Uji Asumsi Klasik .1 Uji Normalitas

sendiri, tidak ada orang yang menyatakan tidak setuju dan tidak ada yang menyatakan sangat tidak setuju. 2. Frekuensi jawaban pernyataan “ Saya bersedia merekomendasikan mobil Toyota kepada orang lain”, diketahui bahwa 20 orang menyatakan sangat setuju, 67 orang menyatakan setuju, 12 orang menyatakan kurang setuju karena tidak yakin atau percaya pada kendaraan Toyota bahwa produk itu dapat memberikan manfaat dan kegunaan dari kendaraan itu, tidak ada orang yang menyatakaan tidak setuju, dan tidak ada yang menyatakan sangat tidak setuju. 3. Frekuensi jawaban pernyataan “Saya tidak terpengaruh oleh merek pesaing”, diketahui bahwa 1 orang menyatakan sangat setuju, 44 orang menyatakan setuju, 47 orang menyatakan kurang setuju , 7 orang yang menyatakan tidak setuju karena konsumen tersebut tidak mengetahui manfaat dari produk Toyota , dan tidak ada yang menyatakan sangat tidak setuju. 4.2.3 Uji Asumsi Klasik 4.2.3.1 Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual berdistribusi normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Untuk melihat normalitas residual penulis menganalisis grafik histogram yang membandingkan antara data observasi dengan distribusi Universitas Sumatera Utara yang mendekati distribusi normal dan juga menganalisis probabilitas plot yang menbandingkan distribusi kumulatif dan distribusi normal. 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. Kriteria pengambilan keputusan: 1. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogram menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. 2. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas. Hasil dari output SPSS 16.0 terlihat seperti Gambar 4.2 dan Gambar 4.3. Universitas Sumatera Utara Sumber : Hasil Pengolahan SPSS 16.0 Gambar 4.2 Histogram Gambar 4.2 memberikan interpretasi bahwa grafik atau pola histogram memiliki distribusi normal dimana grafik tersebut membentuk pola lonceng atau tidak miring ke kanan atau ke kiri. Universitas Sumatera Utara Sumber : Hasil pengolahan SPSS 16.0 Gambar 4.3 Normal P-Plot Gambar 4.3 menunjukkan bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Oleh karena itu, berdasarkan gambar dan gambar kriteria loyalitas pelanggan yang pertama dipenuhi yaitu data berdistribusi normal. b. Analisis Statistik Berikut ini pengujian normalitas yang didasarkan dengan uji statistik non-parametrik Kolmogrov-Smirnov K-S. Menentukan kriteria keputusan, yaitu : Universitas Sumatera Utara 1. Jika nilai Asymp. Sig. 2 tailed ˃ 0,05 maka data tidak mengalami gangguan distribusi normal. 2. Jika nilai Asymp. Sig. 2 Tailed ˂ 0,05 maka data mengalami gangguan distribusi normal. Tabel 4.9 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 99 Normal Parameters a Mean .0000000 Std. Deviation 1.00360879 Most Extreme Differences Absolute .053 Positive .053 Negative -.046 Kolmogorov-Smirnov Z .524 Asymp. Sig. 2-tailed .947 a. Test distribution is Normal. b. Calculated from data. Sumber : Hasil Pengolahan SPSS 16.0 Pada Tabel 4.9 terlihat bahwa nilai Asymp.Sig. 2 tailed adalah 0,947 dan diatas nilai signifikan 0,05, dengan kata lain variabel residual berdistribusi normal.

4.2.3.2 Uji Heteroskedastisitas

Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Heteroskedastisitas diuji dengan menggunakan uji Glejser dengan pengambilan keputusan jika variabel independen signifikan secara statistik mempengaruhi variabel dependen, maka ada indikasi terjadinya heteroskedastisitas. Jika probabilitas signifikannya diatas tingkat kepercayaan 5 dapat disimpulkan Universitas Sumatera Utara model regresi tidak mengarah pada adanya heteroskedastisitas. Heterokedastisitas terjadi jika residual tidak memiliki varians yang konstan. Pemeriksaan terhadap gejala heterokedastisitas adalah dengan melihat pola diagram pencar yaitu grafik yang merupakan diagram pencar residual, yaitu selisih antara nilai Y prediksi dan Y observasi. a. Analisis Grafik 1. Jika diagram pencar yang ada membentuk pola- pola tertentu yang teratur maka regrasi mengalami gangguan heterokedastisitas. 2. Jika diagram pencar yang ada tidak membentuk pola- pola tertentu yang teratur maka regrasi tidak mengalami gangguan heterokedastisitas. Sumber: Pengolahan SPSS 16.0 Gambar 4.4 Scatterplot Universitas Sumatera Utara Pada Gambar 4.4 terlihat model regresi yang digunakan dalam penelitian ini tidak mengalami heteroskedastisitas. Hal ini dapat dilihat pada gambar Scatterplot yang titik-titiknya menyebar secara acak tidak membentuk pola tertentu dan tersebar baik di atas maupun di bawah sumbu Y. Gambar Scatterplot menunjukkan bahwa model regresi layak dipakai untuk memprediksi variabel loyalitas pelanggan pada konsumen Auto 2000 Medan Sisingamangaraja berdasarkan masukan variabel kepuasan dan kepercayaan merek. Ini berarti model regresi bersifat homoskedastisitas. b. Analisis Statistik Tabel 4.10 Uji Heteroskesdatisitas Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 1.659 1.184 1.401 .165 Kepuasan .008 .055 .014 .138 .890 Kepercayaan_Merek -.064 .046 -.144 -1.405 .163 a. Dependent Variable: absut Sumber:Hasil pengolahan SPSS 16.0 Pada tabel 4.10 terlihat bahwa semua variabel bebas tidak signifikan dilihat dari hasil sig 0,05. Hal ini berarti data tidak terkena heteroskedastisitas. Universitas Sumatera Utara

4.2.3.3 Uji Multikolinearitas

Untuk mengetahui variabel independen yang satu dengan yang lain dalam model regresi berganda tidak saling berhubungan secara sempurna. Untuk mengetahui ada tidaknya gejala multikolinearitas dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor. Tabel 4.11 Coefficients a Model Unstandardized Coefficients Standardize d Coefficients t Sig. Collinearity Statistics B Std. Error Beta Toleranc e VIF 1 Constant 5.616 1.963 2.860 .005 Kepuasan .145 .091 .156 1.606 .112 .978 1.023 Kepercayaan_M erek .220 .076 .282 2.909 .005 .978 1.023 a. Dependent Variable: Loyalitas_Pelanggan Sumber:Hasil pengolahan SPSS 16.0 Pada Tabel 4.11 terlihat tidak ada variabel yang terkena multikolinearitas. Hal ini terlihat dari nilai VIF 5, dan nilai Tolerance 0,1.

4.2.4 Analisis Regresi Berganda