sebesar 67,4 dan termasuk dalam kriteria tidak baik. Untuk lebih jelasnya berikut disajikan diagram batang tentang kesedian merekomendasi.
Diagram 14 Diagram batang deskriptif persentasi tentang kesedian merekomendasi
4.1.4 Metode Analisis Data
Metode analisis data yang digunakan dalam penelitian ini adalah uji normalitas data, uji asumsi klasik dan uji regresi berganda yang terdiri data uji
linieritas data pengaruh variabel independen terhadap variabel dependen secara simultan, uji r
2
besarnya pengaruh variabel independen terhadap variabel dependen, uji t uji pengaruh variabel independen terhadap variabel dependen
secara parsial.
4.1.4.1 Uji Normalitas Data
Berdasarkan teori statistika model linier hanya residu dari variabel dependent Y yang wajib diuji normalitasnya, sedangkan variabel independent
diasumsikan bukan fungsi distribusi. Jadi tidak perlu diuji normalitasnya. Hasil output dari pengujian normalitas dengan Kolmogorov-Smirnov
adalah sebagai berikut. Tabel 4.18 Hasil Uji Normalitas Menggunakan Kolmogorov Smirnov
10 20
30 40
50
Sangat Baik Baik
Cukup Tidak baik
Sangat tidak baik
12 46
19 19
4
Analisis data hasil Output : Uji normalitas data digunakan hipotesis sebagai berikut :
H : Data berdistribusi normal
H
1
: Data tidak berdistribusi normal
Kriteria penerimaan H H
diterima jika nilai sig 2-tailed ≥ 5.
Dari tabel diperoleh nilai sig produk = 0,249 = 24,9 5 , sig harga = 0,053 = 5,3 5, sig kepuasan = 0,272 = 27,2 5, maka H
diterima. Artinya variabel unstandarized berdistribusi normal.
Uji normalitas juga dapat dilihat pada grafik Normal P-Plot sebagai berikut.
One-Sample Kolmogorov-Smirnov Test
100 100
100 67.1400
71.5667 68.1667
11.83474 12.83107
13.48712 .102
.135 .100
.055 .076
.084 -.102
-.135 -.100
1.020 1.348
.999 .249
.053 .272
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
Produk Harga
Kepuasan
Test distribution is Normal. a.
Calculated from data. b.
One-Sample Kolmogrov-Smirnov
N Normal Parameter a,b Mean
Std. Deviation Most Extreme
Absolute Differences
Positive Negative
Kolmogrov-Smirnov Z Asymp. Sig. 2-tailed
a. Test distribution is Normal.
b. Calculated from data.
Gambar 4.1 Normal P-P Plot
Pada grafik P-Plot terlihat data menyebar di sekitar garis diagonal dan mengikuti arah garis histograf menuju pola distribusi normal maka variabel
dependen Y memenuhi asumsi normalitas.
4.1.4.2 Uji Asumsi Klasik.
Pengujian asumsi klasik pada penelitian ini meliputi uji autokorelasi, Uji multikolonieritas dan uji heterokedastisitas.
1. Uji Autokorelasi
Untuk melihat terjadi atau tidaknya autokorelasi dalam suatu model regresi dapat dilihat pada tabel Model Summary di bawah ini.
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
Expect ed C
um Pr
ob
Dependent Variable: Kepuasan Normal P-P Plot of Regression Standardized Residual
Normal P-P Plot of Regression Standarized residual Dependent Variable : Kepuasan
Observed Cum Prob
Tabel 4.19 Model Summary
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .665
a
.442 .430
3.05389 2.015
a. Predictors: Constant, VAR00003, VAR00002 b. Dependent Variabel: VAR00004
Hipotesis : Ho :
3
= 0, tidak ada korelasi antar variabel independen Ha :
3
0, ada korelasi antar variabel independen . Kriteria pengambilan keputusan:
Dengan k=2, n = 100 diperoleh nilai dl= 1,634 dan du=1,715 .
Gambar 4.2 Kriteria pengambilan keputusan
Dw 1,761
Menerima Ho atau Ho atau kedua - duanya
Daerah keraguan -raguan
Tolak Ho bukti autokorelasi positif
Daerah keraguan -raguan
Tolak Ho bukti autokorelasi negatiff
dl 1,444
du 1,727
4 - du 2,273
4 - dl 2,556
4
Pada tabel model summary diperoleh nilai DW
hitung
= 2,015, karena nilai DW
hitung
= 2,015 terletak pada daerah penerimaan Ho jadi dapat disimpulkan tidak terjadi autokorelasi, jadi uji regresi ganda dapat dilanjutkan.
0 dl du
DW 4-du
4-dl 4
1,634 1,715 2,015
2,285 2,366
4 Model Summary
a. Predictor: constan, VAR0003, VAR0002
b. Dependent Variable: VAR0004
2. Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik tidak
terjadi korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya multikolonearitas di dalam model regresi adalah dengan melihat nilai toleransi
dan Variance Inflation Factor VIF. Apabila nilai tolerance 10 dan nilai VIF 10, maka dapat disimpulkan tidak ada multikolinieritas antar variabel bebas
dalam model regresi. Berikut hasil perhitungan menggunakan program SPSS 16: Tabel 4.20 Uji Multikolonieritas
Dari tabel diatas terlihat setiap variabel bebas mempunyai nilai tolerance 0,1 dan nilai VIF 10. Jadi dapat disimpulkan tidak terjadi multikolinearitas
antara variabel bebas produk, dan harga yang mempengaruhi kepuasan studi kasus pada pengunjung objek wisata Taman Krida Wisata Kabupaten Kudus.
3. Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan yang lain.
Heteroskedastisitas menunjukkan penyebaran variabel bebas. Penyebaran yang acak menunjukkan model regresi yang baik, dengan kata lain tidak terjadi
heteroskedastisitas. Untuk menguji heteroskedastisitas dapat dilakukan dengan
Coefficients
a
10.925 6.621
1.650 .102
.399 .103
.351 3.865
.000 .365
.699 1.430
.425 .095
.404 4.459
.000 .412
.699 1.430
Constant Produk
Harga Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Partial Correlations
Tolerance VIF
Collinearity Statistics
Dependent Variable: Kepuasan a.
Coefficients
mengamati grafik scatterplot dengan pola titik-titik yang menyebar di atas dan di bawah sumbu Y. Berikut hasil pengolahan menggunakan program SPSS 16:
Gambar 4.3 Scatterplot
Pada grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun dibawah angka nol pada sumbu Y. Hal ini dapat
disimpulkan tidak terjadi heteroskedastisitas pada model regresi ini.
4.1.4.3 Analisis Regresi Berganda
Berdasarkan analisis dengan program SPSS 16 for Windows diperoleh hasil regresi berganda seperti terangkum pada tabel 4.23 berikut:
-4 -2
2 4
Regression Standardized Predicted Value
-4 -3
-2 -1
1 2
3
Regre ssi
on St udenti
zed Res
idual
Dependent Variable: Kepuasan Scatterplot
Scatterplot Dependent Variable : Kepuasan
Regression standardized Predicted
Tabel 4.21 Regresi Berganda
Berdasarkan tabel 4.14 di atas diperoleh persamaan regresi berganda sebagai
berikut: Y = 10,925 + 0.399X
1
+ 0.425X
2
. Persamaan regresi tersebut mempunyai makna sebagai berikut:
1. Konstanta = 10,925 Jika variabel produk dan harga dianggap sama dengan nol, maka variabel
kepuasan pengunjung sebesar 10,925 2. Koefisien X
1
= 0.399 Jika variabel produk mengalami kenaikan sebesar satu poin, sementara
harga dianggap tetap, maka akan menyebabkan kenaikan kepuasan pengunjung sebesar 0.399.
3. Koefisien X
2
= 0.425 Jika variabel harga mengalami kenaikan sebesar satu poin, sementara
produk dianggap tetap, maka akan menyebabkan kenaikan kepuasan pengunjung sebesar 0.425.
Coefficients
a
10.925 6.621
1.650 .102
.399 .103
.351 3.865
.000 .365
.699 1.430
.425 .095
.404 4.459
.000 .412
.699 1.430
Constant Produk
Harga Model
1 B
Std. Error Unstandardized
Coefficients Beta
Standardized Coefficients
t Sig.
Partial Correlations
Tolerance VIF
Collinearity Statistics
Dependent Variable: Kepuasan a.
Coeffcients
Dependent Variable : Kepuasan
4.1.4.4 Pengujian Hipotesis
