BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.5 Pengujian Koefesien Determinasi (R 2 )
Pengujian koefisien determinasi (R²) digunakan untuk mengukur proporsi atau persentase kemampuan model dalam menerangkan variabel terikat. Koefisien determinasi berkisar antara nol sampai satu (0 ≤ R² ≥ 1). Jika R² semakin besar (mendekati satu), maka dapat dikatakan bahwa pengaruh variabel bebas (X) adalah besar terhadap variabel terikat (Y). Hal ini berarti model yang digunakan semakin kuat untuk menerangkan pengaruh variabel bebas terhadap variabel terikat dan demikian sebaliknya.
Tabel 4.10
Hasil Uji Koefesien Determinasi (R2) Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .754a .568 .562 1.044
a. Predictors: (Constant), Difrensiasi_Produk b. Dependent Variable: Brand_Image
Sumber: Hasil Penelitian, 2015 (data diolah) Berdasarkan Tabel 4.11 dapat dilihat bahwa :
1. R = 0,754 berarti hubungan antara variabel difrensiasi produk (X) terhadap
brand image (Y) sebesar 75,4%. Artinya hubungannya kuat.
2. Nilai R Square sebesar 0,568 berarti 56,8% variabel brand image (Y) dapat dijelaskan oleh variabel difrensiasi produk (X). Sedangkan sisanya 43,2% dapat dijelaskan oleh variabel-variabel lain yang tidak diteliti dalam penelitian ini.
3. Standard Error of Estimated (Standar Deviasi) artinya mengukur variasi dari nilai yang diprediksi. Dalam penelitian ini standar deviasinya sebesar 1,044. Semakin kecil standar deviasi berarti model semakin baik.
4.6 Uji Asumsi Klasik 4.6.1 Uji Normalitas
Tujuan uji normalitas adalah ingin menguji apakah dalam model regresi distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid. Ada dua cara untuk mendeteksi apakah data berdistribusi normal atau tidak, yaitu dengan pendekatan grafik dan pendekatan Kolmogorv-Smirnov. 1. Analisis Grafik
Salah satu cara untuk melihat normalitas adalah dengan melihat grafik histogram, dan grafik normal p-p plot, yang membandingkan antara dua observasi dengan distribusi yang mendekati distribusi normal. Hasil output SPSS terlihat seperti Gambar 4.2, dan Gambar 4.3.
Sumber:Hasil Penelitian, 2015 (data diolah)
Gambar 4.2
Pengujian Normalitas Histogram
Berdasarkan grafik dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan pola distribusi normal maka model regresi memenuhi asumsi normalitas dan sebaliknya jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi data normal yang tidak melenceng kanan maupun melennceng kiri. Jadi, berarti data residual berdistibusi normal. Terbukti bahwa data maupun model yang digunakan memenuhi asumsi normalitas.
Sumber: Hasil Penelitian, 2015 (data diolah) Gambar 4.3
Pengujian Normalitas P-P Plot
Pada P-P plot terlihat bahwa titik-titik menyebar disekitar garis diagonal dan cenderung mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data yang dipergunakan dalam penelitian ini memenuhi asumsi normalitas sehingga layak untuk diuji dengan model regresi.
2. Analisis Statistik
Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal, padahal secara statistik tidak berdistribusi normal. Jika nilai sig probability lebih besar dari 0,05 maka Ho ditolak dengan pengertian bahwa data yang dianalisis berdistribusi normal. Demikian juga sebaliknya jika nilai sig probability lebih kecil dari 0,05 maka Ho diterima dengan pengertian bahwa data yang dianalisis
Tabel 4.11
Uji Kolmogrov Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 73
Normal Parametersa,,b Mean .0000000
Std. Deviation 1.03655806
Most Extreme Differences Absolute .079
Positive .079
Negative -.055
Kolmogorov-Smirnov Z .679
Asymp. Sig. (2-tailed) .746
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2015 (data diolah)
Berdasarkan Tabel 4.12, terlihat bahwa nilai Asymp.Sig. (2-tailed) adalah 0,746, ini berarti nilainya diatas nilai signifikan 5% (0.05), dengan kata lain variabel tersebut berdistribusi normal.
4.6.2 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu :
Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas, sedangkan jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
Sumber: Hasil Penelitian, 2015 (data diolah) Gambar 4.4
Pengujian Heteroskedastisitas Scatterplot
Berdasarkan Gambar 4.4 dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi. 2. Analisis Statistik
Dasar analisis metode statistik adalah jika variabel bebas signifikan secara statistik mempengaruhi variabel terikat, maka ada indikasi terjadi heteroskedastisitas.
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 2.073 .718 2.886 .005 Difrensiasi_Produk -.042 .024 -.204 -1.752 .084
a. Dependent Variable: RES2
Sumber: Hasil Penelitian, 2015 (data diolah)
Berdasarkan Tabel 4.13 dapat diketahui bahwa tidak satupun variabel bebas yang signifikan secara statistik mempengaruhi variabel terikat RES2. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5% jadi disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
4.6.3 Uji Multikolinieritas
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF (Variance Inflation Factor), kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance
adalah mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance > 0,1, dan VIF < 5, maka tidak terjadi multikolinieritas.
Tabel 4.13 Uji Multikolinieritas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 5.413 1.216 4.450 .000
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 5.413 1.216 4.450 .000
Difrensiasi_Produk .396 .041 .754 9.664 .000 1.000 1.000
a. Dependent Variable: Brand_Image
Sumber: Hasil Penelitian, 2014 (data diolah)
Berdasarkan Tabel 4.14 dapat terlihat bahwa data (variabel) tidak terkena multikolinieritas karena nilai VIF < 5 dan nilai Tolerance > 0,1 sehingga model regresi layak dipakai untuk memprediksi brand image berdasarkan masukan diferensiasi produk.