82
4.4.4 Model Trimming
Situmorang dan Lufti, 2015:238 Model Trimming adalah model yang digunakan untuk memperbaiki struktur analisis jalur dengan cara mengeluarkan
variabel eksogen yang tidak signifikan dari model yang ada. Cara menggunakan model trimming yaitu dengan menghitung ulang
koefisien jalur tanpa menyertakan variabeleksogen yang jalurnya tidak signifikan. Berikut Hasil Susunan data setelah Trimming dilakukan:
4.4.4.1 Model Trimming Sub Struktur 1
1. Uji Normalitas
.
Sumber: Hasil Penelitian, 2015 data diolah
Gambar 4.13 Pengujian Normalitas Histogram Model Trimming Sub Struktur 1
Berdasarkan grafik dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan pola distribusi normal maka model regresi
memenuhi asumsi normalitas dan sebaliknya jika data menyebar jauh dari garis
83 diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak
menunjukkan pola distribusi data normal yang tidak melenceng kanan maupun melennceng kiri. Jadi, berarti data residual berdistibusi normal. Terbukti bahwa
data maupun model yang digunakan memenuhi asumsi normalitas.
Sumber: Hasil Penelitian, 2015 data diolah
Gambar 4.14 Pengujian Normalitas P-P Plot Model Trimming Sub Struktur 1
Pada P-P plot terlihat bahwa titik-titik menyebar disekitar garis diagonal dan cenderung mengikuti arah garis diagonal. Dengan demikian maka model
regresi Trimming tersebut memenuhi asumsi normalitas.
2. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians.Jika varians dari residual satu pengamatan ke pengamatan
yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut
84 heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau
tidak terjadi heteroskedastisitas.
Sumber: Hasil Penelitian, 2015 data diolah
Gambar 4.15 Pengujian Heteroskedastisitas ScatterplotModel Trimming Sub Struktur 1
Berdasarkan Gambar 4.15 dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, Dengan
demikian dapat disimpulkanbahwa persamaan Regresi Trimming terbebas dari asumsi Heteroskedastisitas.
3. Uji Multikolinieritas
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor, kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel bebas yang terpilih yang tidak dijelaskan
85 variabel bebas lainnya. Nilai yang dipakai untuk Tolerance 0,1, dan VIF 10,
maka tidak terjadi multikolinieritas.
Tabel 4.28 Uji Multikolinieritas Model Trimming Sub Struktur 1
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant -4.592
1.745 -2.632
.010 Emosional
.453 .102
.383 4.434
.000 .586
1.707 Sosial
.398 .115
.282 3.458
.001 .654
1.529 Performance
.386 .140
.242 2.757
.007 .568
1.762
a. Dependent Variable: Loyalitas
Sumber: Hasil Penelitian, 2015 data diolah
Berdasarkan pada Tabel 4.28 di atas diketahui bahwa nilai Variance Inflation Factor untuk variabel bebas lebih kecil dari 10 VIF 10, dan nilai
Tolerance 0,1. Dengan Demikian persamaan regresi Trimming terbebas dari
asumsi multikolinieritas. 4.
Analisis Regresi Tabel 4.29
Hasil Regresi Model Trimming Sub Struktur 1
ANOVA
a
Model Sum of Squares
df Mean Square
F Sig.
1 Regression
416.615 3
138.872 44.358
.000
b
Residual 300.545
96 3.131
Total 717.160
99 a. Dependent Variable: Loyalitas
b. Predictors: Constant, Performance, Sosial, Emosional
Sumber: Hasil Penelitian, 2015 Data Diolah
Dari Tabel 4.29 dapat dilihat bahwa:
86 1. Jika F tabel F Hitung, maka model Regresi layak. Dari Tabel Anova
diatas terlihat nilai F Hitung 44,358 lebih besar dari F tabel 2,70 maka
model regresi dapat dikatakan layak.
2. Jika Nilai Signifikan 0,05, maka model regresi layak. Dari tabel Anova di atas terlihat nilai signifikan 0,00 0,05 maka model regresi
dinyatakan layak. 5.
Uji Signifikansi Parsial Uji-t Tabel 4.30
Uji Signifikan Parsial Uji-t Model Trimming Sub Struktur 1
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
-4.592 1.745
-2.632 .010
Emosional .453
.102 .383
4.434 .000
Sosial .398
.115 .282
3.458 .001
Performance .386
.140 .242
2.757 .007
a. Dependent Variable: Loyalitas
Sumber: Hasil Penelitian, 2015Data Diolah
Berdasarkan Tabel 4.30 Uji Parsial terlihat bahwa: 1. Nilai t hitung variabel eksogen dari Emosional sebesar 4,434 dengan
nilaisignifikan 0,000 Berarti variabel Eksogen signifikan terhadap Loyalitas Pelanggan.
2. Nilai t hitung variabel eksogen dari Sosial sebesar 3,458 dengan nilaisignifikan 0,001 Berarti variabel Eksogen signifikan terhadap
Loyalitas Pelanggan.
87 3. Nilai t hitung variabel eksogen dari Performance sebesar 2,757 dengan
nilaisignifikan 0,007 Berarti variabel Eksogen signifikan terhadap Loyalitas Pelanggan.
6. Uji Signifikansi Simultan Uji-F