Ghozali 2011:142, Glejser mengusulkan untuk meregres nilai absolut residual terhadap variabel variabel dependen dengan persamaan regresi:
│Ut│= α + βXt + vt Jika variabel independen signifikan secara statistik mempengaruhi
variabel dependen, maka ada indikasi terjadi heteroskedastisitas. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5.
Tabel 4.1.4.2. Hasil Uji Heteroskedastisitas
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
-1.875 1.878
-.999 .320
Kemasan .019
.060 .032
.326 .745
Hraga .241
.138 .168
1.749 .083
Promosi .205
.138 .145
1.486 .140
Sumber: Data Primer diolah SPSS, 2013. Hasil tampil SPSS kemasan, harga dan promosi memiliki nilai
signifikan 0,745;0,083 dan 0,140 yang kesemuanya di atas 0,05. berarti tidak terdapat heteroskedastisitas dalam model ini. Dengan kata lain semua
variable dependen yang dapat dalam model ini memiliki sebaran varian yang sama homogen.
4.1.4.3. Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear adakorelasi antara kesalahan penganggu pada periode t dengan kesalahan
penganggu pada periode t-1 sebelumnya. Salah satu cara untuk
mendeteksi ada atau tidaknya autokorelasi yaitu dengan melakukan Uji Durbin-Watson DW test.
Tabel 4.1.4.3. Hasil Uji Autokorelasi
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-Watson 1
.682
a
.465 .451
3.079 1.823
Sumber : Data Primer diolah SPSS, 2013. Nilain DW sebesar 1,823 akan dibandingkan dengan nilai tabel dengan
mengunakan drajat kepercayaan 5 , jumlah sampel 120 dan jumlah variabel independen 3, maka tabel DW adalah dl = 1,651 du = 1,753. Oleh
karena DW hitung lebih besar dari pada batas atas 1,753 lebih kecil dari pada 4- du = 4-1,753= 2, 247.
du d 4 – du = 1,753 1,823 4-1,753
= 1,753 1,823 2,247 Tidak terdapat ada autokorelasi positif dan negatif.
4.1.4.4. Uji Normalitas
Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik. Jika data menyebar
disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi
memenuhi asumsi normalitas. Uji statistik yaitu dengan kolmogorov- smirnov test, jika nilai sig 2-tailed lebih besar daripada 5 , maka data
berdistribusi normal. Ghozali, 2011: 164.
Gambar: 1. P-P Plot of Regressin Standardized Residua. Sumber: Data Primer diolah SPSS, 2013.
Gambar: 2 Histrogram. Sumber: Data Primer diolah SPSS, 2013
Berdasarkan gambar di atas diketahui bahwa titik-titik pada gambar normal probability plot cenderung membentuk garis diagonal, sehingga dapat
disimpulkan bahwa variabel terikat dan variabel bebas keduanya memiliki distribusi normal.
Tabel 4.1.4.4. Hasil Uji Normalitas
Unstandardized Residual
N 120
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 3.03951457
Most Extreme Differences Absolute .042
Positive .041
Negative -.042
Kolmogorov-Smirnov Z .458
Asymp. Sig. 2-tailed .985
Sumber: Data Primer diolah SPSS, 2013. Besarnya nilai Kolmogorov-Smirnov Z adalah 0.485 dan nilai sig 2-
tailed yaitu 0,985 akan dibandingkan dengan nilai tabel dengan mengunakan drajat kepercayaan 5 , jumlah sampel 120 dan tabel
Kolmogorov-Smirnov
adalah 0,080. Oleh karena sig 2-tailed lebih besar maka data terdistribusi dengan normal.
4.1.5. Analisis Regresi Linier Berganda