C. Uji Asumsi Klasik 1. Uji Normalitas
Tujuan uji normalitas adalah menguji apakah dalam model regresi distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi
data dengan bentuk lonceng. Jika asumsi ini dilanggar maka uji statistik menjadi tidak valid. Ada dua cara untuk mendeteksi data berdistribusi normal atau tidak,
yaitu dengan analisis grafik dan uji statistik.
a. Analisis Grafik
Salah satu cara untuk melihat normalitas adalah dengan melihat grafik histogram dan grafik normal plot yang membandingkan antara data observasi
dengan distribusi yang mendekati distribusi normal. Hasil dari output SPSS 16.0 seperti gambar 4.1 dan gambar 4.2
GAMBAR 4.1 Histogram uji normalitas
Sumber: Hasil pengolahan SPSS Agustus 2010
Universitas Sumatera Utara
GAMBAR 4.2 Plot uji normalitas
Sumber: Hasil data SPSS 16 Agustus 2010
Berdasarkan Gambar 4.1 historgram dapat disimpulkan bahawa variabel loyalitas konsumen berdistribusi normal, hal ini ditunjukkan oleh distribusi pada
gambar tersebut tidak melenceng ke kiri atau ke kanan. Selain itu berdasarkan gambar 4.2 scatterplot terlihat titik yang mengikuti data di sepanjang garis
diagonal, berarti data berdistribusi normal.
b. Analisis Statistik
Uji normallitas dengan grafik bisa saja terlihat berdistribusi normal padahal secara statistik tidak berdistribus normal. Berikut ini pengujian normalitas
yang didasarkan dengan uji statistik non-parametrik Kolmogorov-Smirnov K-S.
Universitas Sumatera Utara
TABEL 4.7 Tabel Kolmogorov-smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 57
Normal Parameters
a
Mean .0000000
Std. Deviation 1.17112323
Most Extreme Differences
Absolute .102
Positive .081
Negative -.102
Kolmogorov-Smirnov Z .771
Asymp. Sig. 2-tailed .591
Sumber : hasil pengolahan data SPSS Agustus 2010
Berdasarkan Tabel 4.7 dapat diketahui bahwa nilai Asymp. Sig. 2-tailed adalah 0.591, ini berarti di atas nilai signifikan 5. Oleh karena itu, sesuai dengan
analisis grafik, analisis statistik dengan dengan uji statistik non-parametrik Kolmogorov-Smirnov K-S juga menyatakan bahwa variabel residual
berdistribusi normal.
2. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah di dalam model regresi terjadi ketidaksamaan varians dari satu residual pengamatan ke pengamatan lain. 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.
Universitas Sumatera Utara
Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu:
a. Metode Grafik
Dasar analisis adalah jika 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 yang ada membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi
heteroskedastisitas.
GAMBAR 4.3 Scatter plot
Sumber: hasil SPSS Agustus 2010
Berdasarkan Gambar 4.3 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 heterokedastistas pada model regresi.
Universitas Sumatera Utara
b. Uji Glejser TABEL 4.8
Uji Glejser
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant 1.249
.753 1.658
.103 Persepsikualitas
-.010 .046
-.066 -.216
.830 Hambatanberpindah
.000 .054
.005 .015
.988
Sumber: Data hasil SPSS Agustus 2010
Dari hasil uji Glejser diatas dapat disimpulkan bahwa tidak ada indikasi terjadi heteroskedastisitas, hal ini terlihat dari nilai probabilitas signifikansi yang
di atas tingkat kepercayaan 5 0.05, yakni 0,830 untuk variabel persepsi kualitas dan 0,988 untuk variabel hambatan berpindah.
3. Uji multikolinearitas
Uji multikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antarvariabel independen. Model regresi yang baik
seharusnya tidak terjadi korelasi di antara variabel independen. Berikut ini disajikan cara mendeteksi multikolinearitas dengan menganalisis matrik korelasi
antar variabel independen dan perhitungan nilai Tolerance dan Variance Inflation Factor VIF.
Universitas Sumatera Utara
TABEL 4.9 Uji tolerance dan VIF
Model Unstandardiz
ed Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std.
Error Beta
Toleran ce
VIF 1 Constant
-6.457 1.161 -5.561 .000
persepsikualitas .380 .070
.610 5.397 .000 .195 5.126
hambatanberpindah .255 .084
.344 3.043 .004 .195 5.126
Sumber: data pengolahan SPSS Agustus 2010
Berdasarkan Tabel 4.9 terlihat bahwa: a.
Nilai VIF dari nilai-nilai persepsi kualitas dan hambatan berpindah lebih kecil atau dibawah 5 VIF 5, ini berarti tidak terdapat multikolinieritas
antarvariabel independen dalam model regresi. b.
Nilai Tolerance dari nilai-nilai persepsi kualitas dan hambatan berpindah lebih besar dari 0.1, ini berarti tidak terdapat multikolinieritas antar variabel
independen dalam model regresi.
D. Metode analisis statistik 1. Analisis Regresi Linier Berganda
Analisis regresi linier berganda dilakukan dengan bantuan SPSS 16.0 for windows dengan tujuan untuk mengetahui seberapa besar pengaruh variabel bebas
yang terdiri dari nilai-nilai persepsi kualitas X
1
, hambatan berpindah X
2
dan loyalitas konsumen Y.
Universitas Sumatera Utara