Pengujian Persyaratan Analisis

B. Pengujian Persyaratan Analisis

Sebelum pengujian hipotesis dilakukan, data yang akan digunakan untuk analisis statistik dengan teknik regresi ganda harus memenuhi persyaratan sebagai berikut:

1. Uji Normalitas

Normalitas digunakan untuk mengetahui apakah data yang akan dianalisis berbentuk sebaran normal atau tidak. Menurut Singgih Santoso (2001) menetapkan dasar pengambilan keputusan yang digunakan untuk mengetahui data berbentuk sebaran normal atau tidak adalah jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas dan jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti garis diagonal, maka regresi tidak memenuhi asumsi normalitas.. Hasil uji normalitas bisa dilihat dalam gambar berikut:

commit to user

Gambar 4. Grafik Normal P-Plot of Regression Standardized Residual Sumber: data primer yang diolah (2011)

Gambar tersebut menunjukkan bahwa data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, sehingga model regresi memenuhi asumsi normalitas.

2. Uji Multikolinearitas

Pengujian multikolineritas dilakukan untuk melihat apakah pada model regresi ditemukan adanya korelasi antara variabel independen. Cara mendeteksinya adalah dengan melihat nilai tolerance dan nilai Variance Inflation Factor (VIF), dimana menurut Santoso (2001) pada umumnya jika nilai VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel lainnya.

commit to user

Sumber: data primer yang diolah (2011) Berdasarkan uji multikolinieritas di atas diperoleh hasil sebagai berikut, diketahui koefisien VIF untuk fasilitas eksterior adalah 1,716. Koefisien VIF untuk fasilitas interior adalah 1,902. Koefisien VIF untuk komunikasi fisik adalah 1,714. Karena nilai VIF masing-masing variabel tidak lebih dari 5 maka model regresi bebas dari masalah multikolinearitas.

3. Uji Heteroskedastisitas

Uji heterokedastisitas bertujuan untuk menguji apakah dalam sebuah regresi terjadi ketidaksamaan varians dari residual dari suatu pengamatan ke pengamatan lain. Untuk mengetahui terjadinya heteroskedastisitas yaitu dengan melihat ada tidaknya pola tertentu pada scatterplot yang menunjukkan hubungan antara Regression Studentised Residual dengan Regression Standardized Predicted Value. Menurut Singgih Santoso (2001) menetapkan dasar pengambilan keputusan berkaitan dengan gambar tersebut adalah jika ada pola tertentu, seperti titik-titiknya membentuk suatu pola tertentu yang teratur (bergelombang, melebar kemudian menyempit) maka diindikasikan terdapat masalah heteroskedastisitas dan jika tidak ada pola yang jelas, serta titik-titiknya menyebar di atas dan di bawah angka 0 pada sumbu Y, maka diindikasikan tidak terdapat masalah heterokedastisitas. Hasil pengujian heterokedastisistas dalam penelitian ini dapat dilihat pada gambar berikut:

a Coefficients

Model

Collinearity Statistics Tolerance

VIF

1 (Constant)

Fasilitas Eksterior

0,583

1,716 Fasilitas Interior

0,526

1,902 Komunikasi Fisik

0,583

1,714

commit to user

Gambar 5. Scatterplot Regression Studentised Residual Sumber: data primer yang diolah (2011)

Berdasarkan gambar di atas, terlihat titik-titik yang digambarkan pada grafik tersebut menyebar, tidak membentuk pola tertentu dan tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini menunjukkan tidak terdapat heterokedastisitas pada model regresi, sehingga model regresi layak dipakai.

4. Uji Autokorelasi

Uji autokorelasi digunakan untuk mendeteksi apakah variabel pengganggu dari masing-masing variabel bebas saling mempengaruhi. Untuk mengetahui apakah pada model regresi mengandung autokorelasi dapat digunakan pendekatan D-W (Durbin Watson). Menurut Singgih Santoso (2001) model yang tidak mengandung autokorelasi adalah model regresi yang menunjukkan angka di antara -2 sampai 2 pada nilai D-W (Durbin Watson). Hasil uji autokorelasi dalam penelitian ini bisa dilihat dalam tabel berikut:

commit to user

Sumber: data primer yang diolah (2011) Berdasarkan uji autokorelasi di atas diperoleh hasil angka D-W sebesar 1,983. Nilai D-W terletak diantara -2 sampai 2 (-2 < 1,983 < 2), dengan demikian model regresi terbebas dari masalah autokorelasi.

5. Uji Linearitas

Uji linieritas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linier atau tidak. Menurut Siswandari (2009) Kedua variabel mempunyai hubungan yang linear apabila jika plot menggambarkan garis lurus. Hasil uji linearitas dalam penelitian ini adalah sebagai berikut:

a. Fasilitas Eksterior (X 1 ) Dengan Loyalitas Konsumen (Y)

Gambar 6. Plot Fasilitas Eksterior (X 1 ) dengan Loyalitas Konsumen (Y)

Model Summary b

Model R

R Square

Adjusted R

Square

Std. Error of the

1,983 a. Predictors: (Constant), Komunikasi Fisik, Fasilitas Eksterior, Fasilitas Interior b. Dependent Variable: Loyalitas Konsumen

commit to user

Berdasarkan plot antara variabel fasilitas eksterior (X 1 ) dengan variabel loyalitas konsumen (Y) di atas dapat dilihat bahwa plot menggambarkan garis lurus, maka dapat disimpulkan bahwa model regresi memenuhi asumsi linieritas.

b. Fasilitas Interior (X 2 ) Dengan Loyalitas Konsumen (Y)

Gambar 7. Plot Fasilitas Interior (X 2 ) dengan Loyalitas Konsumen (Y) Sumber: data primer yang diolah (2011) Berdasarkan plot antara variabel fasilitas interior (X 2 ) dengan variebel loyalitas konsumen (Y) di atas dapat dilihat bahwa plot menggambarkan garis lurus, maka dapat disimpulkan bahwa model regresi memenuhi asumsi linieritas.

commit to user

c. Komunikasi Fisik (X 3 ) Dengan Loyalitas Konsumen (Y)

Gambar 8. Plot Komunikasi Fisik (X 3 ) dengan Loyalitas Konsumen (Y) Sumber: data primer yang diolah (2011) Berdasarkan plot antara variabel komunikasi fisik (X 3 ) dengan variabel loyalitas konsumen (Y) di atas dapat dilihat bahwa plot menggambarkan garis lurus, maka dapat disimpulkan bahwa model regresi memenuhi asumsi linieritas.