95
31,39 menyatakan kurang setuju, 2 orang 2,33 menyatakan tidak setuju dan 1 orang 1,16 responden yang menyatakan sangat tidak setuju.
4. Frekuensi jawaban responden untuk item pernyataan 4
Saya membeli produk Oriflame karena mengandung bahan baku yang aman untuk digunakan
diketahui sebanyak 11 orang 12,78 menyatakan sangat setuju, 62 orang 72,09
menyatakan setuju, 12 orang 13,95 menyatakan kurang setuju, 1 orang 1,16 menyatakan tidak setuju, dan tidak ada responden yang menyatakan
sangat tidak setuju. 5.
Frekuensi jawaban responden untuk item pernyataan 5
Saya membeli produk Oriflame karena sesuai dengan kebutuhan saya
diketahui sebanyak 7 orang 8,14 menyatakan sangat setuju, 58 orang 67,44 menyatakan setuju, 18
orang 20,93 menyatakan kurang setuju, 1 orang 1,16 menyatakan tidak setuju, 2 orang 2,33 responden yang menyatakan sangat tidak setuju.
4.2.3. Uji Asumsi Klasik 1. Uji Normalitas
Uji normalitas bertujuan untuk menguji dan mengetahui apakah variabel residual dalam model regresi memiliki distribusi normal atau tidak. Ada 2 cara
yang dapat dilakukan untuk mengetahui apakah variabel residual berdistribusi normal atau tidak, yaitu dengan menganalisis grafik dan uji statistik. Untuk
melihat apakah data berdistribusi normal atau tidak, penulis menganalisis grafik histtogram yang membandingkan antara data observasi dengan distribusi yang
mendekati distribusi normal. Penulis juga menganalisis probabilitas plot yang
Universitas Sumatera Utara
96
membentuk plot antara nilai-nilai teoritis sumbu x melawan nilai-nilai yang didapat dari sampel sumbu y.
1. Pada grafik histogram, variabel dikatakan berdistribusi normal pada grafik
histogram yang berbentuk lonceng apabila distribusi data tersebut tidak miring atau menceng ke kiri atau ke kanan. Hasil pengujian dengan
pendekatan grafik histogram dapat dilihat pada Gambar 4.1 berikut :
Sumber :
Hasil Data Penelitian 2014 diolah
Gambar 4.1 Histogram
Interpretasi dari Gambar 4.1 menunujukkan bahwa variabel berdistribusi normal hal ini ditunjukkan oleh distribusi data yang tidak menceng ke kiri atau ke
kanan dan membentuk pola lonceng. 2.
Apabila plot dari keduanya berbentuk linear, maka hal ini merupakan indikasi bahwa residual menyebar normal. Dan bila pola-pola titik yang terletak selain
di ujung-ujung plot masih berbentuk linear, meskipun ujung-ujung plot agak menyimpang dari garis lurus, dapat dikatakan bahwa sebaran data dalam hal
ini residual adalah menyebar normal.
Universitas Sumatera Utara
97 Sumber : Hasil Data Penelitian 2014 diolah
Gambar 4.2 Normal P-Plot of Regression Standardized Residual
Pada gambar 4.2 tersebut dapat dilihat bahwa data-data titik-titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Oleh karena
itu, berdasarkan Gambar 4.2 tersebut maka dapat disimpulkan bahwa data berdistribusi normal. Untuk memastikan apakah data di sepanjang garis diagonal
tersebut berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov Z 1 Sample KS dengan melihat melihat data residualnya apakah berdistribusi normal
atau tidak Situmorang, dkk., 2012:105, dengan kriteria keputusan sebagai berikut :
a. Jika nilai Asymp.Sig 2-tailed 0,05, maka variabel residual tidak
mengalami gangguan distribusi normal. b.
Jika nilai Asymp.Sig 2-tailed 0,05, maka variabel residual mengalami gangguan distribusi normal.
c. Nilai Kolmogorov-Smirnov Z 1,97 berarti tidak ada perbedaan antara
distribusi empiric atau dengan kata lain data dikatakan normal.
Universitas Sumatera Utara
98
Tabel 4.12
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 86
Normal Parameters
a
Mean .0000000
Std. Deviation 1.47179234
Most Extreme Differences Absolute
.105 Positive
.067 Negative
-.105 Kolmogorov-Smirnov Z
.971 Asymp. Sig. 2-tailed
.302 a. Test distribution is Normal.
b. Calculated from data
Sumber : Hasil Data Penelitian 2014 diolah
Berdasarkan Tabel 4.12 dapat diketahui bahwa nilai Asymp. Sig 2-tailed adalah sebesar 0,302 di atas nilai signifikansi 0,05 dan nilai Kolmogorov-
Smirnov Z adalah 0,971 lebih kecil dari 1,97, maka dapat disimpulkan variabel berdistribusi normal.
2. Uji Heteroskedastisitas
Uji Heteroskedastisitas pada prinsipnya berujuan untuk menguji apakah sebuah grup mempunyai varians yang sama di antara anggota grup tersebut. Jika
varians sama, dan ini yang seharusnya terjadi maka dikatakan ada homoskedastisitas. Sebaliknya, jika varians tidak sama maka dikatakan terjadi
heteroskedastisitas Situmorang, dkk., 2012:108. Ada dua cara yang dapat dilakukan untuk mendeteksi keberadaan
heteroskedastisitas, yaitu dengan metode informal pendekatan grafik dan metode informal uji statistik yang salah satunya adalah melalui uji Glejser.
Universitas Sumatera Utara
99
a. Pendekatan Grafik
Hasil uji heterodkedastisitas melalui pendekatan grafik dapat dilihat pada Gambar 4.3 di bawah ini :
Sumber : Hasil Data Penelitian 2014 diolah
Gambar 4.3 Scatterplot
Pada Gambar 4.3 Scatterplot di atas dapat dilihat bahwa titik-titik menyebar secara acak tidak membentuk ssebuah pola tertentu yang jelas serta
tersebar baik di atas maupun di bawah angka nol dari sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi.
b. Pendekatan Statistik
Uji heteroskedastisitas dengan metode pendekatan statistik dilakukan melalui uji Glejzer. Adapun hasil pengolahannya dapat dilihat pada Tabel 4.12
berikut :
Universitas Sumatera Utara
100
Tabel 4.13 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 1.285
.900 1.428
.157 WOM
.009 .037
.033 .245
.807 Perceived
-.010 .039
-.035 -.261
.795 a. Dependent Variable: absut
Sumber : Hasil Data Penelitian 2014 diolah
Jika variabel independen signifikan secara statistik mempengaruhi variabel independen, maka ada indikasi terjadi heteroskedastisitas. Dari Tabel 4.12 di atas,
dapat diketahui bahwa nilai siginifikansi variabel independent lebih besar dari nilai tingkat kepercayaannya 0,05, maka dapat disimpulkan bahwa model regresi
tidak mengalami heteroskedastisitas.
3. Uji Multikolinieritas
Uji multikolinieritas dilakukan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel dependent. Multikolineritas artinya
adalah adanya hubungan yang sempurna atau pasti di antara beberapa atau semua variabel yang menjelaskan dari model regresi Situmorang, dkk., 2012:138. Hasil
pengolahn data melalui uji multikolinieritas ditunjukkan pada Tabel 4.13 berikut :
Universitas Sumatera Utara
101
Tabel 4.14
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error
Beta Tolerance VIF
1 Constant 9.844
1.620 6.078
.000 WOM
.079 .066
.137 1.191
.237 .662
1.51 1
Perceived .261
.070 .430
3.737 .000
.662 1.51
1 a. Dependent Variable: Keputusan
Sumber : Hasil Data Penelitian 2014 diolah
Untuk mendeteksi ada atau tidak adanya multikolinieritas dapat dilakukan dengan melihat nilai toleransi variabel dan Variance Inflation Factor VIF
dengan ketentuan sebagi berikut : a.
Jika VIF 5, maka diduga mempunyai persoalan multikolinieritas b.
Jika VIF 5, maka tidak terdapat multikolinieritas c.
Jika tolerence 0,1, maka diduga mempunyai persoalan multikolinieritas d.
Jika tolerence 0,1, maka tidak terdapat multikolinieritas Pada Tabel 4.13 di atas dapat dilihat bahwa nilai VIF 5 dan nilai
tolerence 0,05, maka dapat disimpulkan tidak terdapat persoalan mutlikolinieritas dalam penelitian ini.
4.2.4. Analisis Regresi Linear Berganda
