2. X
2
Z 0,305
2,524 0,014
Signifikan 3.
X
3
Z 0,063
0,591 0,557
Tidak signifikan
4. X
4
Z 0,158
1,364 0,177
Tidak signifikan
5. X
5
Z 0,220
2,006 0,049
Signifikan
Sumber: Lampiran 6
Berdasarkan tabel di atas ada beberapa variabel yang tidak signifikan maka perlu dilakukan Trimming Theory atau penghilangan jalur, digunakan jika
ditemukan jalur yang tidak signifikan dengan cara menghilangkan jalur pada gambar. Arah jalur yang tidak signifikan jika ditemukan nilai probabilitasnya p
0,05.
Tabel 4.11 Hasil Pengujian Variabel Kualitas Jasa terhadap Loyalitas Konsumen Y
No Var.
bebas Var.
terikat Beta β
t-hitung p-value
Ket
1. X
1
Y 0,192
2,406 0,019
Signifikan 2.
X
2
Y 0,214
2,249 0,028
Signifikan 3.
X
3
Y 0,229
2,858 0,006
Signifikan 4.
X
4
Y 0,192
2,179 0,033
Signifikan 5.
X
5
Y 0,237
2,794 0,007
Signifikan 6.
Z Y
0,191 2,038
0,046 Signifikan
Sumber: Lampiran 6
4.4.2 Uji Asumsi Klasik
Untuk mendapatkan model empiris yang tepat maka koefisien regresi yang memenuhi syarat
st BLUE. Untuk
memperoleh hasil koefisien yang BLUE harus memenuhi asumsi klasik yaitu data berdistribusi normal atau mendekati normal, tidak ada multikolinearitas, tidak
heteroskedastisitas, dan tidak terjadi autokorelasi.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel independen, variabel dependen atau keduanya mempunyai
distribusi normal ataukah tidak. Model regresi yang baik adalah distribusi data normal atau mendekati normal Santoso, 2002:212.
Secara ringkas hasil uji normalitas dapat dilihat pada gambar berikut.
Gambar 4.2 Hasil Uji Normalitas untuk Pengujian X
1,
X
2,
X
3,
X
4
dan X
5
terhadap jalur Z Jalur I
Sumber: Lampiran 6
Dari grafik hasil uji normalitas terhadap model regresi yang dapat dilihat pada lampiran 6, terlihat titik-titik menyebar di sekitar garis diagonal, serta
penyebarannya mengikuti arah garis diagonal. Maka model regresi layak dipakai karena telah memenuhi asumsi normalitas.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel independen, variabel dependen atau keduanya mempunyai
distribusi normal ataukah tidak. Model regresi yang baik adalah distribusi data normal atau mendekati normal Santoso, 2002:212.
Secara ringkas hasil uji normalitas dapat dilihat pada gambar berikut.
Gambar 4.2 Hasil Uji Normalitas untuk Pengujian X
1,
X
2,
X
3,
X
4
dan X
5
terhadap jalur Z Jalur I
Sumber: Lampiran 6
Dari grafik hasil uji normalitas terhadap model regresi yang dapat dilihat pada lampiran 6, terlihat titik-titik menyebar di sekitar garis diagonal, serta
penyebarannya mengikuti arah garis diagonal. Maka model regresi layak dipakai karena telah memenuhi asumsi normalitas.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel independen, variabel dependen atau keduanya mempunyai
distribusi normal ataukah tidak. Model regresi yang baik adalah distribusi data normal atau mendekati normal Santoso, 2002:212.
Secara ringkas hasil uji normalitas dapat dilihat pada gambar berikut.
Gambar 4.2 Hasil Uji Normalitas untuk Pengujian X
1,
X
2,
X
3,
X
4
dan X
5
terhadap jalur Z Jalur I
Sumber: Lampiran 6
Dari grafik hasil uji normalitas terhadap model regresi yang dapat dilihat pada lampiran 6, terlihat titik-titik menyebar di sekitar garis diagonal, serta
penyebarannya mengikuti arah garis diagonal. Maka model regresi layak dipakai karena telah memenuhi asumsi normalitas.
Gambar 4.3 Hasil Uji Normalitas untuk Pengujian X
1,
X
2,
X
3,
X
4
dan X
5
terhadap Y Jalur II
Sumber: Lampiran 6
Dari grafik hasil uji normalitas terhadap model regresi dapat dilihat pada lampiran 6, terlihat titik-titik menyebar di sekitar garis diagonal, serta
penyebarannya mengikuti arah garis diagonal. Maka model regresi layak dipakai karena telah memenuhi asumsi normalitas.
2. Uji Multikoliniearitas
Multikoliniearitas berarti terjadi interkorelasi antar variabel bebas yang menunjukkan adanya lebih dari satu hubungan linier yang signifikan. Apabila
koefisien korelasi variabel yang bersangkutan nilainya teltak diluar batas-batas penerimaan critical value maka koefisien korelasi bermakna dan terjadi
multikoliniearitas. Apabila koefisien korelasi terletak di dalam batas-batas penerimaan maka koefisien korelasinya tidak bermakna dan tidak terjadi
multikoliniearitas. 58
Gambar 4.3 Hasil Uji Normalitas untuk Pengujian X
1,
X
2,
X
3,
X
4
dan X
5
terhadap Y Jalur II
Sumber: Lampiran 6
Dari grafik hasil uji normalitas terhadap model regresi dapat dilihat pada lampiran 6, terlihat titik-titik menyebar di sekitar garis diagonal, serta
penyebarannya mengikuti arah garis diagonal. Maka model regresi layak dipakai karena telah memenuhi asumsi normalitas.
2. Uji Multikoliniearitas
Multikoliniearitas berarti terjadi interkorelasi antar variabel bebas yang menunjukkan adanya lebih dari satu hubungan linier yang signifikan. Apabila
koefisien korelasi variabel yang bersangkutan nilainya teltak diluar batas-batas penerimaan critical value maka koefisien korelasi bermakna dan terjadi
multikoliniearitas. Apabila koefisien korelasi terletak di dalam batas-batas penerimaan maka koefisien korelasinya tidak bermakna dan tidak terjadi
multikoliniearitas. 58
Gambar 4.3 Hasil Uji Normalitas untuk Pengujian X
1,
X
2,
X
3,
X
4
dan X
5
terhadap Y Jalur II
Sumber: Lampiran 6
Dari grafik hasil uji normalitas terhadap model regresi dapat dilihat pada lampiran 6, terlihat titik-titik menyebar di sekitar garis diagonal, serta
penyebarannya mengikuti arah garis diagonal. Maka model regresi layak dipakai karena telah memenuhi asumsi normalitas.
2. Uji Multikoliniearitas
Multikoliniearitas berarti terjadi interkorelasi antar variabel bebas yang menunjukkan adanya lebih dari satu hubungan linier yang signifikan. Apabila
koefisien korelasi variabel yang bersangkutan nilainya teltak diluar batas-batas penerimaan critical value maka koefisien korelasi bermakna dan terjadi
multikoliniearitas. Apabila koefisien korelasi terletak di dalam batas-batas penerimaan maka koefisien korelasinya tidak bermakna dan tidak terjadi
multikoliniearitas.
Tabel 4.12 ty
+,,
st
-
Pengujian Variabel
VIF Keterangan
Z X
1
1,180
VIF 10 Tidak ada multikoliniearitas
X
2
1,625 X
3
1,251 X
4
1,490 X
5
1,334
Y X
1
1,256
VIF 10 Tidak ada
multikoliniearitas X
2
1,786 X
3
1,258 X
4
1,533 X
5
1,418 Z
1,734
Sumber: Lampiran 6
Berdasarkan hasil analisis ty
+,,
st
-
diketahui bahwa dalam model tidak terjadi multikoliniearitas. Hal ini dapat dilihat pada lampiran 6 dan
nilai VIF dari masing-masing variabel kurang dari 10. 3.
Uji Heteroskedastisitas Pengujian ini dilakukan untuk mengetahui apakah dalam sebuah model
regresi tidak terjadi ketidaksamaan varian dari satu pengamatan ke pengamatan yang lain. Prosedur yang dilakukan untuk mendeteksinya adalah dengan melihat
ada tidaknya pola tertentu pada
. -
,
t r
,
pada lampiran 6, dimana sumbu X adalah Y yang telah diprediksi dan sumbu Y adalah residual Y prediksi – Y
sesungguhnya yang telah di-st
01 ,
2 1
.
Gambar 4.4 Hasil Uji Heteroskedastisitas untuk Pengujian X
1,
X
2,
X
3,
X
4
dan X
5
terhadap Z Jalur I
Sumber: Lampiran 6
Hasil analisis dari grafik scatterplots pada gambar terlihat titik-titik menyebar secara acak, tidak membentuk suatu pola tertentu yang jelas, serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Z. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi.
Gambar 4.4 Hasil Uji Heteroskedastisitas untuk Pengujian X
1,
X
2,
X
3,
X
4
dan X
5
terhadap Z Jalur I
Sumber: Lampiran 6
Hasil analisis dari grafik scatterplots pada gambar terlihat titik-titik menyebar secara acak, tidak membentuk suatu pola tertentu yang jelas, serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Z. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi.
Gambar 4.4 Hasil Uji Heteroskedastisitas untuk Pengujian X
1,
X
2,
X
3,
X
4
dan X
5
terhadap Z Jalur I
Sumber: Lampiran 6
Hasil analisis dari grafik scatterplots pada gambar terlihat titik-titik menyebar secara acak, tidak membentuk suatu pola tertentu yang jelas, serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Z. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi.
Gambar 4.5 Hasil Uji Heteroskedastisitas untuk Pengujian X
1
, X
2
, X
3
, X
4
dan X
5
terhadap Y Jalur II
Sumber: Lampiran 6
Hasil analisis dari grafik scatterplots pada gambar terlihat titik-titik menyebar secara acak, tidak membentuk suatu pola tertentu yang jelas, serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi
4. Uji Autokorelasi
Autokorelasi didefinisikan sebagai korelasi antar anggota serangkaian observasi yang diurutkan menurut waktu. Autokorelasi muncul karena observasi
yang berurutan sepanjang waktu berkaitan satu sama lain. Untuk menguji adanya autokorelasi dapat di deteksi dengan Durbin Watson test. Adapun nilai Durbin
Watson tabel n = 70 pada v
5 dan k = 5 didapatkan nilai d
L
sebesar 1, 464 dan nilai d
U
sebesar 1,768, sedangkan untuk k = 6 didapatkan nilai d
L
sebesar 1,433 dan nilai d
U
sebesar 1,802. 61
Gambar 4.5 Hasil Uji Heteroskedastisitas untuk Pengujian X
1
, X
2
, X
3
, X
4
dan X
5
terhadap Y Jalur II
Sumber: Lampiran 6
Hasil analisis dari grafik scatterplots pada gambar terlihat titik-titik menyebar secara acak, tidak membentuk suatu pola tertentu yang jelas, serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi
4. Uji Autokorelasi
Autokorelasi didefinisikan sebagai korelasi antar anggota serangkaian observasi yang diurutkan menurut waktu. Autokorelasi muncul karena observasi
yang berurutan sepanjang waktu berkaitan satu sama lain. Untuk menguji adanya autokorelasi dapat di deteksi dengan Durbin Watson test. Adapun nilai Durbin
Watson tabel n = 70 pada
3 4
v
4 3
56 7 8 9:
8 68 ;:=
5 dan k = 5 didapatkan nilai d
L
sebesar 1, 464 dan nilai d
U
sebesar 1,768, sedangkan untuk k = 6 didapatkan nilai d
L
sebesar 1,433 dan nilai d
U
sebesar 1,802. 61
Gambar 4.5 Hasil Uji Heteroskedastisitas untuk Pengujian X
1
, X
2
, X
3
, X
4
dan X
5
terhadap Y Jalur II
Sumber: Lampiran 6
Hasil analisis dari grafik scatterplots pada gambar terlihat titik-titik menyebar secara acak, tidak membentuk suatu pola tertentu yang jelas, serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi
4. Uji Autokorelasi
Autokorelasi didefinisikan sebagai korelasi antar anggota serangkaian observasi yang diurutkan menurut waktu. Autokorelasi muncul karena observasi
yang berurutan sepanjang waktu berkaitan satu sama lain. Untuk menguji adanya autokorelasi dapat di deteksi dengan Durbin Watson test. Adapun nilai Durbin
Watson tabel n = 70 pada v
5 dan k = 5 didapatkan nilai d
L
sebesar 1, 464 dan nilai d
U
sebesar 1,768, sedangkan untuk k = 6 didapatkan nilai d
L
sebesar 1,433 dan nilai d
U
sebesar 1,802.
Dari hasil Uji Durbin Watson d yang dilakukan didapatkan nilai sebesar 1,922 untuk pengujian terhadap Z dan 1,858 untuk pengujian terhadap
Y. Berdasarkan uji autokorelasi yang telah dilakukan dapat diketahui bahwa model empiris yang dibangun telah memenuhi asumsi berdasarkan kriteria, yaitu
Ho akan diterima jika d
U
d 4 – d
U
atau 1,768 1,922 2,232 dan 1,802 1,858 2,198. Sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi antar
variabel independen.
4.4.3 Uji Signifikansi