Berdasarkan tabel 4.1 dapat diketahui
bahwa semua
item pertanyaan memiliki nilai r hitung t
tabel 0,197 atau nilai signifikansi alpha 0,05 sehingga dapat dikatakan
semua item pertanyaan telah valid. 4.1.2 UJI RELIABILITAS
Reliabilitas adalah indek yang menunjukkan suatu alat pengukur dapat
dipercaya atau
dapat diandalkan.
Reliabilitas memberikan kesesuaian antara hasil dengan pengukuran. Untuk
menguji reliabilitas suatu data adalah dengan menggunakan
Cronbach Alpha
yaitu untuk mengetahui apakah hasil pengukuran
data yang
diperoleh memenuhi syarat reliabilitas atau tidak.
Apabila
alpha
lebih kecil dari 0,6 maka dinyatakan
tidak reliabel
dan sebaliknya apabila hasil korelasi
alpha
lebih besar dari 0,6 maka instrumen dikatakan reliabel. Kriteria indeks
reliabilitas adalah sebagai berikut Triton 2007:91 :
Tabel 4.2 Kriteria Indeks kofiesien reliabilitas
No. Interval
Kriteria 1.
0,200 Sangat
rendah 2.
0,200-0,399 Rendah
3. 0,400-0,599
Cukup 4.
0,600-0,799 Tinggi
5. 0,800-1,00
Sangat tinggi
Sumber : Suharsimi Arikunto, Prosedur Penelitian, 2006
Hasil pengujian reliabilitas terhadap semua variabel ditunjukkan tabel di
bawah ini :
Tabel 4.3 Hasil Uji Reliabilitas
Variabel Koefisien
Alpha Cronbach
Keterangan
X1 0,795
Reliabel X2
0,781 Reliabel
X3 0,814
Reliabel X4
0,820 Reliabel
X5 0,802
Reliabel X6
0,801 Reliabel
X7 0,825
Reliabel X8
0,797 Reliabel
Y 0,837
Reliabel Sumber : Data diolah, 2013.
Berdasarkan tabel 4.3 di atas dapat diketahui bahwa semua variabel
tersebut memiliki nilai koefisien Alpha Cronbach lebih besar dari 0,6 sehingga
dapat dikatakan instrumen pertanyaan yang digunakan dalam penelitian ini
sudah reliabel atau dapat dihandalkan. 4.2
UJI ASUMSI KLASIK
Pengujian asumsi klasik model regresi meliputi uji asumsi normalitas,
multikolinieritas danheteroskedastisitas. Uraian dari perhitungan pengujian
asumsi model regresi dapat dijelaskan sebagai berikut :
4.2.1 Pengujian Asumsi Normalitas
Model regresi dapat dikatakan memenuhi asumsi normalitas jika
residual yang disebabkan oleh model regresi berdistribusi normal. Untuk
menguji asumsi ini, dapat digunakan metode Kolmogorov-Smirnov.
Tabel 4.4 Uji Asumsi Normalitas
Statistik Uji Nilai
Keteranga n
Kolmogorov -Smirnov Z
0,03 5
Menyebar Normal
signifikansi
0,20 Sumber : Data primer diolah 2013
Berdasarkan pengujian
Kolmogorov-Smirnov pada tabel 4.4 , didapatkan nilai
signifikansi
sebesar 0,200, dimana nilai tersebut lebih besar
daripada α = 0,05. Karena nilai
signifikansi
lebih besar daripada α =
0,05, maka dapat disimpulkan bahwa residual
model regresi
memiliki sebaran normal atau dengan kata lain
asumsi normalitas
telah residual
terpenuhi.
4.2.2 Pengujian
Asumsi Multikolinieritas
Untuk mendeteksi ada atau tidaknya multikolinieritas dapat dilihat
dari
Variance Inflation Factor VIF.
Apabila nilai VIF 10 maka menunjukkan adanya multikolinieritas.
Dan apabila sebaliknya VIF 10 maka tidak terjadi multikolinieritas.
Tabel 4.5 Uji Asumsi Multikolinieritas
Variabel Independen
Tolerance VIF
Keterangan
X
1
.848 1,180
Non Multikolinier
X
2
.682 1,466
Non Multikolinier
X
3
.482 2,074
Non Multikolinier
X
4
.560 1,786
Non Multikolinier
X
5
.608 1,645
Non Multikolinier
X
6
.846 1,182
Non Multikolinier
X
7
.715 1,399
Non Multikolinier
X
8
.734 1,363
Non Multikolinier
Sumber : Data primer diolah 2013 Dari hasil perhitungan yang ada di
Tabel 4.5. masing-masing variabel bebas menunjukkan nilai VIF yang
tidak lebih dari nilai 10 dimana seluruh nilai VIF disekitar angka 1 dan 2 dan
nilai
tolerance
mendekati 1 sehingga dapat dikatakan antar variabel bebas
tidak saling berkorelasi, maka asumsi tidak terjadi multikolinieritas atau non
mulitikolinieritas telah terpenuhi. 4.2.3 Pengujian Heteroskedastisitas
Uji heteroskedastisitas
bertujuan untuk 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
homoskedastisitas dan jika berbeda disebut Heteroskedastisitas.
Gambar 4.1 Pengujian Asumsi
Heteroskedastisitas
Dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak
serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. dapat
dikatakan
bahwa tidak
terjadi
heterokedastisitas pada model regresi. 4.3
Analisis Regresi
Linier Berganda
Proses pengolahan data dengan menggunakan analisis regresi linier
berganda, dilakukan beberapa tahapan untuk
mencari hubungan
antara variabel independen dan dependen.
Berdasarkan hasil pengolahan data dengan menggunakan
software
SPSS didapatkan ringkasan seperti pada
Tabel 4.6. Variabel dependen pada analisis
regresi ini adalah Y sedangkan variabel independennya adalah X
1
, X
2
, X
3
, X
4
, X
5
, X
6
, X
7
dan X
8
.
Tabel 4.6
Model regresi
yang didapatkan
berdasarkan Tabel 4.22 adalah sebagai berikut :
Y = -5,199 + 0,532X
1
+ 0,214X
2
- 0,102X
3
- 0,158X
4
+ 0,605X
5
+ 0,151X
6
- 0,004X
7
+ 0,207X
8
dimana : Y
: Kepuasan Konsumen X
1
: Kinerja X
2
: Fitur X
3
: Kehandalan X
4
: Kesesuaian Spesifikasi X
5
: Daya Tahan X
6
: Pelayanan X
7
: Estetika X
8
: Kualitas yang Dirasakan Interpretasi model regresi pada Tabel
4.22 adalah sebagai berikut : 1.
β
= -5,199
Koefisien regresi ini menunjukkan bahwa
apabila tidak
terdapat peningkatan maupun penurunan pada
kinerja, fitur, kehandalan, kesesuaian spesifikasi, daya tahan, pelayanan ,
estetika dan kualitas yang dirasakan,
maka akan terjadi penurunan pada kepuasan konsumen Y.
2. β
1
= 0,532
Koefisien regresi
ini menunjukkan bahwa apabila terdapat
peningkatan pada Kinerja X
1
dan variabel yang lain dianggap tetap,
maka akan terjadi peningkatan pula pada Kepuasan Konsumen Y.
3. β
2
= 0,214 Koefisien
regresi ini
menunjukkan bahwa apabila terdapat peningkatan pada Fitur X
2
dan variabel yang lain dianggap tetap,
maka akan terjadi peningkatan pada Kepuasan Konsumen Y.
4. β
3
= -0,102 Koefisien
regresi ini
menunjukkan bahwa apabila terdapat peningkatan pada Kehandalan X
3
dan variabel yang lain dianggap tetap, maka akan terjadi penurunan pada
Kepuasan Konsumen Y. 5.
β
4
= -0,158 Koefisien
regresi ini
menunjukkan bahwa apabila terdapat peningkatan
pada Kesesuaian
Spesifikasi X
4
dan variabel yang lain dianggap tetap, maka akan terjadi
penurunan pada Kepuasan Konsumen Y.
6. β
5
= 0,605 Koefisien
regresi ini
menunjukkan bahwa apabila terdapat peningkatan pada Daya Tahan X
5
dan variabel yang lain dianggap tetap, maka
akan terjadi peningkatan pula pada Kepuasan Konsumen Y.
7. β
6
= 0,151 Koefisien
regresi ini
menunjukkan bahwa apabila terdapat peningkatan pada Pelayanan X
6
dan variabel yang lain dianggap tetap, maka
akan terjadi peningkatan pula pada Kepuasan Konsumen Y.
Hasil Analisis Regresi Berganda Model
Unstandardized Coefficients
Standardized Coefficients
t
hitung
Sig. Keterangan
B Std.
Error Beta
Constant -5.199
2.129 -2.442
0.017 TOTAL X1
0.532 0.133
0.346 3.985
0.000 Signifikan
TOTAL X2 0.214
0.131 0.157
1.627 0.107
Tidak Signifikan
TOTAL X3 -0.102 0.134
-0.087 -0.760 0.449
Tidak Signifikan
TOTAL X4 -0.158 0.155
-0.109 -1.023 0.309
Tidak Signifikan
TOTAL X5 0.605
0.144 0.432
4.214 0.000 Signifikan
TOTAL X6 0.151
0.118 0.111
1.282 0.203
Tidak Signifikan
TOTAL X7 -0.004 0.132
-0.003 -0.028 0.978
Tidak Signifikan
TOTAL X8 0.207
0.127 0.152
1.632 0.106
Tidak Signifikan
α = 0,05
Koefisien Determinasi R Square = 0,420
F-Hitung = 8,235
F-Tabel = 2, 042
Signifikansi
= 0,000 t-tabel
= 1,986
8. β
7
= -0,004 Koefisien
regresi ini
menunjukkan bahwa apabila terdapat peningkatan pada Estetika X
7
dan variabel yang lain dianggap tetap, maka
akan terjadi penurunan pada Kepuasan Konsumen Y.
9. β
8
= 0,207 Koefisien
regresi ini
menunjukkan bahwa apabila terdapat peningkatan
pada Kualitas
yang Dirasakan X
8
dan variabel yang lain dianggap tetap, maka akan terjadi
penurunan pada Kepuasan Konsumen Y.
Berdasarkan pada tabel 4.22, model
regresi tersebut
memiliki koefisien
determinasi R
Square sebesar 0,420. Hal ini berarti bahwa
model regresi yang didapatkan mampu menjelaskan pengaruh antara variabel-
variabel X terhadap Y sebesar 42 dan sisanya sebesar 58 dijelaskan oleh
variabel lain yang tidak terdeteksi. 4.7
Hasil Uji Hipotesis Koefisien Model Regresi
Kemudian, model regresi yang telah didapatkan diuji terlebih dahulu
baik secara simultan dan secara parsial. Pengujian
model regresi
secara simultan
dilakukan dengan
menggunakan uji F atau ANOVA dan pengujian model regresi secara parsial
dilakukan dengan uji t. 4.7.1 Hasil Hipotesa Pertama Uji
Model Regresi Secara Simultan
Pengujian secara
simultan dilakukan untuk menunjukkan apakah
semua variabel
independen yang
digunakan dalam
model regresi
memiliki pengaruh yang signifikan terhadap Kepuasan Konsumen. Semua
variabel tersebut diuji secara serentak dengan menggunakan uji F atau
ANOVA, . H
: β
i
= 0 tidak terdapat pengaruh yang signifikan antara variabel X
1
s.d. X
8
terhadap variabel Y H
1
: β
i
≠ 0 terdapat pengaruh antara variabel X
1
s.d. X
8
terhadap variabel Y, α = 0,05
F
hitung
= 8,235 Sig
= 0,000 F
tabel
= 2,041 Pengujian hipotesis model
regresi secara simultan atau secara serentak menggunakan uji F. Di dalam
tabel distribusi F, didapatkan nilai F
tabel
dengan
degrees of freedom
df n
1
= 8 dan n
2
= 91 adalah sebesar 2,041. Jika nilai F hasil penghitungan pada tabel
4.4 dibandingkan dengan F
tabel
, maka F
hitung
hasil penghitungan lebih besar daripada F
tabel
8,235 2,041. Selain itu, pada tabel 4.22 juga didapatkan
nilai
signifikansi
sebesar 0,000. Jika
signifikansi
dibandingkan dengan α =
0,05 maka
signifikansi
lebih kecil dari α = 0,05. Dari kedua perbandingan
tersebut dapat diambil keputusan H ditolak pada taraf
α = 0,05. Sehingga dapat disimpulkan bahwa terdapat
pengaruh secara
simultan antara
variabel X
1
, X
2
, X
3
, X
4
, X
5
, X
6
, X
7
dan X
8
terhadap variabel Y.
4.7.2 Hasil Hipotesa Kedua Uji Model Regresi Secara Parsial
