Tabel 3.4.2 menunjukkan bahwa semua variabel mempunyai Cronbach Alpha
yang cukup besar yaitu di atas 0,7 sehingga dapat dikatakan semua konsep pengukur masing-masing variabel dari kuesioner adalah reliabel
sehingga untuk selanjutnya item-item pada masing-masing konsep variabel tersebut layak digunakan sebagai alat ukur.
3.5. Analissis Deskriptif
Metode analisis deskriptif ini digunakan untuk mengkaji variabel – variabel yang ada dalam penelitian. Pada bagian ini akan dibahas mengenai bentuk
sebaran jawaban responden terhadap keseluruhan konsep yang diukur. Dari sebaran jawaban responden tersebut, selanjutnya akan diperoleh sebuah
kecenderungan dari seluruh jawaban yang ada. Berdasarkan penelitian Achmad Rifqi 2002
Skor yang dilakukan dalam penelitian ini adalah: Sangat Tidak Setuju STS diberi skor 1, tidak Setuju S diberi skor, netral N diberi skor, setuju S
diberi skor 4, sangat setuju SS diberi skor 5. Dari secoring tersebut maka perhitungan indeks jawaban responden dilakukan dengan rumus sebagai berikut :
Nilai indeks = F1x1 + F2x2 + F3x3 + F4x4 + F5x55 dimana :
1. F1 adalah frekuensi responden yang menjawab 1
2. F2 adalah frekuensi responden yang menjawab 2
dan seterusnya F5untuk yang menjawab 5 dari skor yang digunakan dalam daftar pertanyaan. Untuk mendapat kecenderungan jawaban responden terhadap
masingmasing variabel, akan didasarkan pada nilai skor rata-rata indeks yang dikategorikan ke dalam rentang skor berdasarkan perhitungan five box-method
1. Nilai maksimum skor : F x 5 10 = 100 x 5 10 = 500 10 = 50
2. Nilai Minimum skor : F x 1 10 = 100 x 1 10 = 100 10 = 10
Dengan menggunakan kerangka lima kotak five box-method, maka nilai interval dapat dihitung dengan cara : nilai maksimum dikurangi nilai minimum
dan hasilnya dibagi lima akan menghsilkan nilai interval sebesar 18 yang akan digunakan sebagai daftar interpretasi nilai indeks, yang dalam contoh ini adalah
sebagai berikut: Ferdinand:
2005
10 – 28 = Sangat Rendah
28,1 – 46 = Rendah
46,1 – 64 = Sedang
64,1 – 82 = Tinggi
82,1 – 100 = Sangat Tinggi
3.6. Uji Asumsi Klasik
Uji asumsi klasik dapat dilakukan agar model regresi yang digunakan dapat memberikan hasil yang representatif. Hal tersebut dilakukan untuk memperoleh
model ananlisis yang tepat. Model analisis regresi mensyaratkan uji asumsi terhadap data.
3.6.1. Uji Multikolinearitas
Uji ini bertujuan untuk mengetahui antara variabel independen yang satu dengan independen yang lain dalam regresi saling berhubungan secara
sempurna atau mendekati sempurna. Konsekuensi bagi model regresi yang mengandung multikolinieritas adalah bahwa kesalahan standar estimasi akan
cenderung meningkat dengan bertambahnya variabel independen, tingkat signifikansi yang digunakan untuk hipotesis nol akan semakin besar.
Akibatnya model regresi yang diperoleh tidak valid untuk menaksir variabel independen. Untuk mengetahui ada tidaknya multikolinieritas dalam
model regresi adalah melihat nilai tolerance dan lawannya variance inflation factor
VIF. Kedua ukuran ini menunjukkan setiap variabel bebas lainnya. Nilai cut off yang umumnya digunakan adalah tolerance 0,10 sama dengan
nilai VIF di atas 10.
3.6.2. Uji Heteroskedastisitas
Ghozali 2011: 139 menyimpulkan uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari
residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas
dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas. Ada beberapa
cara untuk mendeteksi ada atau tidaknya heterokedastisitas yaitu uji glejser. 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.
3.6.3. Uji Autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi 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 pengambilan keputusan ada tidaknya autokorelasi:
Tabel 3.6.3. Pengambilan Keputusan Autokorelasi
Sumber : Ghozali 2011:110.
3.6.4. Uji Normalitas
Uji ini bertujuan untuk menguji apakah model regresi variabel bebas dan terikat keduanya mempunyai distribusi normal. Model regresi yang baik
adalah model yang memiliki distribusi data normal atau mendekati normal. Uji t dan uji F diasumsikan bahwa nilai residual mengikuti distribusi normal.
Jika asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk mendeteksi apakah residual berdistribusi
Hipotesis Nol Keputusan
Jika Tidak ada autokorelasi positif
Tolak 0 d dl
Tidak ada autokorelasi positif No decision
dl ≤ d ≤ du
Tidak ada autokorelasi negatif Tolak
4 - dl d 4 Tidak ada autokorelasi negatif
No decision 4 - du
≤ d ≤ 4 - dl Tidak ada autokorelasi positif atau
negatif Tidak ditolak
du d 4 – du
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.
3.7. Analisis Regresi Linier Berganda
Pengujian hipotesis ini menggunakan analisis regresi berganda untuk mengetahui pengaruh kemasan produk, harga dan promosi terhadap proses
keputusan pembelian. Untuk melakukan pengujian terhadap hipotesis yang diajukan, perlu digunakan analisis regresi melalui uji t maupun uji F. Tujuan
digunakan analisis regresi adalah untuk mengetahui pengaruh kemasan produk, harga dan promosi terhadap proses keputusan pembelian, baik secara parsial
maupun simultan serta mengetahui besarnya dominasi kemasan produk, harga dan promosi terhadap proses keputusan pembelian. Hasan 2001:254
menyatakan rumus dari regresi linier berganda adalah sebagai berikut : Y= a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ e Keterangan :
Y = Proses keputusan pembelian
a = Konstanta
b
1
, b
2,
b
3
= Koefisien persamaan regresi prediktor X
1
, X
2
dan X
3
X
1
= Variabel
Kemasan X
2
= Variabel
Harga X
3
= Variabel Promosi e
= Faktor Pengganggu
3.8. Uji Hipotesis