HASIL PENELITIAN
4 Responden Berdasarkan Pendapatan
5.1.3 Uji Asumsi Klasik 1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Uji Normalitas bertujuan untuk menguji apakah distribusi data normal atau tidak, salah satu cara melihat normalitas adalah melihat grafik
histogram dan normal P-P Plot yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal (Ghozali, 2005:31).
Metode pengujian normal tidaknya distribusi data dilakukan dengan melihat bentuk grafik histogram, jika grafik membentuk lonceng atau gunung maka distribusi normal. Sedangkan metode grafik normal P-P Plot dengan melihat penyebaran data pada sumber diagonal pada grafik Normal P-P Plot of Regression Standardized Residual sebagai dasar pengambilan keputusan-keputusannya, jika menyebar sekitar garis dan mengikuti garis dan mengikuti garis diagonal maka residual pada model regresi tersebut terdistribusi secara normal.
Hasil output spss untuk uji normalitas dengan analisa grafik histogram dan berdasarkan grafik Normal P-P Plot adalah sebagai berikut:
Gambar 5.1 Grafik Histogram
Sumber: Data penelitian yang diolah, 2017
Dari grafik 5.1 histogram dapat diketahui bahwa grafik membentuk gunung atau lonceng. Dengan ini maka data residual terdistribusi secara normal.
Grafik 5.2 Normal P-P Plot
Sumber: Data penelitian yang diolah, 2017
Dari grafik 5.2 normal P-P Plot dapat diketahui bahwa titik-titik menyebar sekitar garis dan mengikuti garis diagonal. Dengan ini maka data residual terdistribusi secara normal.
2. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk menguji apakah model regrersi ditemukan adanya korelasi yang tinggi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi yang tinggi di antara variabel bebas. Metode pengujian yang biasa digunakan yaitu dengan
melihat nilai inflation Factor (VIF) dan Tolerance lebih dari 0,1 maka model regresi bebas dari multikolinearitas.
Tabel 5.11 Uji Multikolinearitas
No Variabel Tolerance VIF Keterangan
1 Promosi
Pemasaran 0,998 1,002 Bebas
Multikolinieritas
2 Brand
Awareness 0,9918 1,002 Bebas
Multikolinieritas Sumber: Data penelitian yang diolah, 2017
Berdasarkan hasil tabel 5.11 uji multikolineritas di atas bahwa nilai VIF kurang dari 10 dan nilai Tolerance lebih dari 0,1 untuk ketiga variabel maka dapat disimpulkan bahwa model regresi tidak terjadi masalah multikolineritas.
3. Uji Heteroskedastisitas
Menurut Ghozali (2005:105) uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance residual dari satu pengamatan ke pengamatan yang lain. Uji heteroskedastisitas dengan metode scatterplot yaitu dengan melihat pola titik-titik pada scatterplot regresi. Jika titik-titik menyebar dengan pola yang tidak jelas di atas dan di bawah angka 0 pada sumbu Y mka tidak terjadi masalah heteroskedastisitas.
Grafik 5.3 Uji Heteroskedastisitas
Sumber: Data penelitian yang diolah, 2017
Hasil uji heteroskedastisitas dapat diketahui bahwa titik-titik menyebar dengan pola yang tidak jelas diatas dan dibawah angka 0 pada sumbu Y, jadi dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.
4. Uji Linieritas
Uji linieritas merupakan uji prasyarat yang biasanya dilakukan jika akan melakukan analisis korelasi pearson atau regresi linier. Uji ini bertujuan
untuk mengetahui apakah dua variabel secara signifikan mempunyai hubungan yang linear atau tidak. Untuk uji linieritas pada SPSS digunakan test for linearity dengan taraf signifikansi 0,05. Dua variabel dikatakan
mempunyai hubungan yang linear bila nilai signifikansi 0,05 pada Deviation from Linearity lebih dari 0,05. Pendapat lain menyatakan juga jika signifikansi pada F Linearity kurang dari 0,05 maka hubungan ke dua variabel adalah linear.
Tabel 5.12 Uji Linieritas
Promosi Pemasaran dan Keputusan Konsumen
ANOVA Table
Sumber: Data penelitian yang diolah, 2017
Dari tabel 5.12 uji linieritas promosi pemasaran dan keputusan konsumen dapat diketahui bahwa nilai signifikansi pada Deviation from Linearity sebesar 0,681. Karena signifikansi lebih dari 0,05 (0,681 > 0,05) maka dapat disimpulkan bahwa antara variabel promosi pemasaran dan
keputusan konsumen terdapat hubungan yang linear. Dengan ini maka asumsi linearitas terpenuhi.
Tabel 5.13 Uji Linieritas
Brand Awereness dan Keputusan Konsumen
ANOVA Table
Sumber: Data penelitian yang diolah, 2017
Dari tabel 5.13 uji linieritas brand awereness dan keputusan konsumen diatas dapat diketahui bahwa nilai signifikansi pada Deviation from Linearity sebesar 0,907. Karena signifikansi lebih dari 0,05 (0,907 > 0,05) maka dapat disimpulkan bahwa antara variabel brand awereness dan keputusan konsumen terdapat hubungan yang linear. Dengan ini maka asumsi linearitas terpenuhi.
5. Uji Homogenitas
Uji homogenitas digunakan sebagai uji prasyarat jika akan melakukan uji Independent Samples T Test atau uji One Way Anova. Uji ini untuk mengetahui apakah beberapa varian populasi data adalah sama atau berbeda. Jika nilai signifikansi lebih dari 0,05 maka dapat dikatakan bahwa varian dari dua atau lebih kelompok data adalah sama.
Tabel 5.14 Uji Homogenitas
Promosi Pemasaran, Brand Awareness, dan Keputusan Konsumen
Test of Homogeneity of Variances
Levene Statistic df1 df2 Sig.
Promosi Pemasaaran 2.097 9 38 .054
Brand Awareness 2.840 9 38 .012
Sumber: Data penelitian yang diolah, 2017
Dari hasil pengujian tabel 5.14 uji homogenitas dapat dilihat pada Teat of homogeneity of Variance. Dari hasil pengujian dapat diketahui bahwa nilai signifikansi (sig) promosi pemasaran sebesar 0,054 dan nilai signifikansi (sig) brand awereness sebesar 0,012. Karena variabel promosi pemasaran nilai signifikansi diatas dari 0,05 dan brand awareness nilai signifikansi dibawah dari 0,05 maka dapat disimpulkan bahwa ketiga variabel mempunyai varian yang tidak sama.
6. Uji Autokorelasi
Uji Autokorelasi digunakan untuk menguji apakah model regresi ada korelasi antara residual pada periode t dengan residual pada periode sebelumnya (t-1). Model regresi yang baik adalah tidak adanya masalah autokorelasi. Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson (uji DW).
du < dw < 4 – du maka H0 diterima, artinya tidak terjadi autokorelasi.
dw < dl atau dw > 4 – dl maka H0 ditolak, artinya terjadi autokorelasi.
dl < dw < < dl atau 4 – du < dw < 4 – dl, artinya tidak ada kepastian atau
kesimpulan yang pasti.
Tabel 5.15 Hasil Uji Autokorelasi
dw dl Du 4-dl 4-du
1.043 1,462 1,628 2,583 2,372 Sumber: Data penelitian yang diolah, 2017
Dari tabel 5.15 hasil Uji Autokorelasi bahwa nilai dw berada diantara nilai dw < dl maka H0 ditolak, artinya terjadi autokorelasi.