66
4.4 Uji Asumsi Klasik
4.4.1 Uji Normalitas
Tujuan uji normalitas adalah ingin menguji apakah dalam model regresi distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi
data dengan bentuk lonceng. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid. Ada dua cara untuk mendeteksi apakah data berdistribusi normal atau
tidak, yaitu dengan pendekatan grafik dan pendekatan Kolmogorv-Smirnov. 1.
Analisis Grafik Salah satu cara untuk melihat normalitas adalah dengan melihat grafik
histogram dan grafik normal p-p plot, yang membandingkan antara dua observasi dengan distribusi yang mendekati distribusi normal. Hasil output SPSS terlihat
seperti Gambar 4.2 dan Gambar 4.3.
67
Gambar 4.2 Pengujian Normalitas Histogram
Sumber: Hasil Pengolahan SPSS Juni 2015 Berdasarkan grafik dapat disimpulkan bahwa distribusi data normal karena
grafik histogram menunjukkan pola distribusi normal maka model regresi memenuhi asumsi normalitas dan sebaliknya jika data menyebar jauh dari garis
diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi data normal yang tidak melenceng kanan maupun
melenceng kiri. Jadi, data residual berdistribusi normal. Terbukti bahwa data maupun model yang digunakan memenuhi asumsi normalitas.
68
Gambar 4.3 Pengujian Normalitas P-P Plot
Sumber: Hasil Pengolahan SPSS Juni 2015 Pada P-P Plot terlihat bahwa titik-titik menyebar disekitar garis diagonal
dan cenderung mengikuti arah garis diagonal. Hal ini menunjukkan bahwa data yang dipergunakan dalam penelitian ini memenuhi asumsi normalitas sehingga
layak untuk diuji dengan model regresi.
69 2.
Analisis Statistik Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal, padahal
secara statistik tidak berdistribusi normal. Jika nilai sig probability lebih besar dari 0,05 maka Ho ditolak dengan pengertian bahwa data yang dianalisis
berdistribusi normal. Demikian juga sebaliknya jika nilai sig probability lebih kecil dari 0,05 maka Ho diterima dengan pengertian bahwa data yang dianalisis
tidak berdistribusi normal. Berikut ini pengujian normalitas yang didasarkan dengan uji statistik nonparametik Kolmogorv-Smirnov K-S.
Tabel 4.10 Uji Kolmogorv-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 2.76556872
Most Extreme Differences Absolute
.078 Positive
.078 Negative
-.066 Kolmogorov-Smirnov Z
.495 Asymp. Sig. 2-tailed
.967 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Pengolahan SPSS Juni 2015 Berdasarkan tabel 4.10, terlihat bahwa nilai Asymp.Sig. 2-tailed adalah
0,967, ini berarti nilainya diatas nilai signifikan 5 0,05, dengan kata lain variabel tersebut berdistribusi normal.
70
4.4.2 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians. Jika varians 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. Ada beberapa cara untuk mendeteksi ada atau
tidaknya heteroskedastisitas, yaitu: 1.
Analisis Grafik Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar di
atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas, sedangkan jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu
yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
71
Gambar 4.4 Pengujian Heteroskedastisitas Scatterplot
Sumber: Hasil Pengolahan SPSS Juni 2015 Berdasarkan gambar 4.4 dapat terlihat bahwa tidak ada pola yang jelas,
serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi.
2. Analisis Statistik
Dasar analisis metode statistik adalah jika variabel bebas signifikan secara statistik mempengaruhi variabel terikat, maka ada indikasi terjadi
heteroskedastisitas.
72
Tabel 4.11 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta 1
Constant 2.873
4.654 .617
.541 Slogan
.189 .146
.211 1.293
.204 Harga
.109 .202
.088 .541
.592 Kualitas_Produk
.047 .062
.125 .764
.450 a. Dependent Variable: absut
Sumber: Hasil Pengolahan SPSS Juni 2015 Berdasarkan tabel 4.11 dapat diketahui bahwa tidak satupun variabel bebas
yang signifikan secara statistik mempengaruhi variabel absolut Ut absut. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 jadi
disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
4.4.3 Uji Multikolinieritas
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor, kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance 0,1, dan VIF 5, maka tidak terjadi multikolinieritas.
73
Tabel 4.12 Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 22.332
7.575 2.948
.006 Slogan
.506 .238
.188 2.128
.040 .982
1.018 Harga
.763 .329
.205 2.320
.026 .983
1.017 Kualitas_Produ
k .957
.100 .842
9.532 .000
.984 1.016
a. Dependent Variable: Minat_Beli
Sumber: Hasil Pengolahan SPSS Juni 2015 Berdasarkan tabel 4.12 dapat terlihat bahwa nilai data variabel tidak
terkena multikolinieritas karena nilai VIF 5 dan nilai Tolerance 0,1 sehingga model regresi layak dipakai untuk memprediksi minat beli konsumen berdasarkan
masukan dari variabel slogan, harga, dan kualitas produk.
4.5 Uji Hipotesis
