Uji Asumsi Klasik Analisis Kuantitatif

Hasil data Uji Multikolinieritas dari tabel diatas dapat diketahui bahwa masing-masing variabel independen dimensi tangible, reliability, responsiveness, assurance dan empathy memiliki nilai tolerance tidak kurang dari 0,1 dan VIF yang tidak lebih dari 10. Berdasarkan hasil pengujian yang dilakukan, maka dapat disimpulkan bahwa dalam model regresi linier berganda terbebas dari problem multikolinieritas dan dapat digunakan dalam penelitian. 6 Autokorelasi Autokorelasi menguji suatu korelasi dalam suatu model bertujuan untuk mengetahui ada tidaknya korelasi antar variabel pengganggu e t pada periode tertentu dengan varibel penggangu perode sebelumnya e t-1 . Autokorelasi sering terjadi pada sampel dengan data time series dengan n- sampel adalah periode waktu. Sedangkan untuk sampel data crossection dengan n-sampel item seperti perusahaan, orang, wilayah, dan lain sebagainya jarang terjadi, karena variabel pengganggu item sampel yang satu berbeda dengan yang lain. Cara mudah untuk mendeteksi autokorelasi dapat dilakukan dengan uji Durbin Watson. Model regresi linier berganda terbebas dari autokorelasi jika nilai Durbin Watson hitung terletak didaerah No Autocorelasi. Penentu letak tersebut dibantu dengan tabel dl dan du, dibantu dengan nilai k jumlah variabel independen. Untuk mempercepat proses ada tidaknya autokorelasi dalam suatu model dapat digunakan patoka nilai dari Durbin Watson hitung mendekati angka 2. Nugroho, 2005:60. Nilai Durbin Watson hitung jika mendekati atau disekitar angka 2 maka model tersebut terbebas dari asumsi klasik autokorelasi, karena angka 2 pada uji Durbin Watson terletak di daerah No Autocorelasi. Hasil regresi dihasilkan nilai Durbin Watson DW sebesar 1,998. Karena nilai Durbin Watson mendekati atau berada disekitar angka 2 maka model tesebut dapat dikatakan No Autocorelation atau terbebas dari autokorelasi. 7 Heteroskedastisitas Heteroskedastisitas menguji terjadinya perbedaan varience residual suatu periode pengamatan ke periode pengamatan yang lain, atau gambaran hubungan antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut. Model regresi yang baik adalah model regresi yang memiliki persamaan varience residual suatu periode pengamatan yang lain, atau adanya hubungan antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut sehingga dapat dikatakan model tersebut homokesdastisitas. Memprediksi ada tidaknya heterokedastisitas pada suatu model dapat dilihat dari pola model gambar Scatterplot model tersebut. Berikut adalah gambar Scatterplot dari uji heterokesdasitas : Gambar IV. 2 Hasil Uji Heterokedasitas Scatterplot Dependent Variable: Kepuasan Regression Standardized Residual 3 2 1 -1 -2 -3 R e g re s s io n S ta n d a rd iz e d P re d ic te d V a lu e 3 2 1 -1 -2 Sumber : Data Primer yang diolah 2009 Menurut Nugroho 2005: 60 analisis pada gambar Scatterplot yang menyatakan model regresi linier berganda tidak terdapat heteroskedatisitas jika: e Titik-titik data menyebar diatas dan dibawah atau disekitar angka 0. f Titik-titik data tidak mengumpul hanya diatas atau dibawah saja. g Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian meyempit dan melebar. h Penyebaran titik-titik data sebaiknya tidak berpola. Model regresi linier berganda dapat disimpulkan bahwa regresi linier berganda terbebas dari asumsi klasik heteroskesdastisitas dan layak digunakan dalam penelitian. 8 Normalitas Uji normalitas data sebaiknya dilakukan sebelum data diolah berdasarkan model-model penelitian. Uji normalitas ini bertujuan untuk mengetahui distribusi data dalam variabel yang akan digunakan dalam penelitian. Nugroho, 2005:18. Pengujian normalitas dilakukan dengan melihat nilai grafik Normal P-P. Apabila varian plot menyebar dan mendekati garis lurus, maka data dari variabel independen dan variable dependen dalam penelitian dapat dikatakan memiliki kecenderungan berdistribusi secara normal. Hasil uji normalitas dapat dilihat pada gambar grafik normal P-P Plot dibawah ini. Gambar IV. 3 Hasil Uji Normalitas Normal P-P Plot of Regression Standardized Dependent Variable: Kepuasan Observed Cum Prob 1.00 .75 .50 .25 0.00 E x p e c te d C u m P ro b 1.00 .75 .50 .25 0.00 Sumber : Data Primer yang diolah 2009 Berdasarkan normal probability plot diatas terlihat bahwa garis yang menggambarkan data sesungguhnya membentang mengikuti sumbu x dan tidak mengikuti garis diagonal, sehingga dapat diketahui bahwa distribsi data dalam penelitian ini normal.

2. Analisa Regresi Berganda

Analisis Regresi Berganda ini digunakan untuk mengukur pengaruh variabel-variabel terikat terhadap kepuasan pengguna jasa Swamitra Asmindo Surakarta. Dengan menggunakan level signifikan sebesar 5, hasil dari analisa ini dinyatakan dengan persamaan regresi berganda sebagai berikut : Y = a + β 1 X 1 + β 2 X 2 + β 3 X 3 + β 4 X 4 + β 5 X 5 Keterangan : Y = Kepuasan Konsumen a = Konstanta X 1 = Tangible X 2 = Reliability X 3 = Responsiveness X 4 = Assurance X 5 = Empathy β 12345 = Koefisien regresi Linear masing-masing variable Perhitungan dengan model regresi linier berganda ini dilakukan dengan menggunakan bantuan program SPSS 12.00. Adapun rangkuman hasil perhitungan regresi linier berganda dapat ditunjukkan dalam tabel sebagai berikut : Tabel IV. 13 Rangkuman Hasil Regresi Linier Berganda Varuiabel bebas Koefisien Regresi Standardized coefficients beta Std error t hitung t tabel sig Tangible X1 Reliability X2 ResponsivenessX3 Assurance X4 Empathy X5 0.266 0.420 0.285 0.639 0.273 0.135 0.202 0.165 0.428 0.183 0.109 0.127 0.113 0.095 0.098 2.437 3.311 2.523 6.732 2.858 1.985 1.985 1.985 1.985 1.985 0.017 0.001 0.013 0.000 0.005 Constanta R R Square Adjusted R square F hitung Sig. F hitung F tabel - 6.662 0,899 0,808 0.798 79.086 0.000 2.29 Sumber : Data Primer yang diolah 2009 Hasil dari perhitungan model regresi linier berganda dapat dilihat pada lampiran. Hasil analisis regresi linier berganda dengan perhitungan bantuan program SPSS dapat disusun fungsi persamaan regresi linier berganda sebagai berikut : Y = - 6.662+ 0. 266 X 1 + 0.420 X 2 +0.285X 3 + 0.639 X 4 + 0.273 X 5 Persamaan regresi diatas menjelaskan tentang pengaruh variabel independen yang terdiri dari variabel tangible, reliability, responsiveness, assurance dan empathy terhadap variabel dependen Kepuasan nasabah. Penjelasan dari persamaan regresi diatas adalah sebagai berikut : a. Konstanta negative - 6.662, hal ini menunjukkan hubungan yang berlainan atau tidak searah. Apabila tidak ada variabel tangible, reliability, responsivenes, assurance dan empathy, maka kepuasan nasabah y akan berkurang. Hal ini berarti apabila kelima dimensi kualitas jasa yang mempengaruhi kepuasan nasabah dalam menggunakan jasa pada Swamitra Asmindo Surakarta tidak terpenuhi, maka akan mengurangi kepuasan nasabah tersebut. b. Koefisien regresi tangible X1 bernilai positif 0,266 Hal ini artinya terdapat hubungan yang positif antara dimensi tangible dengan tingkat kepuasan nasabah, apabila dimensi tangible ditingkatkan dengan cara memperhatikan penataan dan pengaturan ruang ”front office”, fasilitas yang dimiliki,