dalam suatu bentuk kuesioner. Reabilitas suatu konstruk variabel dikatakan baik jika memiliki nilai Cronbach’s Alpha dari 0.60.
Nugroho, 2005:72. Hasil uji reliabilitas berdasarkan data yang diolah penulis dengan bantuan software SPSS ver.12 dapat dilihat pada Tabel
4.4
Tabel 4.4 Reliability Statistics
Cronbachs Alpha
Cronbachs Alpha Based on Standardized Items
N of Items .917
.917 11
Sumber: Data primer yang diolah penulis, 2008 Output SPSS tersebut menunjukkan tabel Reliability Statistic pada SPSS
Ver. 12 yang terlihat sebagai Cronbach’s Alpha 0.917 0.60. Dapat disimpulkan konstruk pernyataan adalah reliabel.
C. Uji Asumsi Klasik Statistik
1. Uji Normalitas data Uji normalitas ini bertujuan untuk mengetahui distribusi data dalam
variabel yang akan digunakan dalam penelitian. Data yang baik dan layak digunakan dalam penelitian adalah data yang memiliki distribusi normal.
Normalitas data dapat dilihat dengan cara nilai skewness dan histogram display normal curve.Nugroho, 2005:18. Dalam hal ini peneliti menggunakan cara
histogram display normal curve. Dimana normalitas data bila dilihat dengan cara ini dapat ditentukan berdasarkan bentuk gambar kurva. Data dikatakan normal
jika bentuk kurva memiliki kemiringan yang cenderung imbang, baik pada sisi
Universitas Sumatera Utara
kiri maupun sisi kanan, dan kurva berbentuk menyerupai lonceng yang hampir sempurna.
Dibawah ini dapat dilihat hasil olah SPSS sebagai berikut:
Gambar 4.1. Histogram Regresi Standar Sumber: Data diolah dengan SPSS, 2008
Gambar 4.2. Plot P-P Normal Regresi Standar Sumber: Data diolah dengan SPSS, 2008
4 3
2 1
-1 -2
-3
Regression Standardized Residual
25 20
15 10
5
Frequency
Mean = -7.04E-16 Std. Dev. = 0.985
N = 103
Dependent Variable: y
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Expected Cum Prob
Dependent Variable: y
Normal P-P Plot of Regression Standardized Residual
Universitas Sumatera Utara
Kurva variabel Brand Image menunjukkan daya tarik fisik, dapat di percaya dan keahlian tidak condong miring ke kiri maupun ke kanan, namun
cenderung di tengah dan berbentuk seperti lonceng. Begitu juga dengan hasil dari output spss Normal p-Plot dari Brand Image, daya tarik fisik, dapat di percaya
dan keahlian memperlihatkan bahwa distribusi dari titik-titik data Brand Image, Pembentukan Personality daya tarik fisik, dapat di percaya dan keahlian
menyebar di sekitar di garis diagonal, dan penyebaran titik-titik se arah dengan garis diagonal. Jadi dapat disimpulkan bahwa data Brand Image, Personality
Komeng daya tarik fisik, dapat di percaya dan adanya keahlian memiliki kecenderungan terdistribusi secara normal.
2. Uji Multikolineritas Uji multikolineritas diperlukan untuk mengetahui ada tidaknya variabel
independen yang memiliki kemiripan dengan variabel independen lain dalam satu model. Selain itu, deteksi terhadap multikolineritas juga bertujuan untuk
menghindari kebiasaan dalam proses pengambilan kesimpulan mengenai pengaruh pada uji parsial masing-masing variabel independen terhadap variabel
dependen. Deteksi Multikolinereitas pada suatu model dapat dilihat dari beberapa hal, antara lain: Jika nilai variance inflation factor VIF tidak lebih dari 10 dan
nilai Tolerance tidak kurang dari 0.1 maka model dapat dikatakan terbebas dari multikolineritas VIF = 1 Tolerance, jika VIF = 10 maka Tolerance = 1 10 = 0.1.
Semakin tinggi VIF maka semakin rendah Tolerance. Hasil olah SPSS dapat dilihat pada Tabel di bawah ini:
Universitas Sumatera Utara
Tabel 4.5 Coefficientsa
Model Unstandardi
zed Coefficients
Standa rdized
Coeffi cients
t Sig.
Collinearity Statistics B
Std. Error
Beta Toleranc
e VIF
1
Constant
4.18 2
1.01 9
4.10 6
.000 X1
.132 .077
.160 1.71
1 .090
.707 1.414
X2 .467
.125 .347
3.74 4
.000 .722
1.385 X3
.252 .097
.257 2.60
.011 .633
1.579 a Dependent Variable: y
Sumber: Data diolah dengan SPSS, 2008
Hasil uji memalui Variance Inflation Factor VIF pada hasil output SPSS tabel Coefficients, masing-masing variabel independen memiliki VIF tidak lebih
dari 10 dan nilai Tolerance tidak kurang dari 0.1. Maka dapat dinyatakan model regresi linier berganda terbebas dari asumsi klasik statistik dan dapat digunakan
dalam penelitian. 3. Uji Auto korelasi
Uji autokorelasi bertujuan untuk mengetahui ada tidaknya korelasi antara variabel penggangggu. Cara mudah mendeteksi autokorelasi dapat dilakukan
dengan uji Durbin Watson. Model regresi linier berganda terbebas dari autokorelasi jika nilai Durbin Watson hitung terletak di daerah No Autocorelasi.
Penentuan letak tersebut dibantu dengan tabel dl dan du, dibantu dengan nilai k jumlah variabel independen. Nugroho, 2005: 59.
Hasil olah SPSS dapat dilihat di bawah ini:
Universitas Sumatera Utara
Tabel 4.6 Model Summaryb
Mode l
R R Square
Adjusted R Square
Std. Error of the
Estimate Durbin-
Watson 1
.623a .388
.369 1.34881
1.776 a Predictors: Constant, x3, x2, x1
b Dependent Variable: y Sumber: Data diolah dengan SPSS, 2008
Output menunjukkan nilai Durbin Watson 1.776. Untuk lebih jelasnya dapat dilihat dengan menggunakan tabel-tabel batas bawah dl dan batas atas du
untuk mengetahui daerah autokorelasi dari nilai Durbin Watson.
Tabel 4.7 Tabel Autocorrelation
0 du dl 1.776 2 4 – du 4 – d1 4 1.61 1.74 2.39 2.26
Sumber: Data diolah dengan SPSS, 2008
4. Uji Heteroskesdastisitas
Uji Heteroskesedastisitas menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode pengamatan yang lain, atau gambaran
hubungan antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut sehinggal dapat dikatakan model tersebut homokesdastisitas.
Menurut Nugroho 2005:62 Cara memprediksi ada tidaknya heterokedastisitas pada suatu model dapat dilihat dari pola gambar Scatterplot
No Autocorelation
Negatif Autocorelation
dan Autocorelation
Positif
Universitas Sumatera Utara
model tersebut. Analisis pada gambar Scatterploty yang menyatakan model regresi linier berganda tidak terdapat heteroskedastisitas jika:
1. Titik – titik data menyebar di atas dan di bawah atau di sekitar angka 0
2. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja
3. Penyebaran titik-titik data tidak boleh membentukpola bergelombang
melebar kemudian menyempit dan melebar kembali 4.
Penyebaran titik – titik data sebaiknya tidak berpola. Data Oleh SPSS menunjukkan:
4 2
-2 -4
Regression Standardized Predicted Value
5 4
3 2
1 -1
-2
R eg
re ss
io n
S tu
d en
ti ze
d R
es id
u al
Dependent Variable: p4 Scatterplot
Gambar 4.3. Scatterplot Dependent Variable : p4 Sumber: Data diolah dengan SPSS, 2008
Scatterplot menunjukkan bahwa model regresi linier berganda terbebas dari asumsi klasik hetroskesdastisitas dan layak digunakan dalam penelitian.
D. Metode Regresi Linier Berganda Multiple Linear Regression