95
35 26
27 28
96 35
24 27
29
97 37
27 27
29
98
34 25
29 28
99
34 28
30 30
100
35 24
25 29
Sumber : Hasil Pengolahan Data Primer, 2014
4.4 Analisis Data
4.4.1 Uji Asumsi Klasik
Regresi liner berganda harus harus memenuhi syarat asumsi klasik sebelum data tersebut dianalisis, yaitu sebagai berikut :
4.4.1.1 Uji Normalitas
Uji normalitas dilakukan untuk melihat apakah dalam model regresi variabel bebas Atribut Produk X, yaitu Mutu Produk X
1
, Ciri Produk X
2
, Disain Produk X
3
, dan variabel terikat Citra Merek Brand Image Y memiliki distribusi yang normal atau tidak. Model regresi yang baik
adalah distribusi normal atau mendekati normal. Untuk melihat normalitas data dalam penelitian ini dapat dilihat dengan menggunakan cara
memperhatikan titik pada Normal P- Plot of Regression Standardized Residual. Jika titik-titik menyebar secara teratur di sekitar garis diagonal dan
mengikuti arah garis diagonal, maka model asumsi memenuhi asumsi normalitas, sehingga data dalam model regresi dari penelitian ini merupakan
data normal atau mendekati distribusi normal. Pengujian ini dilakukan
Universitas Sumatera Utara
dengan menggunakan bantuan software SPSS Statistic Package and Social Scince versi 16.0.
Gambar 4.4 Normal Plot Uji Normalitas
Sumber : Hasil Pengolahan Data dengan SPSS 16.0 2014 Berdasarkan Gambar 4.4 dapat dilihat bahwa titik-titik menyebar secara
teratur secara diagonal, sehingga dapat dinyatakan data yang digunakan adalah normal. Artinya data layak untuk memprediksi Citra Merek Brand
Image berdasarkan variabel Mutu Produk X
1
, Ciri Produk X
2
, dan Disain Produk X
3
. 4.4.1.2
Uji Multikolinearitas
Universitas Sumatera Utara
Uji multikolinearitas bertujuan untuk menguji adanya korelasi antara variabel bebas yaitu Mutu Produk X
1
, Ciri Produk X
2
, dan Disain Produk X
3
. Model multikolinearitas yang baik seharusnya tidak terjadi korelasi antara variabel bebasnya. Cara yang digunakan untuk menilainya adalah
dengan melihat faktor inflasi varian Variance Inflasi Vactor VIF yang tidak melebihi 5.
Tabel 4.19 Uji Mutlikolinearitas
Model Correlations
Collinearity Statistics Zero-order
Partial Part
Tolerance VIF
1 Constant
Mutu Produk .137
.079 .070
.975 1.026
Ciri produk .417
.284 .261
.761 1.314
Disain Produk .384
.217 .196
.750 1.333
Sumber : Hasil Pengolahan Data dengan SPSS 16.0 2014 Berdasarkan Tabel 4.19 diatas dapat dilihat bawha nilai Variance Inflasi
Vactor VIF untuk masing-masing variabel bebas tidak melebihi 5, yaitu Mutu Produk X
1
dengan nilai VIF 1.026, Ciri Produk X
2
dengan nilai VIF 1.314, dan Disain Produk X
3
dengan nilai VIF 1.333. Hal ini memperlihatkan bahwa model regresi dalam penelitian ini tidak mengalami
multikolinearitas antar variabel bebas. 4.4.1.3
Uji Heterokedastisitas
Heterokedastisitas digunakan untuk menguji apakah dalam model regresi, terjadi ketidaksamaan varians dari residual dari suatu pengamatan
Universitas Sumatera Utara
yang lain. jika variasi residual dari suatu pengamatan kepengamatan yang lain tetap, makan disebut homokedastisitas, dan jika varians berbeda disebut
heterokedastisitas. Model yang baik adalah tidak terjadi heterokedastisitas. Cara untuk melihat apakah ada tidaknya heterokedastisitas adalah dengan
melihat pola diagram pencar Scatterplot.
Gambar 4.6 Scatterplot Uji Heterokedastisitas
Sumber : Hasil Pengolahan Data dengan SPSS 16.0 2014 Berdasarkan Gambar 4.6 scatterplot dapat dilihat bahwa titik-titik
menyebar secara acak diatas maupun dibawah titik sumbu Y dan tidak membentuk suatu pola tertentu, sehingga dapat dinyatakan regresi tidak
mengalami gangguan heterokedastisitas. Artinya, model regresi layak untuk
Universitas Sumatera Utara
memprediksi Citra Merek Brand Image Y berdasarkan variabel Mutu Produk X
1
, Ciri Produk X
2
, dan Disain Produk X
3
.
4.4.2 Analisis Regresi Linier Berganda
Kategori