1.3.2 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji model regresi terjadi ketidaksamaan varians sari satu residual pengamatan ke pengamatan lain. Jika varian dari residual satu
pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang
homoskedastisitas atau tidak terjadi heteroskedastisitas. Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas,
yaitu:
1 Metode Grafik
Dasar analisis adalah jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas, sedangkan jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka mengindikasikan
telah terjadi heteroskedastisitas.
Universitas Sumatera Utara
Gambar 4.5 Scatterplot
Sumber: Hasil Pengolahan SPSS 2013
Berdasarkan gambar 4.5 dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka berdasarka
metode grafik tidak terjadi heteroskedastisitas pada model regresi.
2 Uji Glejser
Glejser mengusulkan untuk meregresi nilai absolut residual terhadap variabel independen. Jika variabel independen signifikan secara statistik
mempengaruhi variabel independen, maka ada indikasi terjadi heteroskedastisitas.
Universitas Sumatera Utara
Tabel 4.12
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant -1.120
1.978 -.566
.573 bentukfisik
-.097 .050
-.302 -1.941
.055 kehandalan
.095 .102
.115 .933
.353 dayatanggap
.014 .088
.016 .160
.873 Jaminan
.079 .052
.190 1.524
.131 Empati
.042 .071
.076 .598
.551 a. Dependent Variable: absut
Sumber: Hasil Pengolahan SPSS 2013
Kriteria pengambilan keputusan dengan uji Glejser sebagai berikut :
a. Jika nilai signifikan 0,05 maka tidak mengalami gangguan heteroskedastisitas.
b. Jika nilai signifikan 0,05 maka mengalami gangguan heteroskedastisita. Tabel 4.12 memperlihatkan bahwa tidak satupun variabel independen yang
signifikan secara statistik mempengaruhi variabel dependen absolut Ut Absut. Hal ini terlihat dari probabilitas signifikan diatas tingkat kepercayaan 5, jadi
model regresi tidak mengarah adanya heteroskedastisitas.
Uji Multikolinearitas
Gejala multikolineritas dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor. Kedua varian ini menunjukkan variabel independen
manakah yang dijelaskan oleh independen lainnya. Tolerance mengukur
Universitas Sumatera Utara
variabilitas variabel independen terpilih yang tidak dijelaskan oleh variabel lainnya. Nilai umum yang biasa dipakai adalah nilai Tolerance 0,1 atau nilai
VIF 5, maka tidak terjadi multikolineritas, Situmorang dkk 2008:104.
Tabel 4.13
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
-1.969 3.288
-.599 .551
bentukfisik .334
.083 .387
4.019 .000
.420 2.379
kehandalan .188
.169 .085
1.111 .269
.670 1.492
dayatanggap -.200
.147 -.086
-1.361 .177
.967 1.034
Jaminan .407
.086 .366
4.727 .000
.652 1.533
Empati .247
.118 .166
2.101 .038
.622 1.607
a. Dependent Variable: kepuasanpelanggan
Sumber: Hasil Pengolahan SPSS 2013
Berdasrkan Tabel 4.13 dapat dilihat terliaht bahwa :
a. Nilai VIF dari variabel Kehandalan, Jaminan, Bukti Fisik, Daya Tanggap dan Empati lebih kecilatau dibawah 5 VIF 5, ini berarti tidak terdapat
multikolineritas antar variabel independen dalam model regresi. b. Nilai Tolerance dari variabel Kehandalan, Jaminan, Bukti Fisik, Daya
tanggap dan Empati lebih besar dari 0,1 Nilai Tolerance 0,1 ini berarti tidak terdapat multikolineritas antar variabel indepeden dalam model
regresi.
Universitas Sumatera Utara
4.4 Analisis Regresi Linear Berganda