Uji Asumsi Klasik .1 Pengujian Normalitas

7 .884 0.80 Reliabel 8 .893 0.80 Reliabel 9 .889 0.80 Reliabel 10 .886 0.80 Reliabel 11 .884 0.80 Reliabel 12 .881 0.80 Reliabel 13 .892 0.80 Reliabel 14 .896 0.80 Reliabel Sumber: Hasil pengolahan data primer 2011 data diolah Ketentuan untuk pengambilan keputusan yaitu menurut Kuncoro, 2008:40 menyatakan instrumen dapat dikatakan reliabel andal bila memiliki nilai Cronbach Alpha 0,80. Tabel 4.6 dapat dilihat nilai Cronbach Alpha 0,80. maka setiap variabel dinyatakan reliabel. 4.2.2 Uji Asumsi Klasik 4.2.2.1 Pengujian Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual berdistribusi normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisis grafik dan uji statistik. Untuk melihat normalitas residual penulis menganalisis grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal dan juga menganalisis probabilitas plot yang menbandingkan distribusi kumulatif dan distribusi normal. Hipotesis: 1. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogram menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. Universitas Sumatera Utara 2 .Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normal. Interpretasi pada gambar 4.1 menunjukkan bahwa grafik histogram menunjukkan pola distribusi normal. Gambar 4.1 : Normal P-P Plot Pada Uji Normalitas Sumber : Data Primer 2011 Pada Gambar 4.1 tersebut dapat dilihat bahwa data- data titik-titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Oleh karena itu, berdasarkan Gambar 4.2 tersebut dapat diambil kesimpulan bahwa data telah memenuhi uji normalitas. Uji Kolmogorov Smirnov 1 Sample KS dilakukan untuk memastikan apakah data disepanjang garis diagonal berdistribusi normal, dengan melihat data residual apakah berdistribusi normal Situmorang, dkk, 2008: 59. Menentukan kriteria keputusan: Universitas Sumatera Utara 1. Jika nilai Asymp.Sig. 2-tailed 0,05 maka tidak mengalami gangguan distribusi normal. 2. Jika nilai Asymp.Sig. 2-tailed 0,05 maka mengalami gangguan distribusi normal. Tabel 4.7 Uji Normalitas One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 53 Normal Parameters a Mean .0000000 Std. Deviation 1.50826651 Most Extreme Differences Absolute .064 Positive .032 Negative -.064 Kolmogorov-Smirnov Z .466 Asymp. Sig. 2-tailed .982 a Test distribution is Normal. b Calculated from data. Sumber: Hasil pengolahan data primer 2011 data diolah Pengambilan keputusan: Pada Tabel 4.7 terlihat bahwa Asymp.Sig. 2-tailed adalah 0,982 dan diatas nilai signifikan 5 0,05, dengan kata lain variabel residual berdistribusi normal.

4.2.2.2 Pengujian Heterokesdastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakan dalam sebuah variabel model regresi terjadi ketidaksamaan dari residual suatu pengamatan ke pengamatan yang lain. Jika varians dari residual tetap, maka disebut homoskedastisitas dan jika varians berbeda disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi Universitas Sumatera Utara heteroskedastisitas yang dapat dilakukan dengan melihat grafik plot, dan uji park. Park mengemukakan metode bahwa varians S 2 merupakan fungsi variabel-variabel bebas. Uji ini dilakukan dengan menguadratkan nilai residual U 2 i dari model kemudian kuadrat residual dilogaritmakan LnU 2 i. Kemudian nilai logaritma dari kuadrat residual dimasukkan sebagai variabel terikat dalam persamaan regresi yang baru. Jika angka signifikansi t yang diperoleh dari persamaan regresi yang baru lebih besar dari alpha 5, maka dikatakan tidak terdapat heterokedastisitas dalam data model. Sebaliknya, jik angka signifikansi yang diperoleh lebih kecil dari alpha 5, maka dapat dikatakan terdapat heteroskedastisitas dalam data model Ghozali, 2005:55. Cara menguji terjadi atau tidaknya heteroskedastisitas adalah dengan melihat scatter plot, analisis data sebagai berikut: 3. Jika ada pola tertentu seperti titik yang ada membentuk pola teratur, maka telah terjadi heteroskedastisitas. 4. Jika tidak ada pola yang jelas, titik meyebar di atas dan dibawah angkas 0 nol maka tidak terjadi heteroskedastisitas. a. Model grafik Hipotesis: 1 Jika diagram pencar yang ada membentuk pola- pola tertentu yang teratur maka regrasi mengalami gangguan heterokedastisitas. 2 Jika diagram pencar yang ada tidak membentuk pola- pola tertentu yang teratur maka regrasi tidak mengalami gangguan heterokedastisitas. Universitas Sumatera Utara Sumber: Hasil pengolahan data primer 2011 data diolah Gambar 4. 3 Scatterplot Pada Gambar 4.3 dapat dilihat bahwa diagram pencar tidak membentuk pola tertentu karena itu tidak mengalami gangguan heterokedastisitas. b. Model Glejser Menentukan kriteria keputusan: 1. Jika nilai signifikan 0,05, maka tidak mengalami gangguan heterokedastisitas. 2. Jika nilai signifikan 0,05, maka mengalami gangguan heterokedastisitas. Universitas Sumatera Utara Tabel 4.8 Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1Constant -.414 1.274 -.325 .747 Ketidakpuasankonsumen .096 .076 .194 1.267 .211 Kebutuhanmencarivariasi .006 .101 .009 .056 .955 a. Dependent Variable: absut Sumber: Hasil pengolahan data primer 2011 data diolah Pada Tabel 4.8 bahwa tingkat signifikansi ketidakpuasankonsuemen dan kebutuhan mencari variasi lebih besar dari 0,05, maka tidak mengalami gangguan heterokesdastisitas. 4.2.2.3 Pengujian Multikolinieritas Uji multikolinieritas bertujuan untuk menguji apakah data ditemukan korelasi diantara variabel bebas independet variabel. Jika terjadi korelasi maka terdapat masalah multikolinieritas. Pada model regresi yang baik tidak terjadi korelasi di antara variabel bebasnya. Gejala ini dapat di deteksi dengan nilai Tolerance dan nilai Variance Factor VIF. Nilai Tolerance rendah sama dengan nilai VIF tinggi VIF = 1Tolerance. Nilai Cutoff atau batas yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai Tolerance 0,10 , atau sama dengan nilai VIF 0,10. Setiap peneliti harus dapat menentukan tingkat kolinieritas yang masih dapat ditolerir. Sebagai nilai Tolerance = 0,10 sama dengan tingkat kolinieritas 0,95 Ghozali, 2005:49. Universitas Sumatera Utara Tabel 4.9 Uji Multikolinearitas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1Constant 4.821 2.085 2.312 .025 Ketidakpuasan konsumen .367 .124 .324 2.953 .005 .824 1.214 Kebutuhanmen carivariasi .771 .165 .511 4.660 .000 .824 1.214 a. Dependent Variable: Perpindahanmerek Sumber: Hasil pengolahan data primer 2011 data diolah Hasil pengujian: Pedoman suatu model regresi yaitu bebas multikolinieritas adalah dengan melihat Variance Inflation Factor VIF 5 maka variabel ada masalah multikolinieritas, dan jika VIF 5 maka tidak terdapat masalah multikolinieritas. Jika Tolerance 0,1 maka variabel ada masalah multikolinieritas, dan jika Tolerance 0,1 maka variabel tidak terdapat masalah multikolinieritas Pada Tabel 4.9 dapat dilihat bahwa nilai VIF 5 dan Tolerance 0,1 maka tidak ditemukan masalah multikolinieritas dalam penelitian ini.

4.2.3 Analisis Data