35 Bila nilai d
hitung
berada di luar interval nilai d
L
dan d
U
, terjadi penyimpangan asumsi autokorelasi dan dilakukan
transformasi dengan cara mensubstitusikan nilai ρ yang dihitung
berdasarkan nilai d pada model asli. Nilai ρ =1- d2, dimana d =
nilai Durbin Watson Untuk mencegah data pertama hilang, maka data pertama
ditransformasikan melalui perkalian dengan
2
1
ρ
−
. Pengujian asumsi klasik terhadap model agar variabel independen layak
sebagai alat estimasi variabel dependen yang tidak bias best linier unbiased estimators.
3.4.2. Model Regresi Linier Berganda Multiple Regression
Untuk mengetahui nilai atau harga-harga variabel X atau besarnya variabel dependen mempengaruhi variabel independen
digunakan model regresi linier berganda. Adapun bentuk persamaan regresinya untuk loyalitas pelanggan dapat dilihat seperti persamaan
dibawah ini Netter and Wasserman, 1974. Y =
β
0 +
β
1
Xi
1 +
β
2
Xi
2 +
β
3
Xi
3 +
β
4
Xi
4 +
β
5
Xi
5 +
β
6
Xi
6 +
ε dimana : Y
= Loyalitas pelanggan β
= Konstanta β
1
= Koefisien regresi dari X
1
β
2
= Koefisien regresi dari X
2
β
3
= Koefisien regresi dari X
3
β
4
= Koefisien regresi dari X
4
β
5
= Koefisien regresi dari X
5
β
6
= Koefisien regresi dari X
6
X
1
= kinerja performance X
2
= fitur features X
3
= kehandalan realibility X
4
= kesesuaian conformance X
5
= daya tahan durability
36 X
6
= citrareputasi perceived quality ε
= epsilon atau standard error Nilai-nilai parameternya dapat dihitung dengan rumus-rumus
berikut: β
1
=
∑ ∑
∑ ∑ ∑
= =
= =
=
− −
n i
n i
i i
n i
n i
n i
i i
i i
x x
n y
x y
x n
1 1
2 2
1 1
1
dan β
0 =
− Y
β
1
X dimana
X
=
∑
i
x n
1
Y
=
∑
i
y n
1
Koefisien regresi bernilai positif + berarti menunjukkan hubungan yang searah antara variabel dependen dengan variabel
independen, artinya kenaikan variabel independen mengakibatkan kenaikan variabel dependen. Sedangkan koefisien regresi bernilai
negatif - berarti menunjukkan hubungan yang berlawanan antara variabel dependen dengan variabel independen, artinya kenaikan
variabel independen akan mengakibatkan penurunan variabel dependen dan penurunan variabel independen akan mengakibatkan
kenaikan variabel dependen. Parameter
β
1
mengindikasikan nilai koefisien regresi untuk variabel X
1
, dimana perubahan nilai yang terjadi pada β
1
mengakibatkan perubahan pada variabel dependen Y. Asumsi yang digunakan untuk permasalahan diatas adalah bahwa variabel
independen lainnya dianggap konstan. Penjabaran dari persamaan regresi Y =
β
0 +
β
1
Xi
1 +
β
2
Xi
2 +
β
3
Xi
3 +
β
4
Xi
4 +
β
5
Xi
5 +
β
6
Xi
6 +
ε secara konseptual adalah dengan
37 menggunakan notasi matrix, dan dapat dilihat seperti matrix dibawah
ini :
Y = ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥
⎦ ⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣ ⎡
n
Y Y
Y
. .
.
2 1
X = ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥
⎦ ⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣ ⎡
66 62
61 26
22 21
16 12
11
. .
. 1
. .
. .
. .
1 .
. .
. .
. 1
. .
. .
. .
1 .
. .
1 .
. .
1
X X
X X
X X
X X
X
β =
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦ ⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣ ⎡
n
β β
β
. .
.
1
ε =
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦ ⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣ ⎡
n
ε ε
ε
. .
.
2 1
Sehingga persamaan regresi didalam matrix menjadi : Y = X
β + ε
Dimana : Y = vektor dari pengamatan
β = vektor dari parameter X = matrix konstan
ε = vektor dari variabel independen
3.4.3. Koefesien Determinasi Koefisien determinasi disimbolkan dengan R
