Sumber: beritanet.co.id Data Pengunduh Aplikasi Layanan Jasa GOJEK
METODOLOGI PENELITIAN
E. Uji Asumsi Klasik 1.Uji Normalitas 1.Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal (Ghazali, 2011: 110). Data yang baik dan layak digunakan dalam penelitian adalah yang memiliki distribusi normal. Normalitas data dapat dilihat dengan beberapa cara, diantaranya yaitu dengan melihat kurva normal p-plot.
61 Suatu variabel dikatakan normal jika gambar distribusi dengan titik-titik data yang menyebar di sekitar garis diagonal, dan penyebaran titik-titik data searah mengikuti garis diagonal. Uji normalitas data juga dilakukan dengan uji Kolmogorov-Smirnov. Untuk mempermudah dalam melakukan perhitungan secara statistik. Suatu data dinyatakan berdistribusi normal jika nilai Asymp Sig (2-tailed) hasil pehitungan Kolmongorov-Smirnov lebih besar dari 1/2α atau 0,05 (Ghazali,2011:161).
2. Uji Multikolineraritas
Menurut Ghazali (2011: 91), uji multikolinieritas bertujuan untuk menguji apakah di dalam model regresi ditemukan adanya korelasi antara variabel bebas (independent). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independent. Jika variabel independent saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independent yang nilai korelasi antar sesama variabel independent sama dengan nol. Untuk mendeteksi ada atau tidaknya multikolinieritas di dalam model regresi adalah sebagai berikut:
a. Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independent banyak yang tidak signifikan mempengaruhi variabel dependent. b. Menganalisis matriks korelasi variabel-variabel independent. Jika antar
variabel ada korelasi yang cukup tinggi (umumnya di atas 0.90), maka hal ini merupakan indikasi adanya multikolinieritas. Tidak adanya korelasi yang tinggi antar variabel independent tidak berarti bebas dari
62 multikolinieritas. Multikolinieritas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independent.
c. Multikolinieritas dapat juga dilihat dari (1) nilai tolerance dan lawannya (2) variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel independent manakah yang dijelaskan oleh variabel independent lainnya. Dalam pengertian sederhana setiap variabel independent menjadi variabel dependent (terikat) dan diregres terhadap variabel independent lainnya. Tolerance mengukur variabilitas variabel independent yang terpilih jika dijelaskan oleh variabel independent lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/tolerance). Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai tolerance < 0.10 atau sama dengan nilai VIF > 10. Setiap peneliti harus menentukan tingkat kolinieritas yang masih dapat ditolerir. Sebagai misal nilai tolerance = 0.10 sama dengan tingkat kolinieritas 0.95. Walaupun multikolinieritas dapat dideteksi dengan nilai tolerance dan VIF, tetapi kita masih tetap tidak mengetahui variabel-variabel independent mana sajakah yang saling berkolerasi.
3. Uji Heteroskedastisitas
Menurut Ghazali (2011:139) uji heteroskedastisitas bertujuan menguji apakah di dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut
63 homokedastisitas dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas. Kebanyakan data crossection mengandung situasi heterokedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran (kecil, sedang, besar).
Salah satu cara untuk mendeteksi ada atau tidaknya heterokedastisitas adalah dengan cara melihat grafik plot antara nilai prediksi variabel terikat (dependent) yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heterokedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) yang telah di-studentized. Dengan analisis jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heterokedastisitas dan jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas. (Ghazali,2011:139).
Uji heterokedastisitas juga bisa dilakukan dengan uji Glesjer yaitu dilakukan dengan cara meregresikan antara variabel independen dengan nilai absolut residualnya lebih dari 0,05 maka tidak terjadi masalah heteroskedastisitas. (Gujarati 2012:508)
64 F. Uji Hipotesis
1. Uji F (Uji Simultan)
Menurut Ghazali (2011:101), uji statistik F pada dasarnya menunjukan apakah semua variabel independen atau bebas yang dimaksudkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen atau terikat. Salah satu cara melakukan uji F adalah diuji pada tingkat signifikan < 0,05 dan membandingkan nilai F hasil perhitungan dengan nilai F menurut tabel. Bila nilai F hitung besar daripada nilai F tabel, maka kita menerima hipotesis alternatif yang menyatakan bahwa semua variabel independen secara simultan mempengaruhi variabel dependen (Ghazali,2011 : 101).
2. Uji t (Uji Parsial)
Uji statistik t menunjukkan seberapa jauh pengaruh satu variabel penjelas atau independen secara individual dalam menerangkan variasi variabel dependen dan digunakan untuk mengetahui ada atau tidaknya pengaruh masing-masing variabel independen secara individual terhadap variabel dependen yang diuji pada tingkat signifikansi 0,05 (Ghazali, 20011:84-85).
Dalam pengujian hipotesis yang menggunakan uji dua pihak ( two tails) ini berlaku ketentuan, bahwa bila nilai thitung berada pada daerah penerimaan H0 atau terletak diantara nilai t tabel, maka H0 diterima dan Ha
di tolak. Dengan demikian bila harga thitung lebih kecil atau sama dengan (≤) dari harga t tabel maka H0 di terima. Nilai thitung adalah harga mutlak, jadi tidak dilihat (+) atau (-) nya ( Sugiyono,2011).
65 G. Analisis Regresi Linier Berganda
Analisis regresi berganda adalah alat untuk meramalkan nilai pengaruh dua variabel bebas atau lebih terhadap satu variabel terikat. Yang bertujuan untuk membuktikan ada tidaknya hubungan fungsional atau hubungan kausal antara dua atau lebih variabel bebas (Nugroho, 2005: 43). Rumus regresi linier berganda:
(Nugroho, 2005: 43). Dimana:
Y = Keputusan penggunaan
a = harga Y bila X = 0 (harga konstan) b1 = Koefisien regresi perceived ease of use X1 = Perceived ease of use
b2 = Koefisien regresi word of mouth X2 = Word of mouth
b3 = Koefisien regresi brand Image X3 = Brand Image
e = Standar eror
66 H. Uji Koefisien Determinasi (R2)
Koefisien determinasi (R2) bertujuan untuk mengetahui seberapa besar kemampuan variabel independent menjelaskan variabel dependent. Kelemahan mendasar dalam penggunaan koefisien determinasi adalah jumlah variabel independent yang dimasukkan kedalam model. Setiap tambahan satu variabel independent, maka R2 pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependent. Oleh karena itu, banyak peneliti yang menganjurkan untuk menggunakan nilai Adjusted R2 pada saat mengevaluasi mana model regresi yang terbaik. Tidak seperti nilai R2, nilai Adjusted R2 dapat naik atau turun apabila satu variabel independent ditambahkan ke dalam model (Ghazali, 2005: 83).
Dalam kenyataan nilai adjusted R2 dapat bernilai negatif, walaupun yang dikehendaki harus bernilai positif. Menurut Gujarati dalam (Ghazali, 2005: 83), jika dalam uji empiris didapat nilai adjusted R2 negatif, maka nilainya dianggap nol.
Menurut Nachrowi dan Usman (2006: 108), mengatakan bahwa untuk melihat besarnya pengaruh variabel bebas terhadap variabel terikat, salah satu indikator yang dapat digunakan adalah nilai beta (Standardized Coefficient) yang terdapat pada tabel „coefficient’, angka ini dapat menunjukan besarnya pengaruh variabel bebas terhadap variabel terikat.
67 I. Operasional Variabel Penelitian
Variabel penelitian adalah sesuatu hal yang berbentuk apa saja ditetapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi tentang hal tersebut, kemudian ditarik kesimpulannya (Sugiyono, 2007: 59).
Variabel-variabel dalam penelitian ini adalah:
1. Variabel bebas (independent variable) adalah merupakan variabel yang mempengaruhi atau yang menjadi sebab perubahannya atau timbulnya variabel terikat (dependent variable) (Sugiyono, 2007: 59). Dalam penelitian ini yang menjadi variabel bebas adalah perceived ease of use (X1), word of mouth (X2), dan brand image (X3)
2. Variabel terikat (dependent variable) merupakan variabel yang dipengaruhi atau yang menjadi akibat, karena adanya variabel bebas (Sugiyono, 2007: 59). Dalam penelitian ini yang menjadi variabel terikat adalah keputusan pembelian (Y).
68 Tabel 3.2
Operasional variabel penelitian
Variabel Indikator Skala
Perceived ease of use (X1) (Jogiyanto 2007:129 )
Kemudahan
mempelajari 1. Aplikasi mudah dipelajari Likert Mengerjakan dengan
mudah apa yang diinginkan pengguna
2. Sesuai dengan keinginan
pengguna Likert
Kemudahan yang dapat meningkatkan keinginan pengguna
3. Aplikasi yang praktis meningkatkan kemudahan pengguna Likert Kemudahan dalam pengoperasian 4. Pengoperasian aplikasi
GOJEK mudah Likert
Word of mouth (X2) (Godes dan Mayzlin 2004:23)
Volume
1. Sering mendengar GOJEK dalam percakapan sehari – sehari
Likert 2. Melakukan diskusi
mengenai GOJEK dengan orang lain
Likert 3. Mendapatkan
rekomendasi dari orang lain
Likert
Dispersion
4. Mendapatkan informasi
dari keluarga Likert
5. Mendapatkan informasi
dari teman terdekat Likert 6. Mendapatkan informasi
dari orang yang pernah menggunakan jasa GOJEK
Likert
7. Mendapatkan informasi dari orang yang berbeda profesi
Likert 8. Mendapatkan informasi
dari orang yang status sosialnya berbeda
69 Lanjutan Tabel 3.2
Operasional variabel penelitian
Variabel Indikator Skala
Brand Image (X3) (Philip Kotler dan Kevin Lane Keller
2012:56) Strengthness 1. Penampilan fisik produk. Likert 2. Keberfungsian fasilitas produk 3. Harga produk. Uniquess
4. Berbeda dengan produk
lain Likert
Favourable
5. Nama merek mudah diucapkan.
Likert 6. Nama merek mudah
diingat.
Keputusan Penggunaan (Y) (Philip Kotler dan
Kevin Lane Keller 2012 : 166)
Brand 1. Pilihan merek Likert
Timing 2. Sesuai dengan
kebutuhan Likert
Payment 3. Kemudahan
Likert 4. Variasi
70 BAB IV
