Analisis Regresi Digunakan sebagai Metode Analisis

3.4.2. Analisis Regresi Digunakan sebagai Metode Analisis

Metode Analisis adalah suatu metode dengan serangkaian tindakan dan pemikiran yang disengaja untuk menelaah sesutu hal yang secara mendalam atau pun terperinci terutama dalam mengkaji bagian-bagian dari suatu totalitas. Maksudnya untuk mengetahui ciri masing-masing bagian, hubungan satu sama lain, serta peranannya dalam totalitas yang dimaksud. Dalam penelitian menggunakan analisis regresi, dimana regresi merupakan suatu alat ukur yang dapat digunakan untuk mengukur ada atau tidaknya korelasi antar variabel. Menurut Usman Akbar 2006, Analisis regresi berguna untuk mendapatkan hubungan fungsional antara dua variabel atau lebih. Selain itu analisis regresi berguna untuk mendapatkan pengaruh antar variabel prediktor terhadap variabel kriteriumnya atau meramalkan pengaruh variabel prediktor terhadap variabel kriteriumnya. Analisis regresi mempelajari hubungan yang diperoleh dinyatakan dalam persamaan matematika yang menyatakan hubungan fungsional antara variabel-variabel. Hubungan fungsional antara satu variabel prediktor dengan satu variabel kriterium disebut analisis regresi sederhana tunggal, sedangkan hubungan fungsional yang lebih dari satu variabel disebut analisis regresi ganda. Analisis regresi lebih akurat dalam melakukan analisis korelasi, karena pada analisis itu kesulitan dalam menunjukkan slop tingkat perubahan suatu variabel terhadap variabel lainnya dapat ditentukan. Dengan demikian maka melalui analisis regresi, peramalan nilai variabel terikat pada nilai variabel bebas lebih akurat pula. Model Analisis Regresi adalah sebagai berikut: Gambar 3.2 : Model Analisis Regresi Gambar ini melukiskan adanya hubungan antara variabel eksogen yaitu X 1 dan X 2, dengan variabel endogen yaitu Y. Hubungan antara X 1 dan X 2 menggambarkan hubungan korelasi pengaruh. Pengaruh dari X 1 dan X 2 terhadap Y disebut pengaruh langsung.

3.4.2.1 Pengujian asumsi klasik

Pengujian asumsi klasik dilakukan dengan melakukan uji multikolonieritas, uji heteroskedastisitas, dan uji normalitas.

3.4.2.1.1 Uji Normalitas

Uji normalitas data bertujuan untuk menguji salah satu asumsi dasar analisis regresi berganda, yaitu variabel-variabel independent dan depenent harus didistribusikan normal atau mendekati normal, untuk menguji apakah data-data yang dikumpulkan berdistribusi normal atau tidak dapat dilakukan dengan metode sebagai berikut :

3.4.2.1.1.1 Metode Grafik

Metode grafik yang handal untuk menguji normalitas data adalah dengan melihat normal probability plot, sehingga hampir semua aplikasi komputer statistic menyediakan fasilitas ini. Normal probability plot adalah membandingkan distribusi komulatif data yang sesungguhnya dengan distribusi komulatif dari distribusi normal hypotheeical distribution. Proses uji normalitas data dilakukan dengan meperhatikan penyebaran data titik pada Norma P-Plot of Regression Standardized dari variabel terikat Santoso, 2000 dimana :  Jika data menyebar di sekitar garis diagonal, maka model regresi memenuhi asumsi normalitas.  Jika data menyebar jauh dari diagonal atau mengikuti garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Metode grafik yang handal untuk menguji normalitas data adalah dengan melihat normal probability plot, sehingga hampir semua aplikasi komputer statistic menyediakan fasilitas ini. Normal probability plot adalah membandingkan distribusi komulatif data yang sesungguhnya dengan distribusi komulatif dari distribusi normal hypotheeical distribution. Gambar 3.3 PP Plot Uji Distribusi Normal Persamaan Y = a +b1.X1 Gambar 3.4 PP Plot Uji Distribusi Normal Persamaan Y = a +b2.X2 Gambar 3.5. PP Plot Uji Distribusi Normal Persamaan Y = a+b1X1+b2X2 Berdasarkan gambar di atas dapat diketahui bahwa penyebaran data titik pada Norma P-Plot of Regression Standardized dari variabel terikat menyebar di sekitar garis diagonal, maka model regresi memenuhi asumsi normalitas.

3.4.1.1.1.2 Metode Statistik

Uji statistik sederhana yang sering digunakan untuk menguji asumsi normalitas adalah dengan menggunakan uji normalitas dari Kolmogorov Smirnov. Metode pengujian normal tidaknya distribusi data dilakukan dengan melihat nilai signifikansi variabel, jika signifikan lebih besar dari alpha 5 maka menunjukkan distribusi data normal. Namun dalam penelitian ini, peneliti memilih hanya menggunakan cara untuk menguji normalitas pada model regresi, menggunakan analisis grafik normal probability plot Normal P-Plot, yang telah dijabarkan pada bagian sebelumnya.

3.4.2.1.2 Uji Multikolinearitas

Uji multikolinearitas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independent, jika terjadi korelasi, maka dinamakan terdapat problem multikolinearitas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independent. Uji multikolinearitas pada penelitian dilakukan dengan matriks korelasi. Pengujian ada tidaknya gejala multikolinearitas dilakukan dengan meperhatikan nilai matriks korelasi yang dihasilkan pada saat pengolahan data serta nilai VIF Variance Inflation Factor dan Tolerance-nya, apabila nilai matriks korelasi tidak ada yang lebih besar dari 0,5 maka dapat dikatakan data yang akan dianalisis terlepas dari gejala multikolinearitas, kemudian apabila nilai VIF berada dibawah 10 dan nilai Tolerance mendekati 1, maka diambil kesimpulan bahwa model regresi tersebut tidak terdapat problem multikolinearitas Singgih Santoso, 2000. Pengujian ada tidaknya gejala multikolinearitas dilakukan dengan memperhatikan nilai matriks korelasi yang dihasilkan pada saat pengolahan data serta nilai VIF Variance Inflation Factor dan Tolerance-nya, apabila nilai matriks korelasi tidak ada yang lebih besar dari 0,5 maka dapat dikatakan data yang akan dianalisis terlepas dari gejala multikolinearitas, kemudian apabila nilai VIF berada dibawah 10 dan nilai Tolerance mendekati 1, maka diambil kesimpulan bahwa model regresi tersebut tidak terdapat problem multikolinearitas Singgih Santoso, 2000. Adapun hasil uji miltikolinearitas dapat dilihat pada table 4.29 berikut ini : Tabel 3.4 Uji Multikolinearitas Berdasarkan tabel 3.4 diatas dapat dilihat bahwa tidak ada variabel independen yang memiliki nilai tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel independen. Hasil perhitungan Variance Inflation Factor VIF juga menunjukan hal yang sama dimana tidak ada variabel independen yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolinieritas antar varibel independen dalam model regresi.

3.4.2.1.3 Heterokedastisitas

Uji heteroskedastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan satu ke pengamatan yang lain, jika varians dari residu atau dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas. Dan jika varians berbeda maka disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas Singgih Santoso, 2000. Salah satu cara Model Collinearity Statistics Tolerance VIF 1 Constant Karakteristik Inovasi ,997 1,003 Terpaan Media ,997 1,003 untuk mendeteksi heteroskedastisitas adalah dengan melihat grafik scatter plot antara nilai prediksi variable terikat z PRED dan nilai residualnya s RESID. Uji heterokedasitas dengan metode scatterplot digunaan dengan cara untu melihat pola titik-titik pada scatterplot regresi. Jika titik-titik menyebar dengan pola tidak jelas diatas dan di bawah angka o nol, pada sumbu Y, maka tidak terjadi masalah heterokedasitas. Gambar 3.6 scatter plot Uji Heteroskedasitas Persamaan Y = a +b1.X1 Gambar 3.7 scatter plot Uji Heteroskedasitas Persamaan Y = a +b2.X2 Gambar 3.8 Scatter plot Uji Heteroskedasitas Persamaan Y = a +b1.X1+b2.X2 Gambar di atas tidak menunjukkan adanya pola tertentu dan plot tersebar di atas serta di bawah angka 0 yang berarti tidak terjadi heterokodesitas dalam model regresi.

3.4.2.2 Pengujian hipotesa melalui analisa regresi

Untuk mengetahui pengaruh variabel independen terhadap variabel dependen digunakan alat analisis regresi linier berganda. Adapun persamaan regresi linier berganda yang menjadi model analisis adalah sebagai berikut : Y = a + b 1 X 1 + b 2 X 2 + e Keterangan : Y : Keputusan pengguna untuk mengadopsi Audiobook Listeno a : konstanta X 1 : Karakteristik Inovasi Audiobook X 2 : Terpaan Media b 1,2 : koefisien regresi e : Standar error

3.4.2.3 Goodness of Fit Model Regresi

Dilakukan untuk mengukur ketepatan fungsi regresi sampel dalam menaksir nilai aktual secra statistik, setidaknya hal ini dapat diukur dari nilai koefisien determinasi, Ghozali,2006. Koefisien determinan R² dimaksudkan untuk mengetahui tingkat ketepatan paling baik dalam analisis regresi, dimana hal yang ditunjukkan oleh besarnya koefisiensi determinasi R² antara 0 nol dan 1 satu. Koefisien determinasi R² nol variabel independent sama sekali tidak berpengaruh terhadap variabel dependent, apabila koefisien determinasi semakin mendekati satu, maka dapat dikatakan bahwa variabel independent berpengaruh terhadap variabel dependent, selain itu koefisien determinasi dipergunakan untuk mengetahui presentase perubahan variabel terikat Y yang disebabkan oleh variabel bebas X. Besaran R 2 yang didefinisikan dikenal sebagai koefisien determinasi sampel dan merupakan besaran yang paling lazim digunakan untuk mengukur kebaikan sesuai goodness of fit garis regresi. Secara verbal, R 2 mengukur proporsi bagian atau prosentase total variasi dalam Y yang dijelaskan oleh model regresi.

3.4.2.4 Uji pengaruh secara bersama-sama

Untuk menguji pengaruh secara bersama-sama variabel independen terhadap variabel dependen digunakan uji F. Supranto, 1997. Dengan tingkat kepercayaan 95  = 0,05 maka : Ho diterima jika p value α atau tidak ada pengaruh variabel X secara bersama-sama terhadap Y Ho ditolak jika p value  α atau terdapat pengaruh variabel X secara bersama-sama terhadap Y

3.4.2.5 Uji pengaruh secara parsial

Untuk menguji pengaruh secara parsial variabel independen terhadap variabel dependen digunakan uji t Supranto, 1997. Dengan tingkat kepercayaan 95  = 0,05 maka : Ho diterima jika p value α 0,05 atau tidak ada pengaruh variabel X secara parsial terhadap Y Ho ditolak jika p value  α 0,05 atau terdapat pengaruh variabel X secara parsial terhadap Y Selanjutnya Uji Hipotesis bagian regresi ini akan di bahas lebih detil di bagian Hasil Penelitian pada bab 4.

BAB VI HASIL DAN PEMBAHASAN

Dalam bab ini peneliti akan menyajikan hasil perolehan data di lokasi penelitian yang di jaring melalui kuesioner yang sudah di uji validitas dan reabilitasnya. Dari kuesioner tersebut di peroleh jawaban untuk setiap Pertanyaan-Pertanyaan dari 300 responden seperti terlihat dalam lampiran. Dalam penelitian ini teknik yang digunakan untuk menganalisis data adalah analisis Regresi Linier Sederhana dan Regresi Berganda. Responden dalam penelitian ini adalah pengguna Audiobook Listeno yang berada di wilayah Kota Yogyakarta, dengan jumlah responden sebanyak 300 orang, yang selanjutnya akan di sajikan pada penjelasan berikut : 4.1 Analisis Deskreptif Variabel Penelitian 4.1.1 Analisis Tanggapan Responden Terhadap karakteristik Inovasi Berikut ini tanggapan responden terhadap pernyataan dalam kuisioner mengenai karakteristik Inovasi Audiobook yang terdiri 28 pertanyaan sebagai berikut: Tabel 4.1 Distribusi Jawaban Responden Tentang Tanggapan Atas variabel Karakteristik Inovasi Audiobook No. Pernyataan Pilihan Bobot F Skor TOTAL Responden TOTAL SKOR P1 R. Advantage Audiobook lebih baik daripada membaca buku digital konfensional STS 1 300 1108 TS 2 22 44 7 RR 3 145 435 48 S 4 36 144 12 SS 5 97 485 32 P2 R. Advantage Aplikasi Android Listeno lebih baik daripada aplikasi audiobook lainya STS 1 300 TS 2 RR 3 114 342 38 S 4 132 528 44 SS 5 54 270 18