METODA PENELITIAN
L. Teknik Analisis Data
Analisis dalam penelitian ini dikelompokkan menjadi dua, yaitu: 1. Analisis Data Kualitatif
Analisis data kualitatif adalah data yang berbentuk kata, skema dan gambar; Sugiono (2002: 13).
2. Analisis Data Kuantitatif
Analisis data kuantitatif adalah analisis dengan teknik perhitungan yang menggunakan rumus-rumus, dimana teknik perhitungan digunakan untuk mengatasi masalah yang diteliti. Dalam penelitian ini teknik analisis data yang digunakan adalah regresi linier berganda, kemudian dilakukan uji
asumsi klasik. Pengujian hipotesis untuk mengetahui diterima atau tidaknya hipotesis, maka dilakukan analisa secara kuantitatif dengan menggunakan uji statistik yang meliputi uji F dan uji t.
a) Analisis Regresi Linier Berganda
Teknik analisis data yang digunakan dalam penelitian ini adalah analisis regresi linier berganda yang digunakan untuk mengukur variable bebas (independen variabel) yang lebih dari satu variabel terhadap variabel terikat (dependen variabel). Persamaan regresinya adalah sebagai berikut: Y =a +b1.X1+b2.X2+b3.X3+b4.X4
Keterangan :
Y : Kepuasan Konsumen a : Konstanta
b1,...bn : Koefisien dari variabel bebas X1 : brand awareness
X2 : brand association
X3 : brand perceived quality
X4 : brand loyalty
Koefisien-koefisien a dan b dapat dihitung dengan rumus sebagai berikut :
a = 2 1 2 1 2 1 1 2 1 1 X X n Y X X Y
2 1 2 1 1 1 1 1 1 X X n Y X X Y X n b
b) Uji Asumsi Klasik 1) Autokorelasi
Istilah autokorelasi dapat didefinisikan sebagai korelasi antara anggota observasi lain yang berlainan waktu. Ada beberapa cara yang bisa digunakan untuk mendeteksi masalah autokorelasi. Salah satu cara yang bisa ditempuh untuk mendeteksi adanya autokorelasi adalah metode yang dikemukakan oleh Durbin-Watson. Rumus uji statistic Durbin Watson sebagai berikut :
d = 2 1 2 1 2 1 ˆ ˆ ˆ n t t n t t t e e e
Durbin-Watson telah berhasil mengembangkan uji statistik yang disebut uji statistic d. Durbin-Watson berhasil menurunkan nilai kritis batas bawah dL dan batas atas dU . Penentuan ada tidaknya autokorelasi dapat dilihat dalam table berikut:
Tabel 3.1
Uji Statistik Durbin-Watson d
Nilai Statistik d Hasil
0< d < dL Menolak hipotesis nol, ada autokorelasi positif dL d dU Daerah keragu-raguan, tidak ada keputusan
dU< d 4 - dU Menerima hipotesis nol, tidak ada autokorelasi positif / negative
4 – dU d 4 - dL Daerah keragu-raguan, tidak ada keputusan 4 – dL d 4 Menolak hipotesis nol, ada autokorelasi negative Sumber data : Widarjono (2007).Ekonometri,Yogyakarta: Ekonosia.
2) Multikolinearitas
(a) Sifat dan Konsekuensi Mutikolinearitas
Hubungan linier antara variable independent di dalam regresi berganda disebut multikolinearitas. Hubungan linier antara variable independent dapat terjadi dalam bentuk hubungan linier yang sempurna dan hubungan linier yang kurang sempurna.
Dampak adanya multikolinearitas di dalam model regresi jika digunakan teknik estimasi dengan metode kuadrat terkecil (OLS ) tetapi masih mempertahankan asumsi lain yaitu sebagai berikut: (1) Estimator masih bersifat BLUE dengan adanya multikolinearitas,
namun estimator mempunyai varian dan kovarian yang besar sehingga sulit mendapatkan estimasi yang tepat.
(2) Interval estimasi akan cenderung dan nilai hitung statistik uji t akan kecil sehingga membuat variabel independent secara statistik tidak
signifikan mempengaruhi variabel dependen.
(3) Meskipun secara parsial atau individual variabel independent tidak berpengaruh terhadap variabel dependen melalui uji statistik t, namun nilai koefisien determinasi masih bisa relatif tinggi.
(b) Deteksi masalah Multikolinieritas
Model yang mempunyai standard error yang besar dan nilai statistik t yang rendah merupahan indikasi awal adanya masalah multikolinieritas. Metode untuk mendeteksi masalah multikolinieritas dalam suatu regresi:
Variance Inflation Faktor dan Tolerance
VIF adalah Variance Inflation Faktor. Ketika R2 mendekati satu atau ada kolinieritas antar variabel independent maka VIF akan naik dan mendekati tak terhingga jika nilainya R2 = 1. kita dapat menggunakan
VIF untuk mendeteksi masalah multikolinieritas. Jika nilai VIF semakin besar maka diduga ada multikolinieritas. Jika nilai VIF melebihi angka 10 maka ada multikolinieritas karena nilai R2lebih dari 0,90. selain itu para ahli ekonometrika juga menggunakan nilai tolerance untuk mendeteksi masalah multikolinieritas dalam model regresi berganda. Nilai tolerance (TOL) dapat dicari dengan menggunakan formula sebagai berikut:
=
j
VIF
1
Jika R2
j = 0 berarti tidak ada kolinieritas antar variabel independen, maka nilai TOL sama dengan 1 dan sebaliknya jika R2
j = 1 berarti ada kolinieritas antar variabel independent, maka nilai TOL sama dengan 0. 3) Heteroskedastisitas
Heteroskedastisitas merupakan varian dari variabel gangguan yang tidak konstan. Konsekuensi jika estimator tidak lagi mempunyai varian yang minimum adalah:
(a) Perhitungan standard error metode OLS tidak lagi bisa dipercaya (b) Interval estimasi maupun uji hipotesis yang berdasarkan pada
distribusi t maupun F tidak lagi dapat dipercaya untuk evaluasi hasil regresi.
Ada dua metode yang digunakan untuk mendeteksi adanya Heteroskedastisitas, yaitu sebagai berikut:
(a) Metode Formal
Menurut Park, varian variabel gangguan yang tidak konstan atau masalah heteroskedastisitas muncul karena residual ini tergantung dari variabel independen yang ada di dalam model. Menurut Park, bentuk fungsi variabel gangguan adalah sebagai berikut:
Model di atas merupakan model sederhana dengan satu variabel independen. Kita dapat menggunakan model yang mempunyai lebih dari satu variabel independen dalam bentuk transformasi logaritma:
n i2 n 2 nXi Vi
Di mana n logaritma natural, Vi= variable gangguan karena varian variable gangguan 2 populasi tidak diketahui maka Park menyarankan menggunakan residual. Dengan demikian langkah selanjutnya kita melakukan regresi dengan menggunakan persamaan:
nei2 n 2 nXi Vi
Keputusan ada tidaknya masalah heteroskedastisitas berdasarkan uji statistik estimator . Jika tidak signifikan melalui uji t, maka dapat disimpulkan bahwa tidak ada heteroskedastisitas karena varian independen, sebaliknya jika signifikan secara statistik, maka model mengandung unsur heteroskedastisitas. (b) Metode Informal
Cara yang paling cepat dan dapat digunakan untuk menguji masalah heteroskedastisitas yaitu dengan mendeteksi pola residual melalui sebuah grafik. Jika residual mempunyai varian yang sama (homoskedastisitas), maka tidak mempunyai pola yang pasti dari
residual. Sebaliknya, jika residual mempunyai sifat heteroskedastisitas maka residual ini menunjukkan pola tertentu. 4) Kenormalan
Istilah asumsi kenormalan digunakan sebagai sifat distribusi normal yang menyatakan bahwa setiap fungsi linear dari variable-variabel yang didistribusikan secara normal dengan sendirinya didistribusikan secara normal. Regresi linear normal klasik mengasumsikan bahwa tiap utdidistribusikan dengan ut~N(0, 2
Dimana ~ berarti “didistribusikan sebagai” dan dimana N berarti “didistribusikan normal”, unsur dalam tanda kurung menyatakan dua parameter distribusi normal yaitu rata-rata dan varians.
Dengan asumsi kenormalan, penaksiran OLS ˆ0, ˆ1 dan ˆ2mempunyai sifat-sifat statistic sebagai berikut:
(a) Penaksiran tadi tidak bisa
(b) Penaksiran tadi mempunyai varians yang minimum atau penaksiran yang efisien
(c) Konsisten yaitu dengan meningkatnya ukuran sampel secara tak terbatas, penaksiran mengarah pada converge nilai populasi yang sebenarnya. (d) ˆ0didistribusikan 2 0 0 0~ , ˆ N . (e) ˆ1 didistribusikan 2 1 10 1~ , ˆ N
(f) N 2 ˆ2 / 2 didistribusikan secara distribusi X2(chikuadrat) dengan derajat kebebasan (df) N-2
(g) ˆ0, ˆ1 didistribusikan secara bebas dari ˆ2.
(h) ˆ0 dan ˆ1 mempunyai varians minimum dalam seluruh kelas
penaksir bisa, baik linear maupun bukan.
Asumsi kenormalan memungkinkan kita untuk memperoleh distribusi probabilitas dari ˆ0(normal), ˆ1(normal), dan ˆ2(chikuadrat), hal ini menyederhanakan tugas dalam menetapkan selang keyakinan dan pengujian hipotesis secara statistik.
c) Uji F
F test digunakan untuk menguji ada tidaknya pengaruh signifikan variabel bebas secara simultan terhadap variabel tergantung. Bila Fhitung Ftabel, maka secara simultan variabel bebas berpengaruh terhadap variabel tergantung, sebaliknya jika Fhitung Ftabel maka secara simultan variabel bebas tidak berpengaruh terhadap variabel tergantung.
F = 1 / 1 / 2 2 k n R k R F = 2 2 1 1 / R k k n R Dengan keterangan: n = Ukuran Sampel R2 = Koefisien determinasi
k = Banyaknya variable bebas
Kriteria yang digunakan untuk mencari Ftabel df1= n-1, df2= n-k-1 dengan tingkat signifikansi 5%.
Hoditerima:
Apabila Fhitung Ftabel pada 0,05 atau Fhitung pada pvalue> 0,05, secara simultan brand awareness, brand association, brand perceived quality
dan brand loyalty tidak berpengaruh terhadap kepuasan konsumen suatu produk.
Hoditolak:
Apabila Fhitung Ftabel pada 0,05 atau Fhitung pada pvalue 0,05, secara simultan brand awareness, brand association, brand perceived quality
dan brand loyalty berpengaruh terhadap kepuasan konsumen suatu produk.
d) Uji t
Uji t digunakan untuk mengetahui ada tidaknya pengaruh signifikan variabel X secara parsial terhadap variabel Y, jika variabel X yang lain tetap. Jika thitung ttabel maka ada pengaruh positif dan signifikan dari variabel bebas terhadap variabel terikat, sebaliknya jika thitung ttabel maka tidak ada pengaruh positif dan signifikan dari variabel-variabel bebas terhadap variabel terikat, maka dilakukan uji t.
t0= i i i Sb B b = 1, 2, 3,………. Dengan keterangan:
bi = Nilai koefisien regresi
Bi = Nilai koefisien regresi untuk populasi Sbi= Kesalahan baku koefisien regresi Hoditerima:
Apabila thitung ttabel pada 0,05 atau thitung pada pvalue> 0,05, secara parsial brand awareness, brand association, brand perceived quality dan
brand loyalty tidak berpengaruh terhadap kepuasan konsumen suatu produk
Hoditolak:
Apabila thitung ttabel pada 0,05 atau thitung pada pvalue< 0,05, secara parsial brand awareness, brand association, brand perceived quality dan
BAB IV