BAB IV ANALISA DATA DAN PEMBAHASAN
B. Pengujian Asumsi Klasik
Pengujian hipotesis penelitian ini menggunakan analisis jalur sederhana. Sebelum melakukan analisis tersebut maka terlebih dahulu dilakukan uji asumsi penelitian yang bertujuan untuk melihat bagaimana distribusi data penelitianserta agar kesimpulan dari analisis jalur tersebut tidak bias. Uji asumsi klasik dalam penelitian ini diantaranya yaitu uji normalitas, uji linearitas, uji heteroskedatisitas, uji multikolinieritas, dan uji autokorelasi. Pada penelitian ini kelima asumsi tersebut diuji karena variabel bebas yang di
1. Uji Normalitas
Uji normalitas dilakukan untuk membuktikan apakah dalam model statistik variabel-variabel penelitian berdistribusi normal atau tidak. Untuk menetukan normal tidak suatu data, peneliti menggunakan tes Kolmogorov- Smirnov dengan ketentuan Sig. > 0,05 menunjukkan data berdistribusi normal dan P-P Plot untuk menjelaskan persebaran sampel pada garis normal sebagaimana pada tabel 4.13 dan gambar 4.1 berikut.
Tabel 4.13 Hasil Uji Normalitas dengan Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Kepuasan
Konsumen WordofMouth
Loyalitas Merek
N 105 105 105
Normal Parametersa,,b Mean 88.62 72.90 29.75
Std. Deviation 11.498 7.876 4.793
Most Extreme Differences Absolute .074 .082 .094
Positive .051 .082 .071
Negative -.074 -.053 -.094
Kolmogorov-Smirnov Z .762 .844 .961
Asymp. Sig. (2-tailed) .607 .475 .314
a. Test distribution is Normal.
Gambar 4.1 Grafik Uji Normalitas Data
Berdasarkan tabel Kolmogorov-Smirnov diatas, nilai signifikansi kepuasan konsumen, word of mouth, dan loyalitas merek yang dihasilkan masing-masing adalah 0,607, 0,475, dan 0,314, dimana ketiga nilai tersebut lebih besar dari Sig. > 0,05, sehingga dapat disimpulkan data yang dihasilkan berdistribusi normal. Selanjutnya, pada gambar P-Plot terlihat penyebaran data disekitar garis diagonal dan mengikuti arah garis diagonal maka data tersebut memenuhi asumsi normal dalam model analisis jalur. Sehingga dapat ditarik kesimpulan bahwa model regresi tersebut layak dipakai dalam penelitian ini karena memenuhi asumsi normalitas.
2. Uji Linearitas
Uji linearitas dilakukan untuk mengasumsikan bahwa hubungan dalam model statistik pada penelitian termasuk linier atau tidak. Jika model statistik yang digunakan menunjukkan hubungan yang tidak linier (non-
linier) maka secara jelas akan membatasi generalisasi pada populasi yang
dimaksud (Field, 2009). Uji linearitas dapat dilihat dengan memperhatikan nilai signifikansi F (F-LINEARITY dan F-DEVIATION FROM LINEARITY) pada tabel ANOVA melalui SPSS. Model dapat dikatakan berhubungan secara linier jika p < 0.05 pada F-LINEARITY dan p > 0.05 pada F-DEVIATION FROM LINEARITY (Widhiarso, 2010). Hasil uji linearitas dapat dilihat pada tabel berikut.
Tabel 4.14 Hasil Uji Asumsi Linearitas
ANOVA Table Sum of Squares df Mean Square F Sig. Loyalitas Merek * KepuasanKonsumen Between Groups (Combined) 1748.612 39 44.836 4.547 .000 Linearity 1308.872 1 1308.872 132.735 .000 Deviation from Linearity 439.740 38 11.572 1.174 .281 Within Groups 640.950 65 9.861 Total 2389.562 104
ANOVA Table Sum of Squares df Mean Square F Sig. Loyalitas Merek * WordofMouth Between Groups (Combined) 1718.071 33 52.063 5.505 .000 Linearity 1279.589 1 1279.589 135.297 .000 Deviation from Linearity 438.482 32 13.703 1.449 .099 Within Groups 671.490 71 9.458 Total 2389.562 104
Berdasarkan tabel di atas, dapat dilihat bahwa signifikansi F- LINEARITY kepuasan konsumen terhadap loyalitas merek adalah 0.00 dan F-DEVIATION FROM LINEARITY adalah 0.281. Sedangkan signifikansi F-LINEARITY word of mouth terhadap loyalitas merek adalah 0.00 dan F- DEVIATION FROM LINEARITY adalah 0.099. Dapat disimpulkan bahwa hubungan antara kepuasan konsumen dan word of mouth terhadap loyalitas merek berupa linier.
3. Uji Heteroskedastisitas
Residual pada tiap tingkat variabel prediktor harus memiliki varians yang sama (homoskedastisitas), jika varians pada tiap variabel prediktor tidak sama, maka dapat dikatakan adanya heteroskedastisitas. Salah satu cara untuk menguji heteroskedastisitas pada data penelitian adalah dengan melihat grafik scatterplot. Jika kondisi titik-titik membentuk seperti corong sehingga menyebar sampai melewati batas grafik maka dapat disimpulkan adanya heteroskedastisitas. Bentuk ini mengindikasikan peningkatan varians pada tiap residual variabel prediktor. Hasil uji heteroskedastisitas pada
Gambar 4.2 Grafik Uji Heteroskedastisitas
Berdasarkan gambar diatas, terlihat bahwa titik-titik menyebar secara acak, baik dibagian atas angka nol atau dibagian bawah angka 0 dari sumbu vertikal atau sumbu Y. Dengan demikian, dapat disimpulkan bahwa tidak terjadi heteroskedastisitas dalam model ini.
4. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk mengetahui apakah hubungan di antara variabel bebas memiliki masalah multikorelasi (gejala multikolinieritas) atau tidak. Uji multikolinieritas dalam penelitian ini menggunakan nilai variance inflantion factors (VIF). Data penelitian dikatakan tidak terdapat multikolinieritas diantara variabel bebas apabila signifikansi atau nilai VIF< 10. Hasil uji multikolinieritas pada penelitian ini dapat dilihat pada tabel berikut.
Tabel 4.15 Hasil Uji Asumsi Multikolinieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -5.039 2.718 -1.854 .067
Kepuasan Konsumen
.185 .036 .444 5.168 .000 .489 2.043
WordofMouth .252 .052 .415 4.829 .000 .489 2.043 a. Dependent Variable:Loyalitas Merek
Berdasarkan tabel di atas, dapat diketahui bahwa nilai VIF yang diperoleh dari kedua variabel yaitu sebesar 2,043. Dengan demikian, dapat disimpulkan tidak terdapat multikolinieritas diantara variabel kepuasan konsumen dan variabel word of mouth.
5. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi ada korelasi antara kesalahan pengganggu (disturbance term—red.) pada
periode t dan kesalahan pengganggu pada periode sebelumnya (t-1). Dalam penelitian ini, uji autokorelasi dapat dilihat dari nilai Durbin-Watson (DW). Ketentuan ada tidaknya autokorelasi dari nilai DW adalah sebagai berikut : a. dU <DW < 4 – dU, koefisien korelasi sama dengan nol. Artinya, tidak
terjadi autokorelasi.
b. DW < dL atau DW >4 – dL, koefisien korelasi tidak sama dengan nol.
Artinya, terdapat autokorelasi.
Untuk menentukan nilai dL dan dU, dapat dilihat melalui tabel Durbin- Watson (tingkat signifikan (α) = 5%, jumlah data (n) = 105, dan jumlah
variabel independen (k + 1) = 3). Dari tabel diperoleh nilai dL =1,64 dan dU = 1,72. Berikut uji autokorelasi untuk variabel loyalitas merek, kepuasan konsumen, dan word of mouth.
Tabel 4.16 Nilai Durbin-Watson untuk Uji Autokorelasi
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .795a .632 .625 2.937 2.066
a. Predictors: (Constant), WordofMouth,Kepuasan Konsumen b. Dependent Variable:Loyalitas Merek
Berdasarkan tabel diatas, nilai statistik Durbin-Watson yang diperoleh sebesar 2,066. Hal ini menujukkan bahwa nilai DW lebih besar dari nilai dU (1,72) dan lebih kecil dari nilai 4 – dU (2,28), artinya tidak terjadi
autokorelasi dalam data yang digunakan.