Ilmu Administrasi NiagaBisnis FISIP USU akan merekomendasikan produk iPhone ini kepada orang lain.
Tabel 4.38 Distribusi jawaban responden mengenai pembelian ulang
produk iPhone di masa yang akan datang oleh mahasiswa No.
Alternatif Jawaban Jumlah Persentase
1. Sangat Tidak Setuju STS
2. Tidak Setuju TS
4 4,70
3. Ragu R
6 7,05
4. Setuju S
66 77,64
5. Sangat Setuju SS
9 10,58
Total 85
100
Sumber :Data primer, 2015
Berdasarkan dari data di atas maka responden memberikan jawaban setuju sebanyak 66 orang responden dengan persentase 77,64,
jawaban sangat setuju sebanyak 9 orang responden dengan persentase 10,58, jawaban ragu sebanyak 6 orang responden dengan persentase
7,05 sedangkan yang memberi tanggapan tidak setuju sebanyak 4 orang responden dengan persentase 4,70. Dilihat dari hasil persentase diatas,
mahasiswa Ilmu Administrasi NiagaBisnis FISIP USU beranggapan bahwa smartphone merek iPhone merupakan salah satu smartphone yang
akan dibeli ulang pada masa yang akan datang.
4.3 Analisis Data 4.3.1 Uji Asumsi Klasik
4.3.1.1 Uji Normalitas
Pengujian normalitas data dilakukan untuk melihat apakah dalam model regresi, variabel dependen dan independennya memiliki distribusi
normal atau tidak. Cara menguji data adalah dengan menggunakan Kolmogorov Smirnov. Kriteria untuk menentukan normal atau tidaknya
data, dapat di lihat pada nilai probabilitasnya. Data adalah normal jika nilai Kolmogorov Smirnov tidak signifikan Asymp. Sig. 2-tailed
0,05 Juliandi, 2013:170.
Tabel 4.39 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 85
Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,64224613
Most Extreme Differences
Absolute ,117
Positive ,096
Negative -,117
Kolmogorov-Smirnov Z 1,078
Asymp. Sig. 2-tailed ,196
Sumber: Olahan Data Software Statistik, 2015
Berdasarkan tabel tersebut nilai Asymp. Sig. 2-tailed adalah 0,196, yaitu lebih besar dari Asymp. Sig. 2-tailed 0,05. Dengan demikian
data tersebut dinyatakan normal dan memenuhi uji normalitas.
4.3.1.2 Uji Multikolinearitas
Multikolinearitas digunakan untuk menguji apakah pada model regresi ditemukan adanya korelasi yang kuat antar variabel independen
Gujarati,3003; Santoso, 2000, Arief, 1993 dalam Juliandi, 2013:170. Cara yang digunakan untuk menilainya adalah dengan melihat nilai faktor
inflasi varian Variance Inflasi Factor VIF, yang tidak melebihi 4 atau 5 Hines dan Montgomery, 1990 dalam Juliandi, 2013:170.
Tabel 4.40 Hasil Uji Multikolinearitas
Sumber: Olahan Data Software Statistik, 2015
Berdasarkan tabel diatas dilihat bahwa kedua variabel independen yaitu kualitas produk dan merek memiliki nilai faktor inflasi harian Variance Inflasi
Factor sebesar 2,082 tidak melebihi 5, sehingga tidak terjadi multikolinearitas dalam variabel independen penelitian ini.
4.3.1.3 Uji Heterokedastisitas
Heterokedastisitas digunakan untuk menguji apakah dalam model regresi, terjadi ketidaksamaan varians dari residual suatu pengamatan yang
lain. Jika residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas, dan jika varians berbeda disebut
homokedastisitas. Model yang baik adalah tidak terjadi homokedastisitas Arief, 1993: Gujarati, 2001 dalam Juliandi, 2013:171.
Dasar pengambilan keputusannya adalah: jika pola tertentu, seperti titik-titik poin-poin yang ada membentuk suatu pola tertentu yang teratur,
maka terjadi heterokedastisitas. Jika ada pola yang jeles , serta titik-titik poin-poin menyeber dibawah dan diatas angka 0 pada sumbu Y, maka
tidak terjadi heterokedastisitas Santoso, 2000 dalam Juliandi, 2013:171.
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
Constant Kualitas Produk
.480 2.082
Merek .480
2.082
Gambar 4.7 Hasil Uji Heterokedastisitas
S umber: Olahan Data Software Statistik, 2015
Dari gambar scatterplot di atas, dapat di lihat bahwa titik-titik menyebar secara acak dan membentuk pola yang teratur, serta tersebar baik
di atas maupun di bawah angka 0 pada sumbu Y, maka terjadi heterokedastisitas.
4.3.1.4 Analisis Regresi Linier Berganda
Tabel 4.41 Koefisien Beta
Co e ffic ie n ts
a
Model Unstandardized
Coefficients Standardi
zed Coefficie
nts
T Sig.
B Std.
Error Beta
1 Constant
-1,267 ,806
-1,572 ,120
KUALITASPRODUK ,130
,015 ,334
8,668 ,000
MEREK 1,897
,104 ,701
18,168 ,000
Dependent Variable: Keputusan Pembelian
Sumber: Olahan Data Software Statistik, 2015
Y= -1,267+0,130X1+1,897X2 Keterangan :
Y = Keputusan Pembelian X1 = Kualitas Produk
X2 = Merek Persamaan regresi di atas dapat dijelaskan sebagai berikut :
1. β0 = -1,267
Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel kualitas produk dan merek, maka nilai variabel keputusan pembelian
adalah sebesar -1,267. 2.
β1 = 0,130 Koefisien regresi β1 ini menunjukkan bahwa setiap variabel kualitas
produk satu satuan, maka nilai variabel keputusan pembelian akan
bertambah sebesar 0,130 dengan asumsi variabel lainnya dia anggap tetap atau sama dengan nol.
3. β2 = Koefisien Regresi β2 ini menunjukkan bahwa setiap variabel merek
satu satuan, maka perubahan nilai variabel keputusan pembelian yang dilihat dari nilai Y akan bertambah 0,1897 dengan asumsi variabel lain di
anggap tetap.
4.3.1.5 Uji Determinasi
Tabel 4.42 Uji Determinasi
Mo d e l S u m m a ry
b
Model R
R Square Adjusted R
Square Std. Error
of the Esti
ate
1 ,970
,941 ,940
,650 a. Predictors: Constant, Merek, Kualitas Produk
b. Dependent Variable: Keputusan Pembelian
Sumber: Olahan Data Software Statistik, 2015
Pada model summary pada tabel uji determinasi di atas, angka R sebesar 0,970 menunjukkan bahwa korelasi atau hubungan antara keputusan
pembelian Y dengan kualitas produk X1 dan merek X2 mempunyai hubungan yang cukup kuat karena R 0,5. Dimana nilai R yaitu 0,970
sedangkan angka adjusted R Square atau koefisien determinasi adalah 0,940. Angka ini mengindifikasi bahwa variasi dari kedua variabel independennya
mampu menjelaskan variasi variabel dependen sebesar 94 dan sisanya 0,60 100 - 94 dijelaskan oleh faktor-faktor lain yang tidak dimasukkan dalam
model penelitian ini kemudian standard error of the estimate sebesar 0,650, dimana semakin kecil angka ini akan membuat model regresi semakin tepat
untuk memprediksi nilai variabel keputusan pembelian. Adjusted R Square adalah nilai R Square yang telah di sesuaikan, nilai
ini selalu lebih kecil dari R Square dan angka ini bisa memiliki harga negatif. Untuk regresi dengan lebih dari dua variabel bebas digunakan Adjusted
sebagai koefisien determinasi.
4.3.1.6 Pengujian Hipotesis
4.3.1.6.1 Uji Signifikan Simultan Uji - F
Uji F digunakan untuk menguji apakah variabel bebas memiliki pengaruh secara bersamaan terhadap variabel terikat. Untuk
menganalisis apakah hipotesis diterima atau ditolak, maka dapat dilihat nilai F yakni pada nilai probabilitasnya. Dimana
hipotesisnya adalah : a.
H0 : terdapat pengaruh yang tidak signifikan b.
H1 : terdapat pengaruh yang signifikan Adapun kriteria penerimaan atau penolakan hipotesisnya adalah
sebagai berikut : a.
Tolak H0 jika nilai probabilitasnya dihitung ≤ taraf signifikansi
sebesar 0.05 Sig ≤
b. Terima H0 jika nilai probabilitas yang dihitung taraf
signifikansi 0.05 Sig .
Tabel 4.43 Koefisien F hitung
ANOVA
b
Model Sum of
Squares df
Mean Square
F Sig.
1 Regressi
on 556,058
2 278,029
657,993 ,000
Residual 34,648
82 ,423
Total 590,706
84
Sumber: Olahan Data Software Statistik, 2015
Pada tabel diatas dapat dilihat bahwa nilai F hitung adalah 657,993 dengan tingkat signifikansi 0,000 yang lebih kecil dari 0.05. Dengan
menggunakan nilai signifikansi tabel F di peroleh angka sig ≤ 0,05.
Dimana angka sig untuk tabel F yaitu sebesar 0,00 0,00 ≤ 0,05
sehingga H0 ditolak dan Ha diterima, artinya variabel bebas yaitu kualitas produk dan merek berpengaruh signifikan terhadap variabel
keputusan pembelian.
4.3.1.6.2 Uji Signifkan Parsial Uji - T
Uji T digunakan untuk menguji hipotesis apabila peneliti menganalisis regresi parsial sebuah variabel bebas dengan sebuah variabel terikat.
Maka pengujian ini dapat dilihat dari nilai probabilitasnya.
Hipotesisnya adalah:
a. H0 : terdapat pengaruh yang tidak signifikan
b. Ha : terdapat pengaruh yang signifikan
Adapun kriteria penerimaan atau penolakan hipotesisnya adalah sebagai berikut:
a. Tolak H0 jika nilai probabilitas yang dihitung
≤ taraf signifikansi sebesar 0.05 Sig
≤ b.
Terima H0 jika nilai probabilitas yang dihitung taraf signifikansi 0.05 Sig
.
Tabel 4.44 Koefisien t hitung
Co e ffic ie n ts
a
Model Unstandardized
Coefficients Standardize
d Coefficients
T Sig.
B Std. Error Beta
1 Constant -1,267
,806 -1,572
,120 KUALITAS
PRODUK ,130
,015 ,334
8,668 ,000
MEREK 1,897
,104 ,701
18,168 ,000
a. Dependent Variable: keputusan pembelian
Sumber: Olahan Data Software Statistik, 2015
Pada tabel diatas dapat dilihat hasil pengujian statistik t sehingga dapat menjelaskan pengaruh variabel independen secara parsial. Dari tabel
regresi dapat dilihat besarnya t hitung untuk variabel kualitas produk sebesar 8,668 dengan nilai signifikansi 0,00. Signifikansi menunjukkan
angka ≤ 0,05 0,000 ≤ 0,05, maka H0 di tolak Ha di terima, artinya kualitas
produk memiliki pengaruh yang signifikan terhadap keputusan pembelian. Tabel di atas menunjukkan besarnya t hitung untuk variabel merek
sebesar 18,168 dengan nilai signifikansi 0,000. Signifikansi menunjukkan angka
≤ 0,05 0,000 ≤ 0,005, maka H0 di tolak dan Ha di terima. Maka
dapat di ambil kesimpulan bahwa kualitas produk dan merek masing-masing memiliki pengaruh yang signifikan terhadap keputusan pembelian.
4.4 Pembahasan