Model regresi linier berganda dapat disebut sebagai model yang baik jika model tersebut memenuhi asumsi normalitas data dan terbebas dari asumsi-asumsi
klasik statistik, baik itu multikolineritas, autokorelasi, dan heteroskesdastisitas.
D. Uji Asumsi Klasik a.
Uji Normalitas Data
Uji normalitas data ini bertujuan untuk mengetahui distribusi data dalam variabel yang akan digunakan dalam penelitian. Data yang baik dan layak
digunakan dalam penelitian adalah data yang memiliki distribusi normal. Data pada variabel yang baik adalah data yang memiliki bentuk kurva dengan
kemiringan seinmbang dari sisi kiri dan kanan, atau tidak condong ke kiri ataupun ke kanan, melainkan ke tengah dengan bentuk seperti lonceng, dengan nilai
skewness mendekati 0 Gambar 4.1. Sedangkan output kurva Normal P-Plot Gambar 4.2 menunjukkan distribusi dari titik-titik data faktor dalam hal
mempengaruhi variabel parking X
1
, food and beverages X
2
, variabel waiting facilities X
3
, variabel other facilities X
4
, dan variabel services X
5
menyebar di sekitar garis diagonal dan penyebaran titik-titik data searah dengan garis
diagonal. Adapun output kurva normal terdapat dalam Gambar 4.1 dan Gambar 4.2.
Universitas Sumatera Utara
E x
p e
c te
d C
u m
P ro
b
Gambar 4.1 Histogram Sumber: Pengelolahan SPSS 2010
Gambar 4.2 Normal P-P Plot of Regression Standardized Residual
Sumber: Pengelolahan SPSS 2010
3 2
1 -1
-2 -3
-4
Regression Standardized Residual
25 20
15 10
5
Dependent Variable: Kepuasan_Tamu Histogram
Mean = 4.37E-16 Std. Dev. = 0.973
N = 94
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0
0.8
0.6
0.4
0.2
0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: Kepuasan_Tamu
Universitas Sumatera Utara
Gambar 4.1 dan Gambar 4.2 menunjukkan pendistribusian data penelitian tersebut telah memenuhi uji normalitas data. Dengan kata lain, data faktor-faktor
yang mempengaruhi kepuasan tamu variabel parking, food and beverages, variabel waiting facilities, variabel other facilities, dan variabel services
memiliki kecenderungan berdistribusi normal.
b. Uji Multikolineritas
Menurut Nugroho 2005:58, uji multikolineritas diperlukan untuk mengetahui ada tidaknya variabel independent yang memiliki kemiripan dengan
variabel independent yang lain dalam satu model. Deteksi multikolineritas pada suatu model dapat dilihat dari nilai Variance Inflation Factor VIF tidak lebih
dari 10 dan nilai Tolerance tidak kurang dari 0,1, maka model dapat dikatakan terbebas dari multikolineritas. Untuk lebih jelasnya dapat dilihat pada Tabel 4.16.
Tabel 4.16
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance
VIF 1
Constant 2.947
2.067 1.426
.157 Parking
.077 .086
.036 .900
.371 .963 1.038
Food_Beverages 1.016
.076 .983
13.353 .000
.288 3.470 Waiting_Facilities
-.072 .088
-.061 -.820
.414 .280 3.566
Other_Facilities .001
.056 .001
.025 .980
.992 1.008 Service
.032 .042
.030 .750
.455 .958 1.044
a Dependent Variable: Kepuasan_Tamu Sumber: Pengelolahan SPSS 2010
c. Uji Autokorelasi
Menguji autokorelasi dalam suatu model bertujuan untuk mengetahui ada tidaknya korelasi antara variabel pengganggu pada
e
t
pada periode tertentu dengan variabel pengganggu periode sebelumnya
e
t -1
. Untuk mempercepat
Universitas Sumatera Utara
proses ada tidaknya autokorelasi dalam suatu model dapat digunakan patokan nilai Durbin Watson hitung mendekati angka 2. Jika nilai Durbin Watson hitung
mendekati atau disekitar angka 2 maka model tersebut terbebas dari asumsi klasik autokorelasi, karena angka 2 pada uji Durbin Watson terletak di daerah No
Autocorelation. Uji asumsi klasik statistik autokorelasi dapat dideteksi dari output pada Tabel 4.17 sebagai berikut:
Tabel 4.17 Model Summaryb
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-
Watson 1
.929a .863
.855 1.09277
1.953 a Predictors: Constant, Service, Parking, Other_Facilities, Food_Beverages, Waiting_Facilities
b Dependent Variable: Kepuasan_Tamu
Sumber: Pengelolahan SPSS 2010
Pada output tersebut diperoleh nilai Durbin Watson sebesar 1,953. Langkah selanjutnya adalah melakukan uji menggunakan tabel batas bawah dl dan batas
atas du untuk mengetahui daerah autokorelasi dari nilai Durbin Watson.
Negative No Autocorrelation Autocorrelation Positif
dl du 1.953 2 4-du 4-dl 4 1.78 1.54
2.46 2.22
Gambar 4.3 Autokorelasi Sumber: Pengelolahan SPSS 2010
Hasil uji autokorelasi dengan Durbin Watson menunjukkan angka 1,953 dengan batas bawah dl dan batas atas du terlihat pada Gambar 4.3. Dengan
jumlah variabel bebas k = 5, dengan jumlah sampel n = 94, maka dl = 1,78 dan du = 1,54. Berdasarkan uji di atas tampak bahwa nilai Durbin Watson hitung
Universitas Sumatera Utara
2 1
-1 -2
-3
Regression Standardized Predicted Value
3 2
1 -1
-2 -3
-4
Re gr
es sio
n S tud
en tiz
ed R
es idu
al
Dependent Variable: Y Scatterplot
1,953 terletak di daerah NoAutocorrelation sehingga dapat disimpulkan bahwa model regresi linear berganda terbebas dari asumsi klasik statistik autokorelasi.
d. Uji Heteroskesdastisitas
Heteroskesdastisitas menguji terjadinya perbedaan varience residual suatu periode pengamatan ke periode pengamatan yang lain, atau gambaran hubungan
antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut. Cara memprediksi ada tidaknya heteroskesdastisitas pada suatu model dapat
dilihat dari pola gambar Scatterplot model tersebut. Analisis pada gambar Scatterplot yang menyatakan model regresi linear berganda tidak terdapat
heteroskesdastisitas jika: 1.
Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. 2.
Titik-titik data tidak mengumpul hanya di atas atau di bawah saja. 3.
Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
4. Penyebaran titik-titik data sebaiknya tidak berpola.
Asumsi klasik statistik heteroskesdastisitas dapat dideteksi dari output SPSS pada Gambar 4.4.
Gambar 4.4 Scatterplot
Sumber: Pengelolahan SPSS 2010
Universitas Sumatera Utara
Pada Gambar 4.4 dapat dilihat bahwa model regresi linear baerganda terbebas dari asumsi klasik heteroskesdastisitas dan layak digunakan dalam
penelitian.
E. Pengujian Hipotesis 1.
