilai probabilitas 0,05 lebih besar atau sama dengan nilai probabilitas Sig atau (0,05 ≥ Sig), maka H0 ditolak dan Ha diterima, artinya signifikan.
Tabel 4.51
Koefisien Jalur Secara Simultan (Uji F hitung) ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 105.461 5 21.092 19.762 .000b
Residual 100.329 94 1.067
Total 205.790 99
a. Dependent Variable: Kepuasan
b. Predictors: (Constant), Atmosfer, Promosi, Lokasi, Harga, Pelayanan
Sumber : Data penelitian diolah SPSS, 20.00 (2016)
Dari tabel diatas terlihat uji secara simultan , dimana nilai signifikansi (0,00) lebih kecil dari 0,05 dengan demikian hipotesis diterima bahwa lokasi, harga, pelayanan,promosi, atmosfer dan kepuasan pelanggan berpengaruh signifikan terhadap loyalitas pelanggan
3. Menghitung koefisien jalur secara individu ( Uji thitung)
Uji-t (uji parsial) dilakukan untuk melihat secara individu pengaruh secara signifikan dari variabel bebas terhadap variabel terikat dengan menggunakan langkah-langkah sebagai berikut:
a) Mencari nilai ttabel dengan cara menentukan tingkat kesalahan (α) dan menentukan derajat kebebasan (df).
b) Mencari nilai thitung dengan menggunakan bantuan aplikasi. c) Menentukan kriteria keputusan :
H0 diterima bila thitung < ttabel atau H0 diterima, apabila nilai sigifikansi t>(α). Ha diterima bila thitung > ttabel atau Ha diterima, apabila nilai signifikansi t< (α).
Tabel 4.52
Koefisien Jalur Secara Individu (Uji t hitung) Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .418 1.509 .277 .782 Lokasi .214 .106 .146 2.026 .046 Harga .145 .067 .160 2.174 .032 Pelayanan .500 .091 .455 5.481 .000 Promosi .230 .104 .171 2.212 .029 Atmosfer .273 .088 .242 3.116 .002
a. Dependent Variable: Kepuasan
Sumber : Data penelitian diolah SPSS, 20.00 (2016)
Berdasarkan hasil uji parsial terlihat bahwa nilai t hitung variabel eksogen lokasi sebesar 2,026 dengan nilai signifikansi 0,046, harga 2,174 dengan nilai signifikan 0,032, pelayanan 5,481 dengan nilai signifikan 0,000, promosi 2,212 dengan nilai signifikan 0,029 dan atmosfer 3,116 dengan nilai signifikan 0,002. Berarti variabel lokasi, harga, pelayanan, promosi, dan atmosfer secara parsial berpengaruh secara signifikansi terhadap kepuasan klonsumen.
Berdasarkan tabel diatas, maka persamaan strtukturnya :
Loyalitas : Py1x1.X1(Lokasi) + Py1x3 . X3(Harga) + Py1x4 . X4(Pelayanan) + Py1x5.X5(Promosi) + Py1x6.X6(Atmosfer) + Py1 . e1
Loyalitas : 0,146X1(lokasi) + 0,160X3(harga)+ 0,455X4(pelayanan) + 0,171(promosi )+ 0,242(atmosfer)0,418 e1
4. Menghitung Nilai Koefisien Korelasi
Korelasi ditujukan untuk pasangan pengamatan data rasio yang menunjukan hubungan yang linear. Koefisien korelasi adalah suatu angka indeks yang melukiskan hubungan antara dua rangkaian data yang dihubungkan. Dengan kata lain, korfisien korelasi adalah ukuran atau indeks dari hubungan antara dua variabel. Koefisien korelasi besarnya antara -1 sampai +1. Tanda positif dan negatif menunjukkan arti atu arah dari hubungan koefisien korelasi tersebut.
Korelasi positif nilainya berada antara 0 sampai +1 , nilai menjelaskan bahwa apabila suatu variabel naik maka akan menyebabkan kenaikan pada variabel yang lainnya dan sebaliknya. Korelasi negatif nilainya berada antara -1 sampai 0, nilai tersebut menjelaskan bahwa apabila suatu variabel naik maka variabel yang lainnya akan turun dan sebaliknya.
Tabel 4.53
Nilai Koefisien Korelasi
Correlations
Lokasi Harga Pelayanan Promosi Atmosfer Lokasi Pearson Correlation 1 .034 .007 -.014 .057 Sig. (2-tailed) .733 .945 .890 .574 N 100 100 100 100 100 Harga Pearson Correlation .034 1 .162 -.041 .150 Sig. (2-tailed) .733 .108 .682 .137 N 100 100 100 100 100 Pelayanan Pearson Correlation .007 .162 1 .338** .349** Sig. (2-tailed) .945 .108 .001 .000 N 100 100 100 100 100 Promosi Pearson Correlation -.014 -.041 .338** 1 .014 Sig. (2-tailed) .890 .682 .001 .893 N 100 100 100 100 100 Atmosfer Pearson Correlation .057 .150 .349** .014 1 Sig. (2-tailed) .574 .137 .000 .893 N 100 100 100 100 100
**. Correlation is significant at the 0.01 level (2-tailed).
Berdasarkan hasil uji korelasi perhitungan tabel 4.39 diatas, maka dapat dilihat nilai korelasi antar variabel