METODEBPENELITIANB A.JenisBPenelitianB
L. TeknikBAnalisisBDataB 1.Uji Asumsi Klasik
Menurut Sunyoto, (2011:131) model regresi linier berganda dapat disebut baik jika terbebas dari asumsi-asumsi klasik statistik, yaitu normalitas, multikolinieritas, autokorelasi, dan heteroskedastisitas.
a) Uji Normalitas
Uji normalitas digunakan untuk menguji variabel bebas (X) dan data variabel terikat (Y) pada persamaan regresi yang dihasilkan berdistribusi normal atau berdistribusi tidak normal. Persamaan regresi dikatakan baik jika mempunyai data variabel bebas dan terikat berdistribusi mendekati normal atau normal sama sekali. Dalam menguji data variabel bebas dan data variabel terikat berdistribusi normal atau tidak pada cara statistik ini melalui uji Kolmogorov-Smirnov dengan bantuan SPSS. Dasar pengambilan keputusan normalitas data dengan melihat angka probabilitas,
yaitu jika probabilitas > 0,05 maka data tersebut berdistribusi normal dan jika probabilitas ≤ 0,05 maka data tersebut tidak berdistribusi normal.
Selain memakai Kolmogorov-Smirnov penelitian ini juga menggunakan normal probability plots. Cara normal probability plots membandingkan data rill dengan data distribusi normal (otomatis oleh komputer) secara komulatif. Suatu data dikatakan berdistribusi normal jika garis data riil mengikuti garis diagonal.
b) Uji Multikolinieritas
Uji asumsi klasik ini diterapkan untuk analisis regresi berganda yang terdiri atas dua atau lebih variabel bebas (x1, x2, x3, x4,...., xn), di mana akan diukur tingkat asosiasi (keeratan) hubungan/pengaruh antar variabel bebas tersebut melalui besaran koefisien korelasi (r). Dikatakan terjadi multikolinieritas, jika koefisien korelasi antar variabel bebas (x1, x2, x3, x4,...., xn) lebih besar dari 0,60 (pendapat lain: 0,50 dan 0,90). Dikatakan tidak terjadi multikolinieritas jika koefisien korelasi antar variabel bebas lebih kecil atau sama dengan 0,60 (r ≤ 0,60).
Atau dalam menentukan ada tidaknya multikolinieritas dapat digunakan dengan cara lain yaitu:
1)Nilai tolerance adalah besarnya tingkat kesalahan yang dibenarkan secara statistik (α).
2)Nilai variance inflation factor adalah faktor inflasi penyimpangan baku kuadrat.
Nilai tolerance (
α
) dan variance inflation factor (VIF) dapat dicari dengan menggabungkan kedua nilai tersebut sebagai berikut:- Besar nilai tolerance (
α
):α
= 1/VIF- Besar nilai variance inflation factor (VIF): 1/
α
Variabel bebas tidak terjadi multikolinier jika nilai VIF ≤ 10. c) Uji Heteroskedastisitas
Dalam persamaan regresi berganda perlu juga diuji mengenai sama atau tidak varians dari residual dari observasi yang satu dengan observasi yang lain. Jika residualnya mempunyai varians yang sama disebut terjadi homoskedastisitas dan jika variansnya tidak sama atau berbeda disebut terjadi heteroskedastisitas. Persamaan regresi yang baik jika tidak terjadi heteroskedastisitas.
Analisis uji asumsi heteroskedastisitas hasil output SPSS melalui grafik scaterplot antara Z prediction (ZPRED) yang merupakan variabel bebas (sumbu X = Y hasil prediksi) dan nilai residualnya (SRESID) merupakan variabel terikat (sumbu Y = Y prediksi – Y riil). Homoskedastisitas terjadi jika pada scaterplot titik-titik hasil pengolahan data antara ZPRED dan SRESID menyebar dibawah maupun di atas titik origin (angka 0) pada sumbu Y dan tidak mempunyai pola yang teratur.
Heteroskedastisitas terjadi jika pada scatterplot titik-titiknya mempunyai pola yang teratur baik menyempit, melebar maupun bergelombang-gelombang.
d) Uji Autokorelasi
Persamaan regresi yang baik adalah yang tidak memiliki masalah autokorelasi, jika terjadi autokorelasi maka persamaan tersebut menjadi tidak baik/tidak layak dipakai prediksi. Masalah autokorelasi baru timbul jika ada korelasi secara linier antara kesalahan pengganggu periode t (berada) dengan kesalahan pengganggu periode t-1 (sebelumnya). Salah satu ukuran dalam menentukan ada tidaknya masalah autokorelasi dengan uji Durbin-Watson (DW) dengan ketentuan sebagai berikut:
1)Terjadi autokorelasi positif, jika nilai DW di bawah -2 (DW< -2)
2)Tidak terjadi autokorelasi, jika nilai DW berada di antara -2 dan +2 atau -2 < DW ≤ ±2
3)Terjadi autokorelasi negatif jika nilai DW di atas + 2 atau DW > +2
2. Regresi Linier Berganda
Model regresi berganda dikembangkan untuk melakukan estimasi/prediksi nilai variabel dependen (Y) dengan menggunakan lebih dari satu variabel independen (X1, X2, X3, dst…). Persamaan regresi berganda adalah:
Keterangan :
Y : variabel dependen (kepuasan konsumen)
a : konstanta dari persamaan regresi
b1 : koefisien regresi dari variabel keistimewaan tambahan
X1 : variabel keistimewaan tambahan
b2 : koefisien regresi dari variabel kualitas yang dipersepsikan X2 : variabel kualitas yang dipersepsikan
b3 : koefisien regresi dari variabel estetika X3 : variabel estetika
3. Uji Signifikansi
(Purwanto, 2007:193) Persamaan regresi yang dihasilkan melalui proses perhitungan tidak selalu merupakan model/persamaan yang baik untuk melakukan estimasi terhadap variabel independennya. Untuk mengetahui ketepatan model regresi sampel dalam menaksir nilai akatualnya dapat diukur dari goodness of fit-nya. Goodness of fit dalam model regresi dapat diukur dari nilai statistik t, nilai statistik F, dan koefisien determinasi.
a) Uji F
Menurut Sunyoto (2011:147) uji F dilakukan untuk mengetahui pengaruh antara variabel independen terhadap variabel dependen. Untuk
melakukan pengujian secara bersama-sama, maka ada beberapa langkah yang diperlukan yaitu:
1)Menentukan Hipotesis
Ho: b1, b2, b3 = 0, artinya keistimewaan tambahan, kualitas yang dipersepsikan, dan estetika (variabel independen/X123) secara bersama-sama tidak berpengaruh terhadap kepuasan konsumen (variabel dependen/Y).
H1: minimal salah satu bi ≠ 0 (i=1,2,3) artinya keistimewaan tambahan, kualitas yang dipersepsikan, dan estetika (variabel independen/X123) secara bersama-sama berpengaruh terhadap kepuasan konsumen (variabel dependen/Y).
2)Menentukan Level of Significance
Untuk menguji ini menggunakan tabel F. Untuk mencari nilai F tabel perlu diketahui derajat bebas pembilang pada kolom, derajat bebas penyebut pada baris dan taraf nyata. Pada penelitian ini menggunakan taraf nyata 5% atau
α
= 0,053)Menentukan Nilai F Hitung
F = K n R K R 2 1 1 2
Keterangan :
F : Nilai F hitung
R2 : Koefisien determinasi
K : Banyaknya variabel yang diteliti n : banyaknya sampel
4)Kriteria
Ho ditolak dan Ha diterima jika Fhitung > F tabel Ho diterima dan Ha ditolak jika F hitung ≤ F tabel
5)Pengambilan Keputusan
Jika Ho ditolak dan Ha diterima, artinya keistimewaan tambahan, kualitas yang dipersepsikan, dan estetika (variabel independen/X123) secara bersama-sama berpengaruh terhadap kepuasan konsumen (variabel dependen/Y).
Jika Ho diterima dan Ha ditolak, keistimewaan tambahan, kualitas yang dipersepsikan, dan estetika (variabel independen/X123) secara bersama-sama tidak berpengaruh terhadap kepuasan konsumen (variabel dependen/Y).
b) Uji t
Uji terhadap nilai statistik t merupakan uji signifikasi parameter individual. Nilai statistik t menunjukkan seberapa jauh pengaruh variabel indepnden secara individual terhadap variabel dependennya. Uji terhadap nilai statistik t juga disebut juga uji parsial yang berupa koefisien regresi (Purwanto, 2007:193). Hipotesis nol (Ho) yang hendak diuji adalah apakah suatu parameter (bi) sama dengan nol atau
1)Menentukan Hipotesis
Ho : bi = 0 , i = 1,2,3 ,artinya suatu variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen. Hipotesis alternatifnya (Ha) parameter suatu variabel tidak sama dengan nol, atau :
Ha : bi ≠ 0 , i = 1,2,3 ,artinya variabel tersebut merupakan penjelas yang signifikan terhadap variabel dependen (Ghozali, 2007:84).
2)Menentukan Level of Significance
Besarnya tingkat signifikan (
α
) yang digunakan dalam penelitian ini adalah 5% atauα
= 0,05.3)Menentukan Nilai t Hitung th =
Sb b
Keterangan : th : t hitung
b : Koefisien regresi
β : Nilai slope dari garis regresi
Sb : Standard error the regression coefficient 4)Kriteria
Jika –t tabel ≤ th ≤ t tabel maka Ho diterima dan Ha ditolak.
Jika th < -t tabel atau th > t tabel, maka Ho ditolak dan Ha diterima.
5)Pengambilan Keputusan
Jika Ho1 diterima, maka keistimewaan tambahan tidak berpengaruh terhadap kepuasan konsumen.
Jika Ho2 diterima, maka kualitas yang dipersepsikan tidak berpengaruh terhadap kepuasan konsumen.
Jika Ho3 diterima, maka estetika tidak berpengaruh terhadap kepuasan konsumen.
Jika Ho1 ditolak, maka keistimewaan tambahan berpengaruh terhadap kepuasan konsumen.
Jika Ho2 ditolak, maka kualitas yang dipersepsikan berpengaruh terhadap kepuasan konsumen.
Jika Ho3 ditolak, maka estetika berpengaruh terhadap kepuasan konsumen.
c) Koefisien determinasi (R2)
Koefisien determinasi sering disimbolkan dengan “R2” pada prinsipnya mengukur seberapa besar kemampuan model menjelaskan variasi variabel dependen. Jadi koefisien determinasi sebenarnya mengukur besarnya presentase pengaruh semua variabel independen dalam model regresi terhadap variabel dependennya. Besarnya nilai koefisien determinasi menunjukkan persentase variasi nilai variabel dependen yang dapat dijelaskan oleh model regresi. Apabila nilai koefisien determinasi dalam model regresi semakin kecil (mendekati nol) berarti semakin kecil pengaruh semua variabel independen terhadap variabel dependennya. Atau dengan kata lain, nilai R2 yang kecil berarti kemampuan semua variabel independen dalam menjelaskan variabel dependen sangat terbatas. Sebaliknya, apabila nilai R2 semakin mendekati 100% berarti semua variabel independen dalam model memberikan hampir semua informasi yang diperlukan untuk memprediksi variabel dependennya atau semakin besar pengaruh semua variabel independen terhadap variabel dependen. Misalnya R2 = 0,85, artinya bahwa variasi nilai Y yang dapat dijelaskan oleh model regresi adalah 85% dan selebihnya atau sebesar 15%, variasi variabel Y dipengaruhi oleh variabel lain di luar model regresi (Purwanto, 2007:195).
45
