METODOLOGI PENELITIAN
D. Uji Asumsi Klasik 1.Uji Normalitas
Uji ini bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Model regresi yang baik dan layak digunakan adalah distribusi data normal atau mendekati normal (Ghozali, 2005: 110).
Gambar 4.2
104 Sumber: hasil output SPSS data primer yang telah diolah 2016 Berdasarkan gambar 4.2 di atas grafik normal p-plot, dapat disimpulkan bahwa dalam grafik normal p-plot terlihat titik menyebar disekitar garis diagonal, dan penyebarannya tidak terlalu jauh atau melebar. Berarti dari grafik ini menunjukkan bahwa model regresi sesuai asumsi normalitas dan layak digunakan.
105 Tabel 4.38
Hasil Uji One-Sample Komogorov-Smirnov (K-S) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parametersa,,b Mean .0000000
Std. Deviation 1.49524347
Most Extreme Differences Absolute .097
Positive .074
Negative -.097
Kolmogorov-Smirnov Z .613
Asymp. Sig. (2-tailed) .847
a. Test distribution is Normal.
b. Calculated from data.
Sumber: Data Primer yang diolah, 2016
Tabel 4.38 menunjukkan hasil statistik dari uji normalitas memperlihatkan Nilai A Simp Sig (2-tailed) sebesar 0,847 lebih besar dari 0,05 yang berarti bahwa data terdistribusi normal.
2. Uji Multikolinieritas
Uji Multikolinieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antara variabel bebas. Untuk mendeteksi ada tidaknya Multikolinieritas yaitu dengan melihat nilai VIF (Variance Inflation Factor) dan nilai tolerance. Model regresi dikatakan bebas dari Multikolinieritas apabila nilai VIF < 10, dan nilai tolerance> 0,1 (10%). (Ghozali 2005 : 91).
Hasil pengujian VIF dari model regresi dapat dilihat dalam tabel berikut : Tabel 4.39
Hasil Uji Multikolinearitas Coefficientsa
106 Sumber : hasil output SPSS data primer yang telah diolah 2016
Hasil tabel diatas perhitungan nilai Variance Inflation Faktor (VIF) menunjukkan nilai-nilai VIF variabel citra merek 5,064, lokasi 4,990 dan kualitas pelayanan 9,194 ini menunjukan tidak ada satu variabel independenpun yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolonearitas antara variabel independen dalam model regresi. Hasil perhitungan juga menunjukan nilai Tolerance masing-masing variabel yaitu, citra merek sebesar 0,197, lokasi sebesar 0,200, dan kualitas pelayanan sebesar 0,109. Hal ini menunjukkan bahwa tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0,10 (Tolerance< 0,10), maka hasilnya adalah tidak terjadi Multikolinieritas dalam model regresi. Hal ini sesuai dengan pernyataan Imam Ghozali (2005: 91), bahwa nilai cutoff yang umum dipakai untuk menilai adanya Multikolinieritas adalah jika nilai VIF >10 atau nilai tolerance< 0,10.
3. Uji Heteroskedastisitas
Heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya. Jika varian residual satu pengamatan ke pengamatan lainnya tetap maka disebut Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
(Constant) 1.757 1.068 1.645 .109
CM_x1 .093 .045 .243 2.067 .046 .197 5.064
LOK_x2 .161 .065 .288 2.473 .018 .200 4.990
KUPEL_x3 .401 .138 .460 2.909 .006 .109 9.194
107 homoskesdastisitas dan jika berbeda disebut heterokedastisitas. (Ghozali 2005:105).
Gambar 4.3
Grafik Scatterplot Hasil Uji Heteroskedastisitas
Sumber : hasil output SPSS data primer yang telah diolah 2016
Dari grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola yang jelas tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi keputusan pemilihan berdasarkan masukan variabel independen (bebas) citra merek, lokasi dan kualitas pelayanan. Sesuai dengan pernyataan Imam Ghozali (2005:105), bahwa jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), dan jika tidak ada pola yang jelas serta titik-titik yang menyebar di atas dan di bawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Tabel 4.40
108 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 1.757 1.068 1.645 .109 CM .093 .045 .243 2.067 .046 LOK .161 .065 .288 2.473 .018 KUPEL .401 .138 .460 2.909 .006
a. Dependent Variable: KUPPEM Interprestasi :
Berdasarkan output di atas diketahui bahwa nilai signifikasi variabel Citra Merek (X1) sebesar 0,046 lebih kecil dari 0,05, artinya terjadi heteroskedastisitas pada variabel Citra Merek (X1). Sementara itu diketahui bahwa nilai signifikasi variabel Lokasi (X2) sebesar 0,018 lebih kecil dari 0,05, artinya terjadi heteroskedastisitas pada variabel Lokasi (X2). Selanjutnya diketahui bahwa nilai signifikasi variabel Kualitas Pelayanan (X3) sebesar 0,006 lebih kecil dari 0,05, artinya terjadi heteroskedastisitas pada variabel Kualitas Pelayanan (X3).
4. Uji Hipotesis a) Uji t (parsial)
Uji statistik t menunjukan seberapa jauh pengaruh satu variabel penjelas atau independen secara individual dalam menerangkan variasi variabel dependen yang digunakan untuk mengetahui ada atau tidaknya pengaruh masing-masing variabel independen secara individual terhadap variabel dependen yang diuji pada tingkat signifikasi 0,05 (Ghozali, 2009:84).
Tabel 4.41
109 Sum ber : hasil outp ut SPSS data
primer yang telah diolah 2016
Hasil uji t hitung pada tabel coefficient diatas dapat diketahui pengaruh variabel independen secara parsial terhadap variabel dependen diketahui hasil sebagai berikut:
1) Pengaruh citra merek terhadap keputusan pemilihan:
a) Ho : β1 = 0 ; tidak terdapat pengaruh antara citra merek terhadap keputusan pemilihan
b) Ha : β1 ≠ 0 ; terdapat pengaruh antara citra merek terhadap keputusan pemilihan
Hasil uji t variabel citra merek (X1) terhadap keputusan pemilihan (Y) menunjukkan nilai signifikansi 0,046 < 0,05. Karena sig. > α, maka dapat disimpulkan bahwa Ho ditolak dan Ha diterima, artinya koefisien regresi pada variabel citra merek signifikan. Artinya citra merek secara parsial (individu) berpengaruh terhadap keputusan pemilihan.
Penelitian ini sesuia sebelumnya yang dilakukan oleh Mohamad .P. Wijaya (2013) yang berjudul “Analisis pengaruh promosi, citra merek dan Saluran
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 1.757 1.068 1.645 .109 CM_x1 .093 .045 .243 2.067 .046 LOK_x2 .161 .065 .288 2.473 .018 KUPEL_x3 .401 .138 .460 2.909 .006
110 Distribusi terhadap keputusan pembelian jasa Terminix di kota Manado”, hasil penelitian melalui uji t menunjukkan bahwa variabel promosi, citra merek, dan saluran distibusi berpengaruh positif terhadap keputusan pembelian.
2) Pengaruh lokasi terhadap keputusan pemilihan:
a) Ho : β3 = 0 ; tidak terdapat pengaruh antara lokasi terhadap keputusan pemilian
b) Ha : β3 ≠ 0 ; terdapat pengaruh antara lokasi terhadap keputusan pemilihan
Hasil uji t variabel lokasi (X2) terhadap keputusan pemilihan (Y) menunjukkan nilai signifikansi 0,018 < 0,05. Karena sig. < α, maka dapat disimpulkan bahwa Ho ditolak dan Ha diterima, artinya koefisien regresi pada variabel lokasi signifikan. Artinya variabel lokasi secara parsial (individu) berpengaruh terhadap keputusan pemilihan.
Hasil penelitian sebelumnya yang dilakukan oleh Apri Santoso dan Sri Yuni Widowati (2011) yang berjudul “Analisis Pengaruh Kualitas Pelayanan, Fasilitas, dan Lokasi terhadap Keputusan Pembelian pada Koperasi Mahasiswa Semarang (Kopima USM)”, hasil penelitian menunjukkan bahwa kualitas pelayanan, fasilitas, dan lokasi berpengaruh positif terhadap keputusan pemilihan.
3) Pengaruh kualitas pelayanan terhadap keputusan pemilihan:
a) Ho : β4 = 0 ; tidak terdapat pengaruh antara kualitas pelayanan terhadap keputusan pemilihan
b) Ha : β4 ≠ 0 ; terdapat pengaruh antara kualitas pelayanan terhadap keputusan pemilihan
111 Hasil uji t variabel kualitas pelayanan (X3) terhadap keputusan pemilihan (Y) menunjukkan nilai signifikansi 0,006 < 0,05. Karena sig. < α, maka dapat disimpulkan bahwa Ho ditolak dan Ha diterima, artinya koefisien regresi pada variabel kualitas pelayanan signifikan. Artinya variabel kualitas pelayanan secara parsial (individu) berpengaruh terhadap keputusan pemilihan.
Hasil penelitian ini didukung oleh penelitian sebelumnya yang dilakukan oleh Denny Daud (2013) yang berjudul “Analisis Pengaruh Promosi dan Kualitas Layanan Terhadap Keputusan Pembelian pada Jasa Pembiayaan PT. Bess Finance di kota Manado”, hasil penelitian menunjukkan bahwa variabel promosi dan kualitas layanan berpengaruh terhadap keputusan pemilihan. b) Uji F (simultan)
Uji statistik F menunjukan apakah semua variabel independen atau bebaas yang dimasukan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen atau terikat. Uji statistik F digunakan untuk mengetahui semua pengaruh variabel independen yang diuji pada tingkat signifikan 0,05 (Ghozali, 2005). Hipotesis yang digunakan dalam penelitian ini adalah:
1) Ha : β1,2,3,4,≠ 0 ; terdapat pengaruh antara citra merek, lokasi, dan kualitas pelayanan secara simultan terhadap keputusan pemilihan.
2) Ho : β1,2,3,4, = 0 ; tidak terdapat pengaruh antara citra merek, lokasi, dan kualitas pelayanan secara simultan terhadap keputusan pemilihan.
Tabel 4.42
Uji signfikansi F (simultan) ANOVAb
112
1 Regression 803.206 3 267.735 110.540 .000a
Residual 87.194 36 2.422
Total 890.400 39
a. Predictors: (Constant), KUPEL_x3, LOK_x2, CM_x1
b. Dependent Variable: KUPPEM_y
Nilai F hitung yang diperoleh 110.540 dengan tingkat signifikasi 0,000 karena tingkat signifikasi lebih kecil dari 0,05 maka model regresi ini dapat dipakai untuk variabel keputusan pemilihan. Dengan kata lain dapat dikatakan bahwa variabel citra merek, lokasi, dan kualitas pelayanan secara bersama-sama (simultan) berpengaruh secara signifikan terhadap variabel keputusan pemiihan.
5. Uji Regresi Linier Berganda
Teknik analisis yang digunakan dalam penelitian ini adalah teknik analisis regresi linier berganda. Analisis regresi linier berganda digunakan sebagai alat analisis statistik karena penelitian ini dirancang untuk meneliti variabel-variabel yang berpengaruh dari variabel independen terhadap variabel dependen dimana variabel yang digunakan dalam penelitian ini lebih dari satu. Untuk menentukan persamaan regresi, maka dapat dilihat pada tabel berikut:
113 Tabel 4.43
Hasil regresi linier berganda
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta (Constant) 1.757 1.068 1.645 .109 Citra Merek .093 .045 .243 2.067 .046 Lokasi .161 .065 .288 2.473 .018 Kualitas Pelayanan .401 .138 .460 2.909 .006
a. Dependent Variable: Keputusan pembelian
Sumber : hasil output SPSS data primer yang telah diolah, 2016
Berdasarkan tabel Coefficients diatas dapat diperoleh persamaan regresi linier berganda sebagai berikut:
Y = 1,757 + 0,093 X1 + 0,161 X2 + 0,401 X3 + e keterangan:
Y = Keputusan pemilihan
a = Harga Y bila X = 0 (harga konstan) b 1 = Koefisien regresi citra merek X1 = Citra Merek
b2 = Koefisien regresi lokasi X2 = Lokasi
b3 = Koefisien regresi kualitas pelayanan X3 = Kualitas Pelayanan
e = Standar eror
Dari persamaan diatas dapat dijelaskan sebagai berikut:
a. Nilai a sebesar 1,757 berarti jika X1 (citra merek), X2 (lokasi), dan X3
Y = a + b
1x
1+ b
2x
2+ b
3x
3+ e
114 (kualitas pelayanan) bernilai 0, maka keputusan pemilihan akan bernilai 1,757.
b. Koefisien regresi dari variabel X1 (citra merek) sebesar 0,093 menyatakan bahwa Y (keputusan pemilihan) akan meningkat sebesar 0,093 untuk setiap tambahan satu satuan X1 (citra merek) dengan asumsi variabel lain konstan. Jadi apabila citra merek mengalami peningkatan satu satuan, maka keputusan pemilihan akan meningkat sebesar 0,093.
c. Koefisien regresi dari variabel X2 (lokasi) sebesar 0,161 menyatakan bahwa Y (keputusan pemilihan) akan meningkat sebesar 0,161 untuk setiap tambahan satu satuan X2 (lokasi) dengan asumsi variabel lain konstan. Jadi apabila lokasi mengalami peningkatan satu satuan, maka keputusan pemilihan akan meningkat sebesar 0,161.
d. Koefisien regresi dari variabel X3 (kualitas pelayanan) sebesar 0,401 menyatakan bahwa Y (keputusan pemilihan) akan meningkat sebesar 0,401 untuk setiap tambahan satu satuan X3 (kualitas pelayanan) dengan asumsi variabel lain konstan. Jadi apabila kualitas pelayanan mengalami peningkatan satu satuan, maka keputusan pemilihan akan meningkat sebesar 0,401.
Untuk mengetahui diantara variabel bebas tersebut yang berpengaruh paling dominan terhadap variabel terikat dapat dilihat dari nilai koefisien beta masing-masing. Koefisien beta merupakan nilai dari koefisien regresi yang telah distandarisasi dan berguna untuk membandingkan mana di antara variabel bebas yang dominan terhadap variabel terikat.
Dari tabel dapat dilihat nilai koefisien beta untuk masing-masing variabel bebas tersebut:
115 1. Nilai koefisien beta X1 (Citra Merek) adalah 0,093.
2. Nilai koefisien beta X2 (Lokasi) adalah 0,161.
3. Nilai koefisien beta X3 (Kualitas Pelayanan) adalah 0,401.
Sehingga dapat disimpulkan bahwa diantara variabel bebas dalam penelitian ini yang lebih dominan pengaruhnya adalah kualitas pelayanan yaitu sebesar 0,401 atau 40,1%.
6. Uji Koefisien Determinasi (R2)
Uji koefisien determinasi (R2) bertujuan untuk mengetahui seberapa besar kemampuan variabel independen menjelaskan variabel dependennya yang dilihat melalui R square. Untuk mengetahui determinasi variabel yang diteliti dapat dilihat dari tabel berikut ini:
Tabel 4.44
Hasil Uji Koefisien Determinasi (R2) Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .950a .902 .894 1.556
a. Predictors: (Constant), KUPEL_x3,LOK_x2,CM_x1 b. Dependent Variable: KUPEM_Y
Sumber : hasil output SPSS data primer yang telah diolah 2016
Dari tabel diatas diketahui nilai koefisien R sebesar 0,950 mengandung arti bahwa hubungan antara variabel citra merek, lokasi, kualitas pelayanan dengan keputusan pemilian sebesar 0,950 atau mempunyai hubungan yang sangat kuat (Sugiono dalam Duwi Priyatno, 2010: 65).
Nilai koefisien R2(Adjusted R square) 0,894 hasil ini menunjukan bahwa 89,4% variabel keputusan pemilihan dapat dijelaskan oleh variasi dari ketiga variabel independen (citra merek, lokasi, dan kualitas pelayanan). R square berkisar pada
116 angka 0-1, dengan catatan semakin besar angka R square maka semakin kuat hubungan dari ketiga variabel dalam model regresi.
Jadi dapat disimpulkan bahwa 89,4% keputusan pemilihan dapat dijelaskan oleh variabel citra merek, lokasi, dan kualitas pelayanan. Dan selisihnya 10,6% (100% - 89,4%) dijelaskan oleh variabel lain yang tidak diteliti dalam penelitian ini seperti variabel word of mouth, inovasi, gaya hidup, promosi dan lain-lain yang secara teori dan hasil penelitian-penelitian sebelumnya berpengaruh terhadap keputusan pemilihan.
117 BAB V