49 koefisien semua butir pertanyaan lebih besar dibandingkan dengan r
tabel
yang sebesar 0,360 sehingga semua butir pernyataan dinyatakan valid.
b. Pengujian Reliabilitas Pengujian dilakukan dengan menggunakan program SPSS versi 12.00. Butir
pernyataan yang sudah dinyatakan valid dalam uji validitas ditentukan reliabilitas dengan kriteria sebagai berikut :
1. Jika r
alpha
positif dan lebih besar dari r
tabel
maka reliabel. 2.
Jika r
alpha
negatif atau r
alpha
lebih kecil dari r
tabel
maka tidak reliabel .
Tabel 4.11 Uji Reliabilitas
Reliability Statistics
.926 29
Cronbachs Alpha
N of Items
Berdasarkan 16 butir pertanyaan dengan tingkat signifikan 5 r alpha = 0.926. ini berarti r alpha r tabel yaitu 0.360 sehingga dapat dinyatakan bahwa kuesioner tersebut
reliabel dan dapat disebarkan kepada responden sebagai instrumen penelitian ini.
2. Asumsi Klasik
a. Normalitas Uji normalitas miliki tujuan yaitu ingin mengetahui apakah distribusi sebuah data
mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Data ynag baik adalah data yang mempunyai pola seperti distribusi normal, yakni
distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan.
Universitas Sumatera Utara
50
Tabel 4.12 Asumsi Klasik Normalitas
-3 -2
-1 1
2 3
4
Regression Standardized Residual
5 10
15 20
25
F req
uenc y
Mean = -1.52E-15 Std. Dev. = 0.979
N = 96
Dependent Variable: TingkatKedatangan Histogram
Sumber : pengolahan data primer dengan aplikasi software SPSS 12 for windows
Universitas Sumatera Utara
51
Tabel 4.13
Asumsi Klasik Normalitas
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Expected Cum Prob
Dependent Variable: TingkatKedatangan Normal P-P Plot of Regression Standardized Residual
Sumber : pengolahan data primer dengan aplikasi software SPSS 12 for windows
Pengambilan Keputusan : Berdasarkan scatter plot terlihat ttik yang mengikuti data di sepanjang garis
diagonal. Hal ini berarti data berdistribusi normal. Namun seringkali data kelihatan normal karena mengikuti garis diagonal. Padahal belum tentu data tersebut berdistribusi
normal. b. Heteroskedastisitas
Asumsi Klasik Regresi Heteroskedastisitas adalah merupakan suatu variabel residual yang tidak konstan pada regresi sehingga akurasi hasil prediksi menjadi
Universitas Sumatera Utara
52 meragukan. Heteroskedastisitas dapat diartikan sebagai ketidaksamaan variasi variabel
pada semua pengamatan, dan kesalahan yang terjadi memperlihatkan hubungan yang sistematis sesuai dengan besarnya satu atau lebih variabel bebas sehingga kesalahan
tersebut tidak random acak. Residu pada heteroskedastisitas semakin besar apabila pengamatan semakin besar. Demikian juga pengamatan variabel bebas yaitu bauran
promosi X yang semakin besar akan memperbesar rata-rata residu.
Tabel 4.14 Asumsi Klasik Regresi Heteroskedastisitas
-3 -2
-1 1
2 3
4
Regression Studentized Residual
-5 -4
-3 -2
-1 1
2
Regression Standardized Predicted Value
Dependent Variable: TingkatKedatangan Scatterplot
Sumber : pengolahan data primer dengan aplikasi software SPSS 12 for windows
Heteroskedastisitas yang ada dalam regresi dapat menyebabkan Hasan 2002:282 pada buku Budi, Triton Prawira; 2006; hal.152 , yaitu :
1 Penaksiran estimatoryang diperoleh menjadi tidak efisien, Hal ini disebabkan oleh
varians yang sudah tidak minim lagi tidak efisien.
Universitas Sumatera Utara
53
2
Kesalahan baku koefisien regresi akan terpengaruh sehingga memberikan indikasi yang salah. Dengan demikian koefisien determinasi memperlihatkan daya
penjelasan yang telalu besar. Heteroskedastisitas dapat terjadi karena dinamika lingkungan dari data variabel
yang sulit diidentifikasikan pada saat membuat model regresi sehingga muncul asumsi bahwa regresi sebaiknya terbebas dari Heteroskedastisitas.
Pengambilan Keputusan : Berdasarkan grafik Scatterplot yang disajikan, terlihat titik-titik menyebar secara
acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada
model regresi, sehingga model regresi layak dipakai untuk memprediksi keputusan konsumen, berdasarkan masukan variabel independentnya. Kelemahan model plot adalah
jumlah pengamatan. Jika jumlah pengamatan sedikit maka akan sulit menginterpretasikan hasil grafik plot. Helmi Syafrizal, M. Jaf’ar, Muslich Syahyunan, 2008: 68.
b. Multikolinearitas
Multikolinearitas dapat dideteksi pada model regresi apabila pada varabel terdapat pasangan variabel bebas yang saling berkorelasi kuat satu sama lain. Apabila pada regresi
terdeteksi adanya kasus multikolinearitas, maka dapat terjadi perubahan tanda koefisien regresi dari positif pada saat diuji dengan regresi sederhana, menjadi negatif pada saat
diuji dengan regresi berganda, atau sebaliknya. Disamping itu multikolinearitas dapat menyebabkan fluktuasi yang besar pada prediksi koefisien regresi, dan juga dapat
Universitas Sumatera Utara
54 menyebabkan penambahan variabel independen yang tidak berpengaruh sama sekali,
berikut tabelnya:
Tabel 4.15 Asumsi Klasik Multikolinearitas
Coefficients
a
9.782 2.481
3.943 .000
.621 .188
.262 3.301
.001 .888
1.126 .811
.213 .308
3.805 .000
.854 1.171
.769 .186
.320 4.137
.000 .934
1.070 .563
.213 .205
2.643 .010
.934 1.071
Constant Advertising
PersonalSelling SalesPromotion
Publicity Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Tolerance VIF
Collinearity Statistics
Dependent Variable: TingkatKedatangan a.
Sumber : pengolahan data primer dengan aplikasi software SPSS 12 for windows
Adanya multikolinieritas dapat dilihat dari tolerance value atau nilai Variance Inflation Factor VIF yaitu dengan rumus :
VIF =
1
R
2
1 - k
R2 = Koefisien determinasi R2 berganda ketika k diregresikan dengan variabel- variabel X lainnya.
Batas tolerance value adalah 0,1 dan batas VIF adalah 5, dimana : Tolerance value 0.1 atau VIF 5 = terjadi multikolinieritas
Tolerance value 0.1 atau VIF 5 = tidak terjadi multikolinieritas Pengambilan Keputusan :
Untuk mendeteksi ada atau tidak adanya multikolinieritas dapay dilakukan dengan melihat toleransi variabel dan Variance Inflation Factor VIF dengan membandingkan
sebagai berikut Helmi Syafrizal, M. Jaf’ar, Iskandar, Muslich Syahyunan, 2008: 101
Universitas Sumatera Utara
55 VIF 5 maka diduga mempunyai persoalan multikolineritas
VIF 5 maka tidak terdapat multikolienaritas Tolerance 0,1 maka diduga mempunyai persoalan multikolineritas
Tolerance 0,1 maka tidak terdapat multikolienaritas
3. Regresi Linier Berganda
