4.2.3 Uji Asumsi Klasik
4.2.3.1 Uji Multikolinieritas
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor. Kedua ukuran ini menunjukkan setiap variabel
independent manakah yang dijelaskan oleh variabel dependent lainnya. Berikut ini disajikan cara mendeteksi multikolinieritas dengan menganalisis matrik korelasi
antar variabel independen dan perhitungan nilai Tolerance dan Variance Inflation Factor VIP.
Tabel 4.9 Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance
VIF 1
Constant -.135
1.599 -.085
.933 motivasi
konsumen .433
.105 .391
4.123 .000
.446 2.242 persepsi kualitas
.259 .092
.273 2.810
.006 .426 2.350
sikap konsumen .240
.076 .244
3.148 .002
.664 1.505 a. Dependent Variable: keputusan pembelian
Sumber: Hasil Pengolahan SPSS 2011
Pada Tabel 4.9 memperlihatkan semua nilai variabel independent memiliki nilai Tolerance 0,1 dan VIF 5. Hal ini berarti tidak terjadi multikolinieritas.
4.2.3.2 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal atau tidak. Uji normalitas
dapat dilakukan dengan analisis grafik yaitu pada Normal P-P Plot of Regression Standarizied Residual.
Universitas Sumatera Utara
Sumber: Hasil Pengolahan SPSS 2011 Gambar 4.1
Grafik Histogram Uji Normalitas
Sumber: Hasil Pengolahan SPSS 2011 Gambar 4.2
Grafik Normal Probability Plot
Universitas Sumatera Utara
Grafik normal probality plot di atas menunjukkan bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi
asumsi normalitas. Selain itu, uji normalitas juga dapat dilakukan dengan menggunakan uji kolmogorov-sumirnov pada tingkat signifikan 5 0,05.
Uji normalitas dengan grafik bias saja terlihat berdistribusi normal, padahal secara statistik tidak berdistirbusi normal. Berikut ini pengujian normalitas yang
didasarkan dengan uji statistic non-parametik Kolmogorov-Smirnov K-S.
Tabel 4.10 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 100
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 1.71083562
Most Extreme Differences Absolute
.074 Positive
.056 Negative
-.074 Kolmogorov-Smirnov Z
.742 Asymp. Sig. 2-tailed
.640 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Pengolahan SPSS 2011
Berdasarkan tabel 4.10, terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0.640, ini berarti nilainya diatas nilai signifikan 5 0.05. dengan kata lain
variable tersebut berdistribusi normal.
Universitas Sumatera Utara
4.2.3.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Uji heteroskedastisitas menghasilkan grafik pola penyebaran titik scatterplot seperti tampak pada Gambar 4.3 berikut.
Sumber: Hasil Pengolahan SPSS 2011 Gambar 4.3
Grafik Scatterplot
Pada Gambar 4.3 dapat dilihat bahwa titik menyebar secara acak dan tidak membentuk suatu pola tertentu yang jelas serta tersebar baik di atas maupun di
bawah angka nol pada sumbu Y. Hal ini tidak terjadi heteroskedasitisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi
keputusan membeli berdasarkan variabel independentnya.
Universitas Sumatera Utara
Tabel 4.11 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 1.133
.955 1.186
.238 motivasi konsumen
-.102 .063
-.243 -1.624
.108 persepsi kualitas
.094 .055
.261 1.702
.092 sikap konsumen
.024 .045
.064 .518
.606 a. Dependent Variable: absut
Sumber: Hasil Pengolahan SPSS 2011
Berdasarkan Tabel 4.11 dapat diketahui bahwa tidak satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen absolute Ut
absut. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi disimpulkan model regresi tidak mengarah adanya
hereroskedastisitas.
4.2.4 Analisis Regresi Linier Berganda
Kategori