Analisis Regresi Linier Berganda Dan Aplikasinya

ANALISIS REGRESI BERGANDA DAN APLIKASINYA

SKRIPSI

OSHIN NATALIA LUMBAN TORUAN

080803070

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

ANALISIS REGRESI BERGANDA DAN APLIKASINYA

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains

OSHIN NATALIA LUMBAN TORUAN 080803070

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2015

PERSETUJUAN

Judul : ANALISIS REGRESI LINIER BERGANDA DAN APLIKASINYA

Kategori : SKRIPSI

Nama : OSHIN NATALIA LUMBAN TORUAN Nomor Induk Mahasiswa : 080803070

Program Studi : SARJANA (S1) MATEMATIKA Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Disetujui di Medan, Oktober 2015 Komisi Pembimbing :

Pembimbing II Pembimbing I

Drs. Rachmad Sitepu, M.Si Drs. Henry Rani Sitepu, M.Si NIP. 195304181987031001 NIP. 0195603031984031004

Diketahui/Disetujui oleh

Departemen Matematika FMIPA USU

Prof. Drs. Tulus, Vordipl.Math., M.Si., Ph.D NIP. 196209011988031002

PERNYATAAN

ANALISIS REGRESI LINIER BERGANDA DAN APLIKASINYA

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Oktober 2015

OSHIN NATALIA LUMBAN TORUAN 080803070

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pengasih, dengan anugerah dan kasih setia-Nya sehingga skripsi ini dapat diselesaikan.

Ucapan terima kasih saya sampaikan kepada:

1. Bapak Dr. Sutarman, M.Sc selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

2. Bapak Prof. Dr. Tulus, M.Si dan Ibu Dra. Mardiningsih, M.Si selaku ketua dan sekretaris Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara yang telah memberikan kesempatan kepada penulis untuk menyelesaikan studi di Departemen Matematika.

3. Bapak Drs. Henry Rani Sitepu, M.Si dan Drs. Rachmad Sitepu, M.Si selaku pembimbing dalam penyelesaian skripsi ini yang telah memberikan bimbingan dan kepercayaan kepada saya untuk menyempurnakan skripsi ini.

4. Ibu Dra. Normalina Napitupulu, M.Sc selaku dosen yang berjuang memberikan dorongan kepada penulis untuk mengerjakan skripsi ini.

5. Kedua orang tua yang tercinta (Alm) dan kedua saudara laki laki tercinta (Alm) yang dulu sudah mengenalkan penulis kepada dunia perkuliahan.

6. _{Sahabat dan teman-teman stambuk 2008 khususnya katrin Ulina yang telah}

memberikan masukan serta dorongan kepada penulis untuk tetap semangat mengerjakan skripsi ini.

Penulis menyadari bahwa tulisan ini jauh dari sempurna, untuk itu penulis sangat mengharapkan saran dan kriktik untuk kesempurnaan tulisan ini.

ANALISIS REGRESI LINIER BERGANDA DAN APLIKASINYA

ABSTRAK

Analisis regresi linear merupakan metode statistik yang paling banyak dipergunakan baik dalam penelitian-penelitian sosial, baik dalam penelitian ekonomi. Analisis Regresi linier ada dua jenis yaitu Analisis Regresi Linier Sederhana dan Analisis Regresi Linier Berganda. Perlu dikaji untuk keakuratan sebuah Regresi Linier Berganda dalam sebuah Analisis. Perumusan masalah dalam penelitian yang berjudul “Analisis Regresi Linier Berganda dan Aplikasinya” ini adalah untuk mengetahui variabel X (bebas) manakah yang

paling berpengaruh dominan terhadap Y (terikat). Untuk mendapatkan persamaan regresi tersebut penulis menggunakan metode stepwise forward, yaitu: metode yang mencari kesimpulan dengan memasukkan peubah satu demi satu sampai diperoleh persamaan regresi yang memuaskan. Penduga yang diperoleh adalah ̂ = 7,5 + . 5 9 6. dengan 6 merupakan membantu dalam penggunaan

merk.

MULTIPLE LINEAR REGRESSION ANALYSIS AND APPLICATION

ABSTRACT

Linear regression analysis is a statistical method which is the most widely used both in social studies, both in economic research. Linear regression analysis there are two types of Simple Linear Regression Analysis and Multiple Linear Regression Analysis. Need to be reviewed for accuracy of a Regression in an Analysis. The formulation of the problem in the study, entitled "Multiple Linear Regression Analysis and Applications" is to determine the variable X which is the most dominant influence on Y.

In the order to obtain the equations regression author use Stepwise Forward Method, that is: A method in searching the conclution inserting variable step by step until obtaining the satisfied equation. The estimator is ̂ = 7,5211+0,3259 ₆

DAFTAR ISI

Halaman

Persetujuan i

Pernyataan ii

Penghargaan iii

Abstrak iv

Abstract v

Daftar Isi vi

Daftar Tabel viii

Bab 1 Pendahuluan

1.1Latar Belakang 1

1.2Perumusan Masalah 1

1.3Batasan Masalah 2

1.4Tinjauan Pustaka 2

1.5Tujuan Penelitian 3

1.6Kontribusi Penelitian 3

1.7Metodologi Penelitian 4

Bab 2 Landasan Teori

2.1Data 5

2.2Metode Slovin 8

2.3Skala Likert 8

2.4Method of Successive Interval (MSI) 9

2.5Uji Validitas dan Reliabilitas 12

2.5.1 Uji Validitas 12

2.5.2 Uji Reliabilitas 13

2.6Analisis Regresi Linier Berganda 14 2.7Metode Regresi Stepwise Forward 14 2.6.1 Membentuk Matriks Koefisien Korelasi 15 2.6.2 Membentuk Regresi Pertama (Regresi Linier Sederhana) 15 2.6.3 Seleksi Variabel Kedua Diregresikan 17 2.6.4 Membentuk Regresi Kedua (Regresi Linier Ganda) 17 2.6.5 Seleksi Variabel Ketiga Diregresikan 18 2.6.6 Membentuk Persamaan Regresi Ketiga 18 2.6.7 Pembentukan Persamaan Penduga 19 2.6.8 Pertimbangan Terhadap Penduga 19 Bab 3 Pembahasan

3.1Penarikan Sampel 22

3.2Gambaran Variabel Penelitian 22 3.3Uji Validitas dan Reliabilitas 23

3.3.2 Uji Reliabilitas 25 3.4Konversi Data Ordinal menjadi Data Interval 27 3.5Analisis Regresi Linier 30 3.5.1 Membentuk Matriks Koefisien Korelasi 31 3.5.2 Membentuk Persamaan Regresi Pertama 32 3.5.3 Menghitung Harga Parsial Korelasi Variabel Sisa Pertama 36 3.5.4 Membentuk Persamaan Regresi antara dengan ₆, 36

3.6Penduga 39

3.7Analisa Residu 39

Bab 4 Kesimpulan dan Saran

4.1Kesimpulan 43

4.2Saran 43

Daftar Pustaka

Lampiran A. Contoh Data Hasil Penyebaran Kuesioner ix Lampiran B. Perhitungan Korelasi Skor Item 1 Variabel dan

Total Skor Item Variabel xiii Lampiran C. Tabel Koefisien Korelasi Sederhana (r) xvi Lampiran D. Tabel Titik Persentase Distribusi t xviii Lampiran E. Tabel Titik Persentase Distribusi F, α=5% xx

DAFTAR TABEL

Tabel 2.1 Bentuk Skala Likert 8

Tabel 2.2 Proses Konversi Variabel Ordinal Menjadi Variabel Interval 10 Tabel 2.3 Analisis Variansi Untuk Uji Keberartian Regresi 16

Tabel 2.4 Analisa Residu 20

Tabel 2.5 Rank Spearman 20

Tabel 3.1 Hasil Pengujian Validitas 23 Tabel 3.2 Hasil Pengujian Reliabilitas 26 Tabel 3.3 Konversi Variabel Ordinal Menjadi Variabel Interval 27 Tabel 3.4 Hasil Transformasi Data Ordinal Dengan MSI 29 Tabel 3.5 Data Hasil Pengolahan 30 Tabel 3.6 Analisa Variansi Untuk Uji Keberartian Regresi dengan ₆ 35 Tabel 3.7 Analisa Variansi Untuk Uji Keberartian Regresi dengan ₆, 38 Tabel 3.8 Analisa Residu dan Rank Spearman 40

ANALISIS REGRESI LINIER BERGANDA DAN APLIKASINYA

ABSTRAK

Analisis regresi linear merupakan metode statistik yang paling banyak dipergunakan baik dalam penelitian-penelitian sosial, baik dalam penelitian ekonomi. Analisis Regresi linier ada dua jenis yaitu Analisis Regresi Linier Sederhana dan Analisis Regresi Linier Berganda. Perlu dikaji untuk keakuratan sebuah Regresi Linier Berganda dalam sebuah Analisis. Perumusan masalah dalam penelitian yang berjudul “Analisis Regresi Linier Berganda dan Aplikasinya” ini adalah untuk mengetahui variabel X (bebas) manakah yang

paling berpengaruh dominan terhadap Y (terikat). Untuk mendapatkan persamaan regresi tersebut penulis menggunakan metode stepwise forward, yaitu: metode yang mencari kesimpulan dengan memasukkan peubah satu demi satu sampai diperoleh persamaan regresi yang memuaskan. Penduga yang diperoleh adalah ̂ = 7,5 + . 5 9 6. dengan 6 merupakan membantu dalam penggunaan

merk.

MULTIPLE LINEAR REGRESSION ANALYSIS AND APPLICATION

ABSTRACT

Linear regression analysis is a statistical method which is the most widely used both in social studies, both in economic research. Linear regression analysis there are two types of Simple Linear Regression Analysis and Multiple Linear Regression Analysis. Need to be reviewed for accuracy of a Regression in an Analysis. The formulation of the problem in the study, entitled "Multiple Linear Regression Analysis and Applications" is to determine the variable X which is the most dominant influence on Y.

In the order to obtain the equations regression author use Stepwise Forward Method, that is: A method in searching the conclution inserting variable step by step until obtaining the satisfied equation. The estimator is ̂ = 7,5211+0,3259 ₆

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Analisis regresi merupakan sebuah teknik analisis statistik yang digunakan untuk membuat model hubungan antara sebuah variabel terikat (Y) dengan satu atau lebih variabel bebas (� ,� ,� ,...,�_�)

Dalam hal ini regresi linear terdiri dari dua, yaitu regresi linear sederhana dengan satu buah variabel bebas dan satu buah variabel terikat; dan regresi linear berganda dengan beberapa variabel bebas dan satu buah variabel terikat. Analisis regresi linear merupakan metode statistik yang paling banyak dipergunakan baik dalam penelitian-penelitian sosial, baik dalam penelitian ekonomi.

untuk melihat keakuratan sebuah regresi linier berganda dalam menentukan variabel manakah yg paling berpengaruh dominan dalam sebuah penelitian, maka penulis memilih judul : "Analisis Regresi Linier Berganda dan Aplikasinya".

1.2 Perumusan Masalah

Masalah yang akan dibahas dalam analisis ini adalah variabel X (bebas) manakah yang paling berpengaruh dominan terhadap Y (terikat) ?

1.3 Batasan Masalah

Agar pembahasan dapat lebih terarah, maka perlu dilakukan beberapa pembatasan permasalahan yaitu :

1. Data yang digunakan merupakan data contoh kuesioner dengan beberapa varibel.

2 . Menganalisis variabel X (bebas) manakah yang paling berpengaruh dominan terhadap Y (terikat) menggunakan Regresi Linier Berganda stepwise.

1.4 Tinjauan Pustaka

Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah variabel bebas terhadap satu buah variabel terikat. Persamaan umumnya adalah:

Y = a + b X.

Dengan Y adalah variabel terikat dan X adalah variabel bebas. Koefisien a adalah konstanta

Freddy Rangkuti (1997), Dengan melakukan penyebaran kuesioner responden untuk mengukur persepsi responden digunakan Skala Likert. Pertanyaan dalam kuesioner dibuat dengan menggunakan skala 1-5 untuk mewakili pendapat responden. Nilai untuk skala tersebut adalah :

(a) Sangat Setuju : 5 (d) Tidak Setuju : 2

(b) Setuju : 4 (e) Sangat Tidak Setuju : 1 (c) Netral : 3

Method of Successive Interval adalah metode penskalaan untuk menaikkan skala pengukuran ordinal ke skala pengukuran interval. Melakukan manipulasi data dengan cara menaikkan skala dan ordinal menjadi skala interval bertujuan untuk mengubah syarat distribusi normal agar dapat dipenuhi ketika menggunakan statistika parametrik (http://dwikurniawan13.wordpress.com).

Situmorang (2008), Uji validitas digunakan untuk mengukur valid atau tidaknya suatu indikator. Suatu kuesioner dikatakan valid jika pernyataan kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut. Uji reliabilitas digunakan untuk mengukur tingkat keandalan kuesioner. Kuesioner yang reliabel adalah kuesioner yang apabila digunakan secara berulang-ulang kepada kelompok yang sama akan menghasilkan data yang sama.

Drafer (1992), Prosedur seleksi regresi bertatar (stepwise) berusaha mencapai kesimpulan dengan menyusupkan peubah satu demi satu sampai diperoleh persamaan regresi yang memuaskan. Urutan penyisipannya ditentukan dengan menggunakan koefisien parsial sebagai ukuran pentingnya peubah yang masih di luar persamaan.

1.5 Tujuan Penelitian

Tujuan analisis ini adalah untuk menganalisis keakuratan sebuah regresi dalam mentukan variabel bebas manakah yg lebih dominan berpengaruh terhadap variabel terikat.

1.6 Kontribusi Penelitian

1. Sebagai refrensi bagi para peneliti untuk menggunakan metode regresi linier berganda dan memberikan sumbangan terhadap pengembangan ilmu pengetahuan.

1.7 Metodologi Penelitian

Untuk mencapai tujuan penelitian, adapun langkah-langkah yang dilakukan adalah :

1. Menentukan variabel dependen dan independen. 2. Merancang metode penarikan sampel.

3. Penambahan refrensi dari berbagai bahan pustaka, baik berupa buku, jurnal maupun dokumen lain yang berhubungan dengan materi tentang regresi. 4. Melakukan analisis data yaitu : Uji Validitas dan Uji Reabilitas.

5. Perhitungan proses data : Mengubah Data Ordinal Menjadi Data Interval, Merumuskan Hipotesis, Analisis Regresi Stepwise Forward.

BAB 2

LANDASAN TEORI

2.1 Data

Data ialah suatu bahan mentah yang jika diolah dengan baik melalui berbagai analisis dapat melahirkan berbagai informasi, data dapat berupa angka dan dapat berupa lambang atau sifat.

1. Menurut gejala yang dihadapi, data dapat dibagi dua: a. Data Dikotomi

Data dikotomi disebut dengan data deskrit, data kategorik atau data nominal. Data ini adalah data yang paling yang paling sederhana, dimana angka yang diberikan kepada objek mempunyai arti hanya sebagai label, dan tidak menunjukkan tingkatan apapun. Ciri-ciri data dikotomi adalah ekskuisif, tidak mempunyai urutan (rangking), tidak mempunyai ukuran baru, dan tidak mempunai nol mutlak (Husaini,1995). Bila objek dikelompokkan ke dalam set-set, dan kepada semua anggota set diberikan angka, set-set tersebut tidak boleh tumpang tindih dan bersisa. Misalnya tentang jenis olah raga yakni tenis, basket dan renang. Kemudian masing-masing anggota set di atas kita berikan angka, misalnya tenis (1), basket (2) dan renang (3).

Jelas kelihatan bahwa angka yang diberikan tidak menunjukkan bahwa tingkat olahraga basket lebih tinggi dari tenis ataupun tingkat renang lebih tinggi dari tenis. Angka tersebut tidak memberikan arti apa-apa jika dilakukan operasi matematika. Angka yang diberikan hanya berfungsi sebagai label saja. Masing-masing kategori tidak dinyatakan lebih tinggi dari atribut (nama) yang lain. Data dikotomi (nominal) ini diperoleh dari hasil pengukuran dengan skala nominal. Menuruti Sugiono, alat analisis (uji hipotesis asosiatif) statistik nonparametrik

yang digunakan untuk data nominal adalah Coefisien Contingensi. Akan tetapi karena pengujian hipotesis Coefisien Contingensi memerlukan rumus Chi Square (χ2), perhitungannya dilakukan setelah menghitung Chi Square. Penggunaan model statistik nonparametrik selain Coefisien Contingensi tidak lazim dilakukan.

b. Data Kontinum 1) Data Ordinal

Data ini, selain memiliki nama (atribut), juga memiliki peringkat atau urutan. Angka yang diberikan mengandung tingkatan yang digunakan untuk mengurutkan objek dari yang paling rendah sampai yang paling tinggi atau sebaliknya. Ukuran ini tidak memberikan nilai absolut terhadap objek, tetapi hanya memberikan peringkat saja. Jika kita memiliki sebuah set objek yang dinomori, dari 1 sampai n, misalnya peringkat 1, 2, 3, 4, 5 dan seterusnya, bila dinyatakan dalam skala, maka jarak antara data yang satu dengan lainnya tidak sama. Ia akan memiliki urutan mulai dari yang paling tinggi sampai paling rendah. Atau paling baik sampai ke yang paling buruk. Misalnya dalam Skala Likert (Moh Nazir), mulai dari sangat setuju, setuju, ragu-ragu, tidak setuju sampai sangat tidak setuju. Dari hasil pengukuran dengan menggunakan skala ordinal ini akan diperoleh data ordinal. Alat analisis (uji hipotesis asosiatif) statistik nonparametrik yang lazim digunakan untuk data ordinal adalah Spearman Rank Correlation dan Kendall Tau.

2) Data Interval

Pemberian angka kepada set dari objek yang mempunyai sifat-sifat ukuran ordinal dan ditambah satu sifat lain, yakni jarak yang sama pada pengukuran dinamakan data interval. Data ini memperlihatkan jarak yang sama dari ciri atau sifat objek yang diukur. Akan tetapi ukuran interval tidak memberikan jumlah absolut dari objek yang diukur. Misalnya tentang nilai ujian 6 orang mahasiswa, yakni A, B, C, D, E dan F diukur dengan ukuran interval pada skala prestasi dengan ukuran 1, 2, 3, 4, 5 dan 6, maka dapat dikatakan bahwa beda prestasi antara C dan A adalah

3 – 1 = 2. Beda prestasi antara C dan F adalah 6 – 3 = 3. Akan tetapi tidak bisa dikatakan bahwa prestasi E adalah 5 kali prestasi A ataupun prestasi F adalah 3 kali lebih baik dari prestasi B. Dari hasil pengukuran dengan menggunakan skala interval ini akan diperoleh data interval.

3) Data Rasio

Ukuran yang meliputi semua ukuran di atas ditambah dengan satu sifat yang lain, yakni ukuran yang memberikan keterangan tentang nilai absolut dari objek yang diukur dinamakan ukuran ratio. Ukuran ratio memiliki titik nol, karenanya, interval jarak tidak dinyatakan dengan beda angka rata-rata satu kelompok dibandingkan dengan titik nol di atas. Oleh karena ada titik nol, maka ukuran rasio dapat dibuat perkalian ataupun pembagian. Angka pada skala rasio dapat menunjukkan nilai sebenarnya dari objek yang diukur. Jika ada 4 orang pengemudi, A, B, C dan D mempunyai pendapatan masing-masing perhari Rp. 10.000, Rp.30.000, Rp. 40.000 dan Rp. 50.000. bila dilihat dengan ukuran rasio maka pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Pendapatan D adalah 5 kali pendapatan A. Pendapatan C adalah 4/3 kali pendapatan B. Dengan kata lain, rasio antara C dan A adalah 4 : 1, rasio antara D dan A adalah 5 : 1, sedangkan rasio antara C dan B adalah 4 : 3. Interval pendapatan pengemudi A dan C adalah 30.000. dan pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data rasio.

2.2 Metode Slovin

Dalam banyak buku yang mencantumkan rumus untuk menentukan ukuran sampel yang dibuat Slovin, khususnya dalam buku-buku metodologi penelitian, sampai saat ini penulis belum bisa memperoleh keterangan yang lengkap mengenai konsep dasar yang dipakai membangun rumus tersebut. Dengan hanya mendasarkan pada rumus (1), kalau tidak berusaha mencari keterangan lain dan mengetahui konsep dasar yang digunakan untuk membuat rumus tersebut, maka belum bisa menjawab secara tepat empat pertanyan mendasar tadi.

Rumus Slovin: . n = �

+��

dimana:

n = ukuran sampel N = ukuran populasi d = galat pendugaan

2.3Skala Likert

Skala Likert digunakan saat:

a. Ingin menggambarkan secara kasar posisi individu dalam kelompoknya (posisi relatif).

b. Ingin membandingkan skor subjek dengan kelompok normatifnya. c. Ingin menyusun skala pengukuran yang sederhana dan mudah dibuat.

Skala likert bisa 3, 4, 5, 6, 7, skala tergantung kebutuhan. Tabel 2.1 Bentuk Skala Likert

1 2 3 4 5

Sangat Tidak Setuju

Tidak Setuju

Ragu-ragu/

Netral Setuju

Sangat Setuju

Sangat Tidak Puas

Tidak Puas

Ragu-ragu/

Netral Puas

Sangat Puas Sangat Tidak

Baik

Kurang

Baik Cukup Baik

Sangat Baik

Sekarang ini banyak penelitian-penelitian di bidang sosial menggunakan variabel keperilakuaan, sehingga skala likert sering digunakan dalam penelitian sosial. Skala likert yang mudah dipahami dan sederhana menjadi kelebihan tersendiri dibandingkan skala pengukuran lainnya.

2.4Method of Successive Interval (MSI)

Method of Successive Interval adalah metode penskalaan untuk menaikkan skala pengukuran ordinal ke skala pengukuran interval. Melakukan manipulasi data dengan cara menaikkan skala dan ordinal menjadi skala interval bertujuan untuk mengubah syarat distribusi normal agar dapat dipenuhi ketika menggunakan statistika parametrik.

Method of Successive Interval dapat dilakukan dengan cara sebagai berikut:

1. Perhatikan nilai jawaban dari setiap pertanyaan dalam kuesioner.

2. Untuk setiap pertanyaan tersebut, lakukan perhitungan banyak responden yang menjawab skor 1, 2, 3, 4, 5 = frekuensi (f).

3. Setiap frekuensi dibagi dengan banyak n responden dan hasil adalah proporsi (p).

4. Kemudian hitung proporsi kumulatif (pk).

5. Dengan menggunakan tabel normal, hitung nilai distribusi normal (Z) untuk setiap proporsi kumulatif yang diperoleh.

� =

√ �

(− )

6. Tentukan nilai densitas normal (fd) yang sesuai dengan nilai Z. 7. Tentukan nilai interval (scale value) untuk setiap skor jawaban.

8. Sesuaikan nilai skala ordinal ke interval, yaitu Skala Value (SV) yang nilainya terkecil (harga negatif yang terbesar) diubah menjadi sama dengan jawaban responden yang terkecil melalui transformasi berikut :

Transformed Scale Value : SV = – (Min data – Min SV)

Contoh :

No. Variabel

… �

1 ⋱ ⋮

2 ⋱ ⋮

⋮ ⋱ ⋮

N … … … ⋱

Hasil perhitungan menaikkan skala dari ordinal ke interval dengan menggunakan method of successive interval (MSI) untuk pernyataan item 1 (satu) variabel X

Tabel 2.2 Proses Konversi Variabel Ordinal menjadi Variabel Interval No.

Item Kategori Frekuensi Proporsi

Proporsi

Kumulatif Z

Densitas {f(z)}

Hasil Penskalaan 1 10 0,064 0,064 -1,521 0,125 1,000 2 64 0,410 0,474 -0,064 0,398 2,292 3 51 0,327 0,801 0,846 0,279 3,321 4 19 0,122 0,923 1,426 0,144 4,062 5 12 0,077 1,000 - 0,000 4,833

Jumlah 156

Penjelasan :

a) Pemilih jawaban atau kategori dan frekuensi dibuat dari hasil kuesioner fiktif b) Masing-masing frekuensi setiap masing-masing kategori dijumlahkan

c) Menghitung proporsi untuk setiap frekuensi skor

P1 = ₁₅₆10 = 0,064 P4 = ₁₅₆19 = 0,122

P2 = ₁₅₆64 = 0,410 P5 = ₁₅₆12 = 0,077

d) Menjumlahkan proporsi secara berurutan untuk setiap respon, sehingga diperoleh nilai proporsi kumulatif.

Pk1 = 0,064

Pk2 = 0,064 + 0,410 = 0,474

Pk3 = 0,064 + 0,410 + 0,327 = 0,801

Pk4 = 0,064 + 0,410 + 0,327 + 0,122 = 0,923

Pk5 = 0,064 + 0,410 + 0,327 + 0,122 + 0,077 = 1,000

e) Menentukan nilai Z untuk setiap kategori, dengan asumsi bahwa proporsi kumulatif dianggap mengikuti normal baku. Nilai Z diperoleh dari Tabel Distribusi Normal Baku.

Proporsi

Kumulatif Z

0,064 -1,521 0,474 -0,064 0,801 0,846 0,923 1,426 1,000

f) Menghitung nilai densitas dari nilai Z yang diperoleh dengan cara memasukkan nilai Z tersebut ke dalam fungsi densitas normal baku sebagai berikut :

� =

√ � �� (− � ) Sehingga diperoleh :

f -1,521 = 1

√2π exp( -1

2 -1,521 2) = 0,125 f -0,064 = 1

√2π exp( -1

2 -0,064 2) = 0,398 f 0,846 = 1

√2π exp( -1

2 0,846 2) = 0,279 f 1,426 = 1

√2π exp( -1

g) Menghitung SV (Scale Value) dengan rumus :

�� =_{Daerah di bawah batas atas-Daerah di bawah batas bawah}Kepadatan pada batas bawah-Kepadatan pada batas atas Sehingga diperoleh :

SV1 = 0,000-0,125_0,064-0,000 = -1,957

SV2 = 0,125-0,398_0,474-0,064 = -0,665

SV3 = 0,398-0,279_0,801-0,474 = 0,365

SV4 = 0,144-0,279_0,923-0,801 = 1,105

SV5 = 0,144 - 0,000_{1,000 - 0,923} = 1,876

h) Mengubah Scale Value (SV) terkecil (nilai negatif yang terbesar) menjadi sama dengan satu (1)

SV terkecil = -1,957 = 1 didapat dari (-1,957 + 2,957 = 1) =

i) Mentransformasikan nilai skala dengan menggunakan rumus : = �� + |�� min|

Sehingga diperoleh : Y1 = 1

Y2 = -0,665 + 2,957 = 2,292

Y3 = 0,365 + 2,957 = 3,321

Y4 = 1,105 + 2,957 = 4,062

Y5 = 1,876 + 2,957 = 4,833

2.5Uji Validitas dan Reliabilitas 2.5.1 Uji Validitas

Validitas atau keabsahan adalah menyangkut pemahaman mengenai kesesuian antara konsep dengan kenyataan empiris. Suatu alat ukur (pengukuran) yang validitasnya atau tingkat keabsahannya tinggi secara otomatis biasanya dapat

diandalkan (reliable). Namun sebaliknya, suatu pengukuran yang handal belum tentu memiliki keabsahan yang tinggi. Untuk menghitung validitas alat ukur digunakan teknik korelasi Pearson Product Moment.

� = � ∑ − ∑ ∑

√[{� ∑ − ∑ }{� ∑ − ∑ }] Dimana: � = Koefisien korelasi

= Skor responden untuk tiap item

= Total skor tiap responden dari seluruh item N = Jumlah responden

Dasar pengambilan keputusan:

a. Jika rhitung > r0,05(n-2) dan positif, maka item atau variabel tersebut valid

b. Jika rhitung > r0,05(n-2) dan negatif, maka item atau variabel tersebut tidak valid

c. Jika rhitung < r0,05(n-2), maka item atau variabel tersebut tidak valid

2.5.2 Uji Reliabilitas

Reabilitas adalah tingkat keandalan kuesioner. Kuesioner yang reliabel adalah kuesioner yang apabila digunakan secara berulang-ulang kepada kelompok yang sama menghasilkan data yang sama. Cronbach Alpha digunakan untuk menguji reliabilitas instrumen Skala Likert atau instrumen yang item-itemnya dalam bentuk essai (Husaini, 1995).

= (_{� −}� ₁) 1−∑ �2 �2 Di mana: k = Jumlah item

∑ 2 = Jumlah varians skor tiap-tiap item �2 _{= Varians total}

Dalam penelitian akan dilakukan uji reliabilitas dengan menggunakan nilai Cronbach Alpha yaitu suatu instrumen dikatakan reliable, apabila nilai Alpha Cronbach > 0,60.

2.6Analisis Regresi Linier Berganda

Perubahan nilai suatu variabel tidak selalu terjadi dengan sendirinya, namun perubahan nilai variabel dapat pula disebabkan oleh berubahnya variabel lain yang berhubungan dengan variabel tersebut. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh variabel lain diperlukan alat analisis yang memungkinkan kita membuat perkiraan nilai variabel tersebur pada nilai tertentu variabel yang mempengaruhinya.

Analisis regresi merupakan teknik untuk membangun persamaan. Persamaan ini dapat menggambarkan hubungan antara dua atau lebih variabel dan menaksir nilai variabel dependen berdasar pada nilai tertentu variabel independennya. Hubungan antara variabel dependen dengan variabel independen ini dapat dirumuskan ke dalam suatu bentuk hubungan fungsional =

1, 2, … , � yang menyatakan bahwa adalah variabel dependen,

1, 2, … , � adalah variabel independen..

2.7Metode Regresi Stepwise Forward

Metode forward adalah langkah maju dimana memasukkan variabel bebas satu demi satu menurut urutan besar pengaruhnya terhadap model, dan berhenti bila semua yang memenuhi syarat telah masuk. Urutan penyisipannya ditentukan dengan menggunakan koefisien korelasi sebagai ukuran perlunya variabel bebas yang masih di luar persamaan untuk dimasukkan ke dalam persamaan, dan tidak dipersoalkan apakah korelasi positif atau negatif karena yang diperhatikan

hanyalah eratnya hubungan antara variabel bebas dengan sedangkan arah hubungan tidak menjadi persoalan.

2.6.1 Membentuk Matriks Koefisien Korelasi

Koefisien korelasi yang dicari adalah koefisien korelasi linier sederhana antara Y dengan Xi, dengan rumus:

� _� = ∑( − ̅ )( − ̅)� √∑( − ̅ ) ∑( − ̅)�

Dengan: ̅ =∑

� , j = 1, 2, 3, ..., n �

̅ =∑ �

� , i = 1, 2, 3, ..., k

Bentuk matriks koefisien korelasi linier sederhana antara Y dan Xi: � =

� � ⋮ � _�

)

2.6.2 Membentuk Regresi Pertama (Persamaan Regresi Linier)

Variabel pertama yang diregresikan adalah variabel yang mempunyai harga mutlak koefisien korelasi yang terbesar antara Y dengan Xi, misalkan Xh. Dari

variabel ini dibuat persamaan regresi linier = � + �_{ℎ ℎ}

=

ℎ ℎ

⋮ ⋮

ℎ�

) ′ − = ( � ∑ ℎ

∑ _ℎ ∑ _ℎ)

−

= ⋮

�

) ′ = ( ∑

= ′ − _. ′

= (�� )

Keberartian regresi diuji dengan tabel analisis variansi (Anava). Perhitungan untuk membuat anava sebagai berikut:

SSR = ′ ′ − _{� = ∑}′� ∑ − ∑_� SST = ′ ₋ ′�

� = ∑ −

∑ �

Dimana: SSR = Sum Square Regresion (Jumlah Kuadrat Regresi) SST = Sum Square Total (Jumlah Kuadrat Total)

� = [

… … … ⋮ ⋮ … ⋮

… ]

n x n

J = Matriks berordo n x n dengan semua nilai adalah 1 SSE = SST – SSR

MSR =_p− MSE = E

n−p

SSE = Sum Square Error (Jumlah Kuadrat Kesalahan) MSE = Mean Square Error (Rata-Rata Kuadrat Kesalahan)

Sehingga didapat harga standart error dari b, dengan rumus

� = �� ′ − _{� � = √� �}

Tabel 2.3 Analisis Variansi Untuk Uji Keberartian Regresi

Sumber Variansi df SS MS Fhitung Regresi �_� p -1 SSR MSR

MSR MSE

Residu n - p SSE MSE

Total SST

Uji Hipotesa:

H0 : Regresi antara Y dengan Xh tidak signifikan

Keputusan:

Bila Fhitung < F(p – 1; n – p; 0,5) maka terima H0

Bila Fhitung≥ F(p – 1; n – p; 0,5) maka tolak H0

2.6.3 Seleksi Variabel Kedua Diregresikan

Cara menyeleksi variabel yang kedua diregresikan adalah memilih parsial korelasi variabel sisa yang terbesar. Untuk menghitung harga masing-masing korelasi parsial dengan rumus:

� _{ℎ �} = � ℎ− � � �ℎ �

√( − � _�)( − �_{ℎ �}) Dimana: _� merupakan variabel sisa

2.6.4 Membentuk Regresi Kedua (Persamaan Regresi Linier Berganda)

Dengan memilih korelasi parsial variabel sisa terbesar untuk variabel tersebut masuk dalam regresi, persamaan regresi kedua dibuat = � + �_{ℎ ℎ}+ �_{� �} dengan cara sebagai berikut:

=

ℎ ℎ

� �

⋮ ⋮

ℎ�

⋮

��

) ′ − =

� ∑ ℎ ∑ �

∑ _ℎ ∑ _ℎ ∑ _{ℎ �}

∑ � ∑ ℎ � ∑ �

−

= ⋮

�

) ′ =

∑ ∑ ℎ

∑ �

= ′ − _. ′ _{= (}�_� ℎ

��

Uji keberartian regresi dengan tabel anava sama dengan langkah kedua yaitu dengan menggunakan tabel 2.2. Selanjutnya diperiksa apakah koefisien regresi bk signifikan, dengan hipotesa:

H0 : bk = 0

H1 : bk≠ 0

Fhitung = �� � ��

Keputusan:

a) Bila Fhitung < F(1; n – p; 0,05), terima H0 artinya bk dianggap sama dengan nol,

maka proses diberhentikan dan persamaan yang terbaik = � + �_{ℎ ℎ}.

b) Bila Fhitung≥ F(1; n – p; 0,05), tolak H0 artinya bk dianggap tidak sama dengan nol,

maka variabel Xk tetap di dalam penduga.

2.6.5 Seleksi Variabel Ketiga Diregresikan

Dipilih kembali harga korelasi parsial variabel sisa terbesar. Menghitung harga masing-masing parsial korelasi variabel sisa dengan rumus:

� _{ℎ �} = � ℎ �− � � �ℎ �

√( − � �)( − �ℎ � )

Dimana: merupakan variabel sisa

2.6.6 Membentuk Persamaan Regresi Ketiga

Dengan memilih korelasi parsial terbesar, persamaan regresi dibuat = � +

�ℎ ℎ+ �� � + � , dengan cara sebagai berikut:

= [

ℎ ℎ

� �

⋮ ⋮

ℎ�

⋮ ⋮

�� �

′ − ₌

[

� ∑ ℎ

∑ _ℎ ∑ _ℎ ∑∑ℎ �� ∑∑ℎ

∑ _� ∑ _{ℎ �}

∑ ∑ ℎ

∑ � ∑ �

∑ � ∑ ]

−

′ =

[ ∑

∑ ℎ

∑ �

∑ ]

Untuk proses selanjutnya dilakukan dengan cara yang sama seperti diatas.

2.6.7 Pembentukan Persamaan Penduga

Persamaan penduga ̂ = � + � dimana Xi adalah semua variabel X yang masuk

kedalam penduga (faktor penduga) dan bi adalah koefisien regresi untuk Xi.

2.6.8 Pertimbangan Terhadap Penduga

Sebagai pembahasan suatu penduga, untuk menanggapi kecocokan penduga yang diperoleh ada dua hal yang dipertimbangkan yakni:

a. Pertimbangan berdasarkan R2

Suatu penduga sangat baik digunakan apabila persentase variabel yang dijelaskan sangat besar atau bila R2→ 1

b. Analisa residu

Suatu regresi adalah berarti dan model regresinya cocok (sesuai berdasarkan nilai observasi) apabila asumsi dibawah ini dipenuhi:

≈ N , � berarti residu (ej) mengikuti distribusi normal dengan mean (e) =

0 dan varian (σ2) = konstanta

Asumsi ini dibuktikan dengan analisis residu. Untuk langkah ini pertama dihitung residu (sisa) dari penduga, yaitu selisih dari respon observasi terhadap hasil keluaran oleh penduga berdasarkan prediktor observasi.

Tabel 2.4 Analisa Residu

No. Observasi Respon Penduga Residu 1

2 3 ⋮ N

⋮

�

̂ ̂ ̂ ⋮ ̂�

− ̂ − ̂ − ̂

⋮

�− ̂�

Jumlah - - ∑

Rata-rata - - ∑

�

Asumsi

a. Rata-rata residu sama dengan nol (฀̅ =0) b. Varian (ej) = Varian (ek) = ฀2

Keadaan ini dibuktikan dengan uji statistika dengan menggunakan uji korelasi Rank Spearman (Spearman’s Rank Correlation Test), ditunjukkan dengan tabel berikut:

Tabel 2.5 Rank Spearman

No. Observasi Penduga (Yj)

Residu (�_�)

Rank (Y)

Rank

(e) �(��− ��) �� 1

2 3 ⋮ n

⋮

�

⋮

�

� � � ⋮ �_�

��

��

��

⋮ ���

d d d ⋮ d�

d d d ⋮ d�

Jumlah - - - ∑ d

Koefisien korelasi Rank Spearman (rs):

Dimana: = Perbedaan rank yang diberikan oleh dua karakter yang berbeda n = Jumlah responden

Kemudian diuji dengan menggunakan Uji t dengan rumus:

t n =� √n −

√ − �

Dimana: ttabel = t(n–2, 1–α)

n – 2 = Derajat kebebasan

α = Taraf signifikan hipotesa.

Dengan membandingkan tes terhadap tabel, bila thitung < ttabel maka, varian

(ej) = varian (ek) dengan kata lain bila thitung < ttabel, maka varian seluruh residu

adalah sama. Bila terbukti varian (ej) = varian (ek) maka model yang digunakan

BAB 3

PEMBAHASAN

3.1Penarikan Sampel

Penarikan sampel pada penelitian ini dilakukan menggunakan metode Slovin dengan jumlah populasi (N) adalah 78 dan derajat toleransi ( ) adalah 0,05.

� = _{+ �}�

� = 78

1+78(0,052) =65

3.2Gambaran Variabel Penelitian

Data yang digunakan adalah data dari penyebaran kuesioner kepada anggota komunitas Z. Data hasil jawaban responden dari penyebaran kuesioner dapat dilihat dalam Lampiran C.

Data variabel yang digunakan dalam penelitian dimisalkan sebagai berikut:

1) Variabel terikat, yaitu: merupakan Loyalitas Pelanggan 2) Variabel bebas, yaitu:

= Legitimasi

= Loyalitas merek oposisi = Merayakan sejarah merek = Berbagi cerita merek

= Integrasi dan mempertahankan anggota

3.3Uji Validitas dan Reliabilitas 3.3.1 Uji Validitas

Pengujian validitas dilakukan satu per satu untuk setiap variabel dengan banyak pertanyaan yang sama sebanyak empat pertanyaan. Dengan batas minimum dianggap memenuhi syarat validitas apabila r = 0,2441

Asumsi

H0 : Item/pertanyaan tidak valid

H1 : Item/pertanyaan valid

Dari tabel perhitungan korelasi item 1 variabel dan total skor item variabel yang dapat dilihat dalam Lampiran D. Diperoleh:

� . , = � ∑{ . } − ∑ . ∑

√[{� ∑ . − ∑ . }{� ∑ − ∑ }]

� . , = 65 5957 - 315 1225

√[{65 1535 - 315 2_{} {65 23197 - 1225} 2_}]

� . , = ,669

Untuk perhitungan nilai koefisien korelasi antara dengan . berikutnya dan untuk pengujian validitas variabel yang lain penulis menggunakan SPSS. Sehingga diperoleh:

Tabel 3.1 Hasil Pengujian Validitas

No. Indikator rhitung

rtabel

r0,05(63) Keterangan

(1) (2) (3) (4)

1. Legitimasi ( )

 ..

 .

 .

 .

0,669 0,625 0,749 0,761

0.2441 0,2441 0,2441 0,2441

Valid Valid Valid Valid 2. Loyalitas merek

oposisi ( )

 .

 .

0,565 0,725

0,2441 0,2441

Valid Valid

Tabel 3.1 Lanjutan

No. (1) (2) (3) (4)

2.  .

 . 0,786 0,628 0,2441 0,2441 Valid Valid 3. Merayakan sejarah merek ( )

 .  .  .  . 0,701 0,871 0,879 0,529 0,2441 0,2441 0,2441 0,2441 Valid Valid Valid Valid 4. Berbagi cerita merek

( )  .  .  .  . 0,714 0,693 0,753 0,738 0,2441 0,2441 0,2441 0,2441 Valid Valid Valid Valid 5. Integrasi dan

mempertahankan anggota ( )

 .  .  .  . 0,758 0,733 0,695 0,869 0,2441 0,2441 0,2441 0,2441 Valid Valid Valid Valid 6. Membantu dalam

penggunaan merek ( ₆)

 6.

 6.

 6.

 6.

0,699 0,757 0,770 0,650 0,2441 0,2441 0,2441 0,2441 Valid Valid Valid Valid 7. Loyalitas merek ( )

 Y.1  Y.2  Y.3  Y.4 0,440 0,300 0,590 0,492 0,2441 0,2441 0,2441 0,2441 Valid Valid Valid Valid Sumber: Data kuesioner yang diolah

Tabel 3.1 menunjukkan bahwa item yang digunakan untuk mengukur variabel-variabel dalam penelitian ini mempunyai koefisien yang lebih besar dari rtabel = r0,05 (63) = 0,2441 sehingga H1 diterima atau semua item tersebut valid.

3.3.2 Uji Reliabilitas

Pengujian reliabilitas dalam penelitian ini menggunakan rumus Cronbach’s Alpha. Suatu konstruk dikatakan reliabel jika memberikan nilai Cronbach’s Alpha > 0,60.

Asumsi

H0 : Item dalam variabel tidak reliabel

H1 : Item dalam variabel reliabel

Reliabilitas untuk variabel :

� =(20

2 _{+ 20}2 _{+ 20}2 _{+ 20}2 _{+ 19}2 _{+ … + 18}2 _{+ 16}2 _{+ 20}2 _{+ 20}2 _{+ 16}2_{) -} 12252 65

65 � =23197 – 23086,538₆₅ =1,699

� =(5

2 _{+ 5}2 _{+ 5}2 _{+ 5}2 _{+ 5}2 _{+ … + 5}2 _{+ 4}2 _{+ 5}2 _{+ 5}2 _{+ 4}2_{) -} 3152 65

65 � =1535 – 1526,538₆₅ =0,130

� =(5

2 _{+ 5}2 _{+ 5}2 _{+ 5}2 _{+ 5}2 _{+ … + 4}2 _{+ 4}2 _{+ 5}2 _{+ 5}2 _{+ 4}2_{) -} 3042 65

65 � =1436 – 1421,785₆₅ =0,219

� =(5

2 _{+ 5}2 _{+ 5}2 _{+ 5}2 _{+ 4}2 _{+ … + 5}2 _{+ 4}2 _{+ 5}2 _{+ 5}2 _{+ 4}2_{) -} 3092 65

65 � =1483 – 1468,938₆₅ =0,216

� =(5

2 _{+ 5}2 _{+ 5}2 _{+ 5}2 _{+ 5}2 _{+ … + 4}2 _{+ 4}2 _{+ 5}2 _{+ 5}2 _{+ 4}2_{) -} 2972 65

65 � =1377 – 1357,062₆₅ =0,307

= (_{k – 1}k ) −∑ �_�

= (_{4 – 1}4 ) (1 – 0,130+ 0,219_1,699+0,216+0,307) =0,649

Hasil pengujian reliabilitas untuk masing-masing variabel diringkas pada tabel berikut ini:

Tabel 3.2 Hasil Pengujian Reliabilitas

Variabel Alpha Keterangan

Legitimasi ( ) 0,649 Reliabel Loyalitas merek oposisi ( ) 0,609 Reliabel Merayakan sejarah merek ( ) 0,746 Reliabel Berbagi cerita merek ( ) 0,694 Reliabel Integrasi dan mempertahankan

anggota ( ) 0,761 Reliabel Membantu dalam penggunaan

merek ( ₆) 0,685 Reliabel Loyalitas merek ( ) 0,613 Reliabel

Sumber: data kuesioner yang diolah

Dari tabel 3.5 Menunjukkan bahwa semua variabel mempunyai koefisien Alpha yang cukup besar yaitu diatas 0,60 sehingga H1 diterima atau dapat

dikatakan semua indikator masing-masing variabel dari kuesioner adalah reliabel. Sehingga untuk selanjutnya item-item pada masing-masing variabel layak digunakan sebagai alat ukur.

3.4Konversi Data Ordinal Menjadi Data Interval

Tabel 3.3 Konversi Variabel Ordinal Menjadi Variabel Interval No.

Item Kategori Frekuensi Proporsi

Proporsi

Kumulatif Z

Densitas {f(z)}

Hasil Penskalaan

.1

1 - 0,000 0,000 - 0,000 1,000 2 - 0,000 0,000 - 0,000 2,292 3 - 0,000 0,000 - 0,000 3,321 4 10 0,154 0,154 -0,393 0,369 4,062 5 55 0,846 1,000 - 0,000 4,833

Jumlah 65

Penjelasan :

a) Pemilih jawaban atau kategori dan frekuensi dibuat dari hasil kuesioner fiktif b) Masing-masing frekuensi setiap masing-masing kategori dijumlahkan

c) Menghitung proporsi untuk setiap frekuensi skor

P1 = ₆₅0 = 0,000 P4 = 10₆₅ = 0,154

P2 = ₆₅0 = 0,000 P5 = 55₆₅ = 0,846

P3 = ₆0 = 0,000

d) Menjumlahkan proporsi secara berurutan untuk setiap respon, sehingga diperoleh nilai proporsi kumulatif.

Pk1 = 0,000

Pk2 = 0,000 + 0,000 = 0,000

Pk3 = 0,000 + 0,000 + 0,000 = 0,000

Pk4 = 0,000 + 0,000 + 0,000 + 0,154 = 0,154

Pk5 = 0,000 + 0,000 + 0,000 + 0,154 + 0,846 = 1

e) Menentukan nilai Z untuk setiapp kategori, dengan asumsi bahwa proporsi kumulatif dianggap mengikuti normal baku. Nilai Z diperoleh dari Tabel Distribusi Normal Baku.

Proporsi

Kumulatif Z

0,000 -

0,000 -

0,000 -

0,154 -0,393

1,000 -

f) Menghitung nilai densitas dari nilai Z yang diperoleh dengan cara memasukkan nilai Z tersebut ke dalam fungsi densitas normal baku sebagai berikut :

� =

√ � �� (− � ) Sehingga diperoleh :

f -0,393 = 1

√2π exp( -1

2 -0,393 2) = 0,369 g) Menghitung SV (Scale Value) dengan rumus :

�� =_{Daerah di bawah batas atas-Daerah di bawah batas bawah}Kepadatan pada batas bawah-Kepadatan pada batas atas Sehingga diperoleh :

SV1 = 0,000 - 0,000_{0,000 - 0,000} = 0,000

SV2 = 0,000 - 0,000_{0,000 - 0,000} = 0,000

SV3 = 0,000 - 0,000_{0,000 - 0,000} = 0,000

SV4 = 0,000 - 0,369_{0,154 - 0,000} = -2,396

SV5 = _{1,000 – 0,154}0,369 - 0,000 = 0,436

h) Mengubah Scale Value (SV) terkecil (nilai negatif yang terbesar) menjadi sama dengan satu (1)

SV terkecil = -2,396 = 1 didapat dari (-2,396 + 3,396 = 1) = i) Mentransformasikan nilai skala dengan menggunakan rumus :

= �� + |�� min| Sehingga diperoleh :

Y1 = 0

Y2 =

Y3 = 0

Y4 =1

Y5 = 0,436 + 3,396 = 3,832

Untuk transformasi item variabel lainnya menggunakan Microsoft Excel 2007 (Add-Ins), sehingga hasil yang diperoleh:

Tabel 3.4 Hasil Transformasi Data Ordinal Dengan MSI

Variabel Pertanyaan Kategori

1 2 3 4 5

(1) (2) (3) (4) (5) (6) (7)

�

1 - - - 1,000 3,832 2 - - - 1,000 2,642 3 - - 1,000 2,283 3,911 4 - - 1,000 2,400 3,902 ��

1 - - - 1,000 2,620 2 - - - 1,000 2,598 3 - - 1,000 2,121 3,457 4 - - 1,000 2,737 4,277 �

1 - - 1,000 2,093 3,381 2 - - 1,000 1,953 3,181 3 - - 1,000 1,975 3,205 4 - - 1,000 2,173 3,566 �

1 - - 1,000 2,149 3,699 2 - - 1,000 2,277 3,740 3 - - 1,000 2,113 3,406 4 - - 1,000 2,196 3,590 �

1 - - 1,000 1,682 3,231 2 - - - 1,000 2,698 3 - - 1,000 1,939 3,469 4 - - 1,000 1,978 3,384 ��

1 - - 1,000 2,000 3,255 2 - - 1,000 2,075 3,436 3 - - 1,000 1,912 3,250 4 - - 1,000 2,663 4,206 1 - - 1,000 1,940 3,216 2 - - 1,000 2,118 3,676 3 - - 1,000 2,061 3,368 4 - - 1,000 1,939 3,469

3.5Analisis Regresi Linier

Penulis menggunakan metode Stepwise Forward dalam proses pengolahan data untuk mendapatkan persamaan regresi. Setelah melakukan beberapa pengujian, maka data yang digunakan sebagai berikut:

Tabel 3.5 Data Hasil Pengolahan

No. � �_� � � � �_�

(1) (2) (3) (4) (5) (6) (7) (8)

1. 13,276 11,412 13,333 12,972 12,782 14,147 11,513 2. 13,276 12,952 13,333 14,434 12,782 14,147 13,730 3. 13,276 12,952 9,587 14,434 12,782 12,893 13,730 4. 13,276 12,952 13,333 14,434 12,782 14,147 13,730 5. 11,648 12,952 12,103 13,142 12,782 12,786 13,730 6. 13,276 8,455 12,106 14,434 12,782 12,786 13,730 7. 10,146 12,952 9,587 13,142 12,782 11,267 13,730 8. 13,276 9,734 13,333 13,041 12,782 12,604 12,423 9. 11,774 11,332 13,333 12,972 12,782 12,810 13,730 10. 11,635 11,354 13,333 11,748 12,782 11,350 11,361 11. 11,455 9,814 11,941 10,286 12,782 9,281 11,361 12. 13,276 11,354 12,106 10,286 12,782 12,810 12,171 13. 11,635 10,018 10,713 13,041 12,782 12,786 12,423 14. 9,953 10,075 9,424 11,578 12,782 11,350 9,803 15. 10,133 8,339 9,587 10,145 12,782 12,810 9,588 16. 13,276 8,897 12,103 10,479 11,084 12,810 12,454 17. 8,544 11,412 9,559 10,286 12,782 12,786 11,053 18. 13,276 12,952 13,333 14,434 12,782 14,147 13,730 19. 13,276 9,792 12,045 10,566 12,782 11,531 11,147 20. 13,276 11,354 12,045 12,885 12,782 14,147 12,454 21. 13,276 10,075 13,333 14,434 12,782 12,893 11,513 22. 11,635 12,952 12,045 14,434 12,782 14,147 12,200 23. 13,276 10,075 10,815 10,552 12,782 11,531 11,513 24. 13,276 8,477 12,045 10,13 12,782 14,147 10,086 25. 13,276 11,616 9,483 9,017 11,252 8,099 11,513 26. 10,146 12,952 13,333 8,737 12,782 14,147 12,423 27. 8,505 8,477 10,875 8,737 12,782 9,119 10,206 28. 11,635 10,075 10,875 12,972 12,782 7,918 12,454 29. 11,635 11,412 12,103 12,972 12,782 11,267 10,864 30. 13,276 11,354 13,333 14,434 8,297 14,147 12,454 31. 10,133 11,332 11,941 13,142 9,677 11,243 10,893 32. 13,276 9,734 10,652 14,434 12,782 11,531 10,893 33. 8,325 8,398 8,529 11,748 9,677 11,243 8,059 34. 10,374 8,477 13,333 6,427 8,907 11,267 13,730 35. 13,276 5,737 6,566 10,273 8,148 6,738 10,086 36. 10,133 5,737 6,566 14,434 12,782 14,147 9,145 37. 13,276 12,952 10,652 11,578 11,376 12,81 10,641

Tabel 3.5 Lanjutan

(1) (2) (3) (4) (5) (6) (7) (8)

38. 10,133 8,897 6,566 8,737 9,846 5,663 9,145 39. 11,635 10,495 6,566 8,737 12,782 4,000 11,513 40. 13,276 6,857 5,093 14,434 12,782 12,893 13,730 41. 11,774 12,952 10,652 13,041 9,677 8,650 8,059 42. 13,276 11,332 13,333 14,434 12,782 14,147 12,454 43. 11,774 6,857 8,194 8,737 8,005 14,147 9,588 44. 13,276 11,332 10,652 12,028 8,167 10,531 8,059 45. 6,683 12,952 10,652 7,623 5,621 14,147 13,730 46. 10,146 12,952 9,587 14,434 9,535 7,650 9,746 47. 13,276 8,477 10,710 14,434 11,376 11,892 13,730 48. 8,505 11,412 11,941 14,434 12,782 9,988 7,119 49. 6,683 6,857 9,478 10,552 7,446 12,604 9,954 50. 13,276 12,952 13,333 11,748 12,782 12,604 13,730 51. 13,276 9,792 10,952 9,086 7,170 10,349 8,426 52. 13,276 6,857 5,093 14,434 12,782 12,893 13,730 53. 10,133 11,332 11,941 13,142 9,677 11,243 10,893 54. 13,276 6,857 5,093 14,434 12,782 12,893 13,730 55. 8,325 8,398 8,529 11,748 9,677 11,243 12,454 56. 10,374 8,477 13,333 6,427 8,907 11,267 13,730 57. 6,683 6,857 6,127 10,286 4,939 8,650 9,334 58. 10,133 5,737 9,483 9,009 7,066 11,243 13,730 59. 13,276 12,952 13,333 11,748 12,782 12,604 13,730 60. 8,505 11,412 11,941 14,434 12,782 9,988 12,423 61. 10,133 8,897 6,566 8,737 9,846 5,663 9,145 62. 6,683 12,952 7,101 10,635 8,148 11,892 9,334 63. 13,276 6,857 5,093 14,434 12,782 12,893 13,730 64. 13,276 8,194 7,219 14,434 12,782 12,893 13,730 65. 6,683 6,857 8,194 5,113 4,939 7,576 9,334 Sumber: Perhitungan menggunakan Excel

3.5.1 Membentuk Matriks Koefisien Korelasi

� _� = ∑( − ̅ )( − ̅) √∑( − ̅ ) ∑( − ̅) Koefisien korelasi antara dengan

� = ∑ − ̅ − ̅

� = 99,6 6 √ 9,967 7, � = 99,6 6

√659 ,696 � = 99,6 6_{56,77 = ,}

Untuk perhitungan nilai koefisien korelasi antara Y dengan Xi berikutnya, penulis menggunakan SPSS.

Matriks koefisien korelasi antara Y dengan Xi dan antar variabel.

6

6 (

1 0,388 0,131 0,230 0,255 0,362 0,445

0,388 1 0,115 0,237 0,420 0,517 0,289

0,131 0,115

1 0,586 0,235 0,275 0,167

0,230 0,237 0,586

1 0,079 0,248 0,373

0,255 0,420 0,235 0,079

1 0,537 0,391

0,362 0,517 0,275 0,248 0,537

1 0,302

0,445 0,289 0,167 0,373 0,391 0,302

1 )

Sumber: Perhitungan menggunakan SPSS

3.5.2 Membentuk Persamaan Regresi Pertama

Berdasarkan matriks korelasi sebelumnya variabel yang mempunyai koefisien korelasi terbesar terhadap adalah ₆. Sehingga variabel yang pertama masuk pada persamaan adalah ₆ dan kemudian dihitung koefisien regresi antara dengan ₆.

Persamaan regresi didapat sebagai berikut:

= � + �_{6 6} + 11,513 = � + � 14,147 + 13,729 = � + � 14,147 + 13,729 = � + � 12,893 + 13,729 = � + � 14,147 + 13,729 = � + � 12,786 + 13,729 = � + � 12,786 + 13,729 = � + � 11,267 + 12,422 = � + � 12,604 + 13,729 = � + � 12,810 + 11,361 = � + � 11,350 + 11,361 = � + � 9,281 + 12,171 = � + � 12,810 + 12,422 = � + � 12,786 + 9,803 = � + � 11,350 + 9,588 = � + � 12,810 + 12,453 = � + � 12,810 + 11,053 = � + � 12,786 + 13,729 = � + � 14,147 + 11,146 = � + � 11,531 + 12,453 = � + � 14,147 +

⋮ ⋮ ⋮ ⋮ ⋮

9,746 = � + � 7,650 + 13,729 = � + � 11,892 + 7,119 = � + � 9,988 + 9,953 = � + � 12,604 + 13,729 = � + � 12,604 + 8,426 = � + � 10,349 + 13,729 = � + � 12,893 + 10,892 = � + � 11,243 + 13,729 = � + � 12,893 + 12,453 = � + � 11,243 + 13,729 = � + � 11,267 + 9,334 = � + � 8,650 + 13,729 = � + � 11,243 + 13,729 = � + � 12,604 + 12,422 = � + � 9,988 + 9,145 = � + � 5,663 + 9,334 = � + � 11,892 + 13,729 = � + � 12,893 + 13,729 = � + � 12,893 + 9,334 = � + � 7,576 +

Persamaan regresi yang didapat dalam bentuk matriks sebagai berikut: ( 11,513 13,730 13,730 13,730 13,730 13,730 13,730 12,423 13,730 11,361 11,361 12,171 12,423 9,803 9,588 12,454 11,053 13,730 11,147 12,454 ⋮ 9,746 13,730 7,119 9,954 13,730 8,426 13,730 10,893 13,730 12,454 13,730 9,334 13,730 13,730 12,423 9,145 9,334 13,730 13,730 9,334) = ( 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ⋮ 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 14,147 14,147 12,893 14,147 12,786 12,786 11,267 12,604 12,810 11,350 9,281 12,810 12,786 11,350 12,810 12,810 12,786 14,147 11,531 14,147 ⋮ 7,650 11,892 9,988 12,604 12,604 10,349 12,893 11,243 12,893 11,243 11,267 8,650 11,243 12,604 9,988 5,663 11,892 12,893 12,893 7,576)

(b_b0

2)

Sehingga

′ ₌ 65 75 ,995

75 ,995 9 6 ,6 7 ′ = 75 , 75 ,6 Dengan menggunakan rumus:

′ −

= det ′ � ′ Akan didapat:

′ − ₌ , 65 − ,

− , ,

Diperoleh:

= ′ − _{′ =} 7,5

0,3529 b0 = 7,5211 ; b2 = 0,3529

Uji Keberartian Regresi antara dengan � ′_{= 7,5211 0,3529}

′_{. ′ =8797,4099}

Sehingga didapat:

SSR= ′. ′ − ∑_n =8797,4099 – 754,274₆₅ 2 = 44,6519 SST= ∑ − ∑_n =8980,138 – 754,274₆₅ 2 = 227,38 SSE = SST – SSR = 227,380 – 44,6519 = 182,7281 MSE= _nSSE_−p=182,7281₆₅₋₂ = 2,9004

MSR= _pSSR₋₁= 44,6519₂₋₁ =44,6519

Tabel 3.6 Analisa Variansi Untuk Uji Keberartian Regresi dengan �

Sumber Variansi Df SS MS Fhitung

Regresi ( ) 1 44,6519 44,6519

15,3951 Residu 63 182,7281 2,9004

Ftabel = F(1 ; 63 ; 0,05) = 3,99. Karena Fhitung > Ftabel, maka regresi antara

dengan ₆ berarti, dan variabel ₆ tetap dalam regresi. Persamaan regresi yang terbentuk adalah = 7,5211+0,3529 ₆.

3.5.3 Menghitung Harga Parsial Korelasi Variabel Sisa Pertama

� _{ℎ �} = � ℎ − (� �)(�ℎ �)

√( − � _�)( − �_{ℎ �}) Parsial korelasi variabel sisa :

� = � − (� )(� )

√( − � )( − � ) � = 0,445 – 0,388 0,289

√(1 – 0,3882)(1 – 0,2892)

=0,3773

Untuk perhitungan harga masing-masing parsial korelasi variabel sisa lainnya menggunakan rumus yang sama, sehingga hasil yang diperoleh:

� = 0,3773 � = 0,3880 � = 0,4329 � = 0,3777 � = 0,3978

3.5.4 Membentuk Persamaan Regresi antara dengan �_� , �_�

Dari perhitungan yang telah dilakukan sebelumnya ternyata bahwa parsial korelasi terbesar adalah (� = 0,4329), sehingga terpilih sebagai variabel kedua untuk diregresikan.

Persamaan regresi yang didapat dalam bentuk matriks sebagai berikut: 6 ( 11,513 13,730 13,730 13,730 13,730 13,730 13,730 12,423 13,730 11,361 11,361 12,171 12,423 9,803 9,588 12,454 11,053 13,730 11,147 12,454 ⋮ 9,746 13,730 7,119 9,954 13,730 8,426 13,730 10,893 13,730 12,454 13,730 9,334 13,730 13,730 12,423 9,145 9,334 13,730 13,730 9,334) = ( 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ⋮ 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 14,147 14,147 12,893 14,147 12,786 12,786 11,267 12,604 12,810 11,350 9,281 12,810 12,786 11,350 12,810 12,810 12,786 14,147 11,531 14,147 ⋮ 7,650 11,892 9,988 12,604 12,604 10,349 12,893 11,243 12,893 11,243 11,267 8,650 11,243 12,604 9,988 5,663 11,892 12,893 12,893 7,576 11,412 12,952 12,952 12,952 12,952 8,455 12,952 9,734 11,332 11,354 9,814 11,354 10,018 10,075 8,339 8,897 11,412 12,952 9,792 11,354 ⋮ 12,952 8,477 11,412 6,857 12,952 9,792 6,857 11,332 6,857 8,398 8,477 6,857 5,737 12,952 11,412 8,897 12,952 6,857 8,194 6,857)

(bb06

b2

)

Sehingga

′ _{= (751,995 9060,637 7665,013}65 751,995 657,638 657,638 7665,013 6975,125)

′ _{= (8853,612}754,274 7666,720) ′ −1 _{= (-0,0279 0,0029 -0,0005}0,6068 -0,0279 -0,0266

-0,0266 -0,0005 0,0032) = ′ −1 _{′ = (}7,1139_0,3452

0,0491)

b0 = 7,1139 ; b6 = 0,3452 ; b2 = 0,0491

Uji Keberartian Regresi antara dengan �_� , �_� ′_{. ′ = 8798,5326}

SSR= ′_{. ′ −} ∑ 2

� =8798,5326 –

754,2742

65 = 45,7746 SST= ∑ 2− ∑_� 2 =8980,138 – 754,274₆₅ 2 = 227,380 SSE = SST – SSR = 227,380 – 45,775 = 181,6054

MSE = _{n - p}SSE = 181,6054_{65 - 3} = 2,9291 MSR = _{p - 1}SSR = 45,7746_{3 - 1} = 22,8873

Tabel 3.7 Analisa Variansi Untuk Uji Keberartian Regresi dengan �_�, �_�

Sumber Variasi df SS MS Fhitung

Regresi ( ₆, ) 2 45,7746 22,8873

7,8135 Residu 62 181,6054 2,9291

Total 64 227,380 -

Ftabel = F(2 ; 62 ; 0,05) = 3,15. Karena Fhitung > Ftabel, maka regresi antara

dengan ₆ dan ₂ berarti.

Uji Keberartian Koefisien Regresi �_� Fhitung = _{� �}�2

2 2

= , 9

, 6

2

= 0,0179 Ftabel = F( ; 6 ; 0,05) = 3,15

Karena F_hitung < F_tabel untuk variabel ₂, maka koefisien regresi variabel tersebut tidak berarti. Oleh karena itu, variabel ₂ tidak termasuk (keluar) dari model regresi. Sehingga yang memenuhi adalah regresi dengan variabel ₆.

Persamaan regresi yang terbentuk adalah:

= 7,5211+0,3529 ₆

3.6Penduga

Persamaan penduga yang diperoleh adalah: ̂ =7,5211+0,3529 ₆. Besar variansi yang dijelaskan penduga adalah harga dari koefisien korelasi determinasi (R2) yaitu 0,185 atau sebesar 18,5%.

3.7Analisa Residu

Berdasarkan penduga yang diperoleh maka residu dapat dihitung dan kebenaran asumsi dapat ditunjukkan.

Pembuktian asumsi:

a. Rata-rata residu (e) sama dengan nol dipenuhi b. Varian (ej) = Varian (ek) = ��

Tabel 3.8 Analisis Residu dan Rank Spearman

No. ̂ ��

( − ̂)

Rank ̂ (�_�)

Rank �_�

(�_�) D d

2

(1) (2) (3) (4) (5) (6) (7) (8)

1. 11,513 12,514 -1,001 35 51 -16 256 2. 13,730 12,514 1,216 10,5 21,5 -11 121 3. 13,730 12,071 1,659 10,5 15,5 -5 25 4. 13,730 12,514 1,216 10,5 21,5 -11 121 5. 13,730 12,033 1,697 10,5 10,5 0 0 6. 13,730 12,033 1,697 10,5 10,5 0 0 7. 13,730 11,497 2,233 10,5 4 6,5 42,25 8. 12,423 11,969 0,454 28,5 27 1,5 2,25 9. 13,730 12,042 1,688 10,5 12 -1,5 2,25 10. 11,361 11,527 -0,166 38,5 37 1,5 2,25 11. 11,361 10,796 0,565 38,5 26 12,5 156,25 12. 12,171 12,042 0,129 32 31 1 1 13. 12,423 12,033 0,390 28,5 29 -0,5 0,25 14. 9,803 11,527 -1,724 51 54 -3 9 15. 9,588 12,042 -2,454 53,5 58 -4,5 20,25 16. 12,454 12,042 0,412 23,5 28 -4,5 20,25 17. 11,053 12,033 -0,980 41 50 -9 81 18. 13,730 12,514 1,216 10,5 21,5 -11 121 19. 11,147 11,590 -0,443 40 41 -1 1 20. 12,454 12,514 -0,060 23,5 33 -9,5 90,25 21. 11,513 12,071 -0,558 35 44 -9 81 22. 12,200 12,514 -0,314 31 38 -7 49 23. 11,513 11,590 -0,077 35 35 0 0 24. 10,086 12,514 -2,428 48,5 57 -8,5 72,25 25. 11,513 10,379 1,134 35 24 11 121 26. 12,423 12,514 -0,091 28,5 36 -7,5 56,25 27. 10,206 10,739 -0,533 47 43 4 16 28. 12,454 10,315 2,139 23,5 6 17,5 306,25 29. 10,864 11,497 -0,633 45 47 -2 4 30. 12,454 12,514 -0,060 23,5 33 -9,5 90,25 31. 10,893 11,489 -0,596 43 45,5 -2,5 6,25 32. 10,893 11,590 -0,697 43 48 -5 25 33. 8,059 11,489 -3,430 63 64 -1 1 34. 13,730 11,497 2,233 10,5 4 6,5 42,25 35. 10,086 9,899 0,187 48,5 30 18,5 342,25 36. 9,145 12,514 -3,369 59 63 -4 16 37. 10,641 12,042 -1,401 46 53 -7 49 38. 9,145 9,520 -0,375 59 39,5 19,5 380,25 39. 11,513 8,933 2,580 35 1 34 1156 40. 13,730 12,071 1,659 10,5 15,5 -5 25 41. 8,059 10,574 -2,515 63 59 4 16 42. 12,454 12,514 -0,060 23,5 33 -9,5 90,25 43. 9,588 12,514 -2,926 53,5 61 -7,5 56,25

Tabel 3.8 Lanjutan

(1) (2) (3) (4) (5) (6) (7) (8)

44. 8,059 11,237 -3,178 63 62 1 1 45. 13,730 12,514 1,216 10,5 21,5 -11 121 46. 9,746 10,221 -0,475 52 42 10 100 47. 13,730 11,718 2,012 10,5 7 3,5 12,25 48. 7,119 11,046 -3,927 65 65 0 0 49. 9,954 11,969 -2,015 50 55 -5 25 50. 13,730 11,969 1,761 10,5 8,5 2 4 51. 8,426 11,173 -2,747 61 60 1 1 52. 13,730 12,071 1,659 10,5 15,5 -5 25 53. 10,893 11,489 -0,596 43 45,5 -2,5 6,25 54. 13,730 12,071 1,659 10,5 15,5 -5 25 55. 12,454 11,489 0,965 23,5 25 -1,5 2,25 56. 13,730 11,497 2,233 10,5 4 6,5 42,25 57. 9,334 10,574 -1,240 56 52 4 16 58. 13,730 11,489 2,241 10,5 2 8,5 72,25 59. 13,730 11,969 1,761 10,5 8,5 2 4 60. 12,423 11,046 1,377 28,5 19 9,5 90,25 61. 9,145 9,520 -0,375 59 39,5 19,5 380,25 62. 9,334 11,718 -2,384 56 56 0 0 63. 13,730 12,071 1,659 10,5 15,5 -5 25 64. 13,730 12,071 1,659 10,5 15,5 -5 25 65. 9,334 10,195 -0,861 56 49 7 49 5100,5

∑T̂ = ∑t3_n- t

= 20

3_{- 20}

65 + 63- 6

65 + 43- 4

65 + 53- 5

65 + 23- 2

65 + 33- 3

65 + 23- 2

65 + 23- 2

65 + 33- 3

65 + 33- 3

65 + 33- 3

65

= 130,523 ∑ � = ∑t

3_{- t}

n

= 33- 3

65 + 23- 2

65 + 23- 2

65 + 63- 6

65 + 43- 4

65 + 33- 3

65 + 23- 2

65 + 23- 2

65

= 5,262

∑ ̂ =n3_n- n− ∑ = 653₆₅- 65−130,523= 4093,477 ∑ = n3_n- n− ∑ � =65

3_{- 65}

� =∑ ̂ + ∑ − ∑ 2 √∑ ̂ . ∑ =

4093,477 + 4218,738 – 5100,5

2 √ 4093,477 4218,738 = 0,0772 �฀ �� = � √₁n - 2_{− � =}0,386√_{1 - 0,386}65 - 2 2 = 0,6146

ttabel = tα (n – 2) = t0,05(63) = 1,99834

thitung < ttabel, berdasarkan kondisi ini maka varian (ej) = varian (ek), sehingga

asumsi di atas telah terpenuhi.

Dengan dipenuhinya semua asumsi maka model penduga yang diperoleh = 7,5211+0,3529 6 cocok dan baik digunakan sebagai penduga besar

BAB 4

KESIMPULAN DAN SARAN

4.1Kesimpulan

Berdasarkan hasil pengolahan/analisa data yang dilakukan sebelumnya, maka diambil kesimpulan sebagai berikut:

1. Dari keenam variabel yang diperhitungkan sebagai faktor yang paling berpengaruh terhadap loyalitas merek (variabel Y) yang masuk kedalam penduga adalah dua variabel. Penduga loyalitas merek tersebut adalah:

̂ =7,5211+0,3529 ��

dengan �_� merupakan membantu dalam penggunaan merek

2. Besarnya variasi yang dijelaskan penduga adalah besarnya koefisien korelasi determinasi (R2) yaitu 18,5% dan sisanya 81,5% dijelaskan oleh faktor-faktor lain.

3. Karena rata-rata residu (e) sama dengan nol dan varian (ej) = Varian (ek) = σ2

terbukti, maka model yang digunakan adalah sesuai. Dengan demikian model penduga yang diperoleh cukup baik digunakan sebagai penduga besar loyalitas merek.

4.2Saran

Bagi para pembaca apabila ingin melakukan penelitian dalam menentukan persamaan regresi linier berganda lebih lanjut dengan data yang berbeda disarankan dapat menggunakan metode regresi linier berganda lainnya.

xv

Lampiran C. Tabel Koefisien Korelasi Sederhana (r) (1 - 40)

df = N-2

Tingkat signifikansi untuk uji satu arah 0.05 0.025 0.01 0.005 0.0005 Tingkat signifikansi untuk uji dua arah

0.1 0.05 0.02 0.01 0.001 1 0.9877 0.9969 0.9995 0.9999 1.0000 2 0.9000 0.9500 0.9800 0.9900 0.9990 3 0.8054 0.8783 0.9343 0.9587 0.9911 4 0.7293 0.8114 0.8822 0.9172 0.9741 5 0.6694 0.7545 0.8329 0.8745 0.9509 6 0.6215 0.7067 0.7887 0.8343 0.9249 7 0.5822 0.6664 0.7498 0.7977 0.8983 8 0.5494 0.6319 0.7155 0.7646 0.8721 9 0.5214 0.6021 0.6851 0.7348 0.8470 10 0.4973 0.5760 0.6581 0.7079 0.8233 11 0.4762 0.5529 0.6339 0.6835 0.8010 12 0.4575 0.5324 0.6120 0.6614 0.7800 13 0.4409 0.5140 0.5923 0.6411 0.7604 14 0.4259 0.4973 0.5742 0.6226 0.7419 15 0.4124 0.4821 0.5577 0.6055 0.7247 16 0.4000 0.4683 0.5425 0.5897 0.7084 17 0.3887 0.4555 0.5285 0.5751 0.6932 18 0.3783 0.4438 0.5155 0.5614 0.6788 19 0.3687 0.4329 0.5034 0.5487 0.6652 20 0.3598 0.4227 0.4921 0.5368 0.6524 21 0.3515 0.4132 0.4815 0.5256 0.6402 22 0.3438 0.4044 0.4716 0.5151 0.6287 23 0.3365 0.3961 0.4622 0.5052 0.6178 24 0.3297 0.3882 0.4534 0.4958 0.6074 25 0.3233 0.3809 0.4451 0.4869 0.5974 26 0.3172 0.3739 0.4372 0.4785 0.5880 27 0.3115 0.3673 0.4297 0.4705 0.5790 28 0.3061 0.3610 0.4226 0.4629 0.5703 29 0.3009 0.3550 0.4158 0.4556 0.5620 30 0.2960 0.3494 0.4093 0.4487 0.5541 31 0.2913 0.3440 0.4032 0.4421 0.5465 32 0.2869 0.3388 0.3972 0.4357 0.5392 33 0.2826 0.3338 0.3916 0.4296 0.5322 34 0.2785 0.3291 0.3862 0.4238 0.5254 35 0.2746 0.3246 0.3810 0.4182 0.5189 36 0.2709 0.3202 0.3760 0.4128 0.5126 37 0.2673 0.3160 0.3712 0.4076 0.5066 38 0.2638 0.3120 0.3665 0.4026 0.5007 39 0.2605 0.3081 0.3621 0.3978 0.4950 40 0.2573 0.3044 0.3578 0.3932 0.4896

xvi

Lampiran C. Tabel Koefisien Korelasi Sederhana (r) (41 - 80)

df = N-2

Tingkat signifikansi untuk uji satu arah 0.05 0.025 0.01 0.005 0.0005 Tingkat signifikansi untuk uji dua arah

0.1 0.05 0.02 0.01 0.001 41 0.2542 0.3008 0.3536 0.3887 0.4843 42 0.2512 0.2973 0.3496 0.3843 0.4791 43 0.2483 0.2940 0.3457 0.3801 0.4742 44 0.2455 0.2907 0.3420 0.3761 0.4694 45 0.2429 0.2876 0.3384 0.3721 0.4647 46 0.2403 0.2845 0.3348 0.3683 0.4601 47 0.2377 0.2816 0.3314 0.3646 0.4557 48 0.2353 0.2787 0.3281 0.3610 0.4514 49 0.2329 0.2759 0.3249 0.3575 0.4473 50 0.2306 0.2732 0.3218 0.3542 0.4432 51 0.2284 0.2706 0.3188 0.3509 0.4393 52 0.2262 0.2681 0.3158 0.3477 0.4354 53 0.2241 0.2656 0.3129 0.3445 0.4317 54 0.2221 0.2632 0.3102 0.3415 0.4280 55 0.2201 0.2609 0.3074 0.3385 0.4244 56 0.2181 0.2586 0.3048 0.3357 0.4210 57 0.2162 0.2564 0.3022 0.3328 0.4176 58 0.2144 0.2542 0.2997 0.3301 0.4143 59 0.2126 0.2521 0.2972 0.3274 0.4110 60 0.2108 0.2500 0.2948 0.3248 0.4079 61 0.2091 0.2480 0.2925 0.3223 0.4048 62 0.2075 0.2461 0.2902 0.3198 0.4018 63 0.2058 0.2441 0.2880 0.3173 0.3988 64 0.2042 0.2423 0.2858 0.3150 0.3959 65 0.2027 0.2404 0.2837 0.3126 0.3931 66 0.2012 0.2387 0.2816 0.3104 0.3903 67 0.1997 0.2369 0.2796 0.3081 0.3876 68 0.1982 0.2352 0.2776 0.3060 0.3850 69 0.1968 0.2335 0.2756 0.3038 0.3823 70 0.1954 0.2319 0.2737 0.3017 0.3798 71 0.1940 0.2303 0.2718 0.2997 0.3773 72 0.1927 0.2287 0.2700 0.2977 0.3748 73 0.1914 0.2272 0.2682 0.2957 0.3724 74 0.1901 0.2257 0.2664 0.2938 0.3701 75 0.1888 0.2242 0.2647 0.2919 0.3678 76 0.1876 0.2227 0.2630 0.2900 0.3655 77 0.1864 0.2213 0.2613 0.2882 0.3633 78 0.1852 0.2199 0.2597 0.2864 0.3611 79 0.1841 0.2185 0.2581 0.2847 0.3589 80 0.1829 0.2172 0.2565 0.2830 0.3568

xvii

Lampiran D. Tabel Titik Persentase Distribusi t (1-40) Pr

df

0.25 0.10 0.05 0.025 0.01 0.005 0.001

0.50 0.20 0.10 0.050 0.02 0.010 0.002

1 1.00000 3.07768 6.31375 12.70620 31.82052 63.65674 318.30884 2 0.81650 1.88562 2.91999 4.30265 6.96456 9.92484 22.32712 3 0.76489 1.63774 2.35336 3.18245 4.54070 5.84091 10.21453 4 0.74070 1.53321 2.13185 2.77645 3.74695 4.60409 7.17318 5 0.72669 1.47588 2.01505 2.57058 3.36493 4.03214 5.89343 6 0.71756 1.43976 1.94318 2.44691 3.14267 3.70743 5.20763 7 0.71114 1.41492 1.89458 2.36462 2.99795 3.49948 4.78529 8 0.70639 1.39682 1.85955 2.30600 2.89646 3.35539 4.50079 9 0.70272 1.38303 1.83311 2.26216 2.82144 3.24984 4.29681 10 0.69981 1.37218 1.81246 2.22814 2.76377 3.16927 4.14370 11 0.69745 1.36343 1.79588 2.20099 2.71808 3.10581 4.02470 12 0.69548 1.35622 1.78229 2.17881 2.68100 3.05454 3.92963 13 0.69383 1.35017 1.77093 2.16037 2.65031 3.01228 3.85198 14 0.69242 1.34503 1.76131 2.14479 2.62449 2.97684 3.78739 15 0.69120 1.34061 1.75305 2.13145 2.60248 2.94671 3.73283 16 0.69013 1.33676 1.74588 2.11991 2.58349 2.92078 3.68615 17 0.68920 1.33338 1.73961 2.10982 2.56693 2.89823 3.64577 18 0.68836 1.33039 1.73406 2.10092 2.55238 2.87844 3.61048 19 0.68762 1.32773 1.72913 2.09302 2.53948 2.86093 3.57940 20 0.68695 1.32534 1.72472 2.08596 2.52798 2.84534 3.55181 21 0.68635 1.32319 1.72074 2.07961 2.51765 2.83136 3.52715 22 0.68581 1.32124 1.71714 2.07387 2.50832 2.81876 3.50499 23 0.68531 1.31946 1.71387 2.06866 2.49987 2.80734 3.48496 24 0.68485 1.31784 1.71088 2.06390 2.49216 2.79694 3.46678 25 0.68443 1.31635 1.70814 2.05954 2.48511 2.78744 3.45019 26 0.68404 1.31497 1.70562 2.05553 2.47863 2.77871 3.43500 27 0.68368 1.31370 1.70329 2.05183 2.47266 2.77068 3.42103 28 0.68335 1.31253 1.70113 2.04841 2.46714 2.76326 3.40816 29 0.68304 1.31143 1.69913 2.04523 2.46202 2.75639 3.39624 30 0.68276 1.31042 1.69726 2.04227 2.45726 2.75000 3.38518 31 0.68249 1.30946 1.69552 2.03951 2.45282 2.74404 3.37490 32 0.68223 1.30857 1.69389 2.03693 2.44868 2.73848 3.36531 33 0.68200 1.30774 1.69236 2.03452 2.44479 2.73328 3.35634 34 0.68177 1.30695 1.69092 2.03224 2.44115 2.72839 3.34793 35 0.68156 1.30621 1.68957 2.03011 2.43772 2.72381 3.34005 36 0.68137 1.30551 1.68830 2.02809 2.43449 2.71948 3.33262 37 0.68118 1.30485 1.68709 2.02619 2.43145 2.71541 3.32563 38 0.68100 1.30423 1.68595 2.02439 2.42857 2.71156 3.31903 39 0.68083 1.30364 1.68488 2.02269 2.42584 2.70791 3.31279 40 0.68067 1.30308 1.68385 2.02108 2.42326 2.70446 3.30688

xviii

Lampiran D. Tabel Titik Persentase Distribusi t (41-80) Pr

df

0.25 0.10 0.05 0.025 0.01 0.005 0.001

0.50 0.20 0.10 0.050 0.02 0.010 0.002

41 0.68052 1.30254 1.68288 2.01954 2.42080 2.70118 3.30127 42 0.68038 1.30204 1.68195 2.01808 2.41847 2.69807 3.29595 43 0.68024 1.30155 1.68107 2.01669 2.41625 2.69510 3.29089 44 0.68011 1.30109 1.68023 2.01537 2.41413 2.69228 3.28607 45 0.67998 1.30065 1.67943 2.01410 2.41212 2.68959 3.28148 46 0.67986 1.30023 1.67866 2.01290 2.41019 2.68701 3.27710 47 0.67975 1.29982 1.67793 2.01174 2.40835 2.68456 3.27291 48 0.67964 1.29944 1.67722 2.01063 2.40658 2.68220 3.26891 49 0.67953 1.29907 1.67655 2.00958 2.40489 2.67995 3.26508 50 0.67943 1.29871 1.67591 2.00856 2.40327 2.67779 3.26141 51 0.67933 1.29837 1.67528 2.00758 2.40172 2.67572 3.25789 52 0.67924 1.29805 1.67469 2.00665 2.40022 2.67373 3.25451 53 0.67915 1.29773 1.67412 2.00575 2.39879 2.67182 3.25127 54 0.67906 1.29743 1.67356 2.00488 2.39741 2.66998 3.24815 55 0.67898 1.29713 1.67303 2.00404 2.39608 2.66822 3.24515 56 0.67890 1.29685 1.67252 2.00324 2.39480 2.66651 3.24226 57 0.67882 1.29658 1.67203 2.00247 2.39357 2.66487 3.23948 58 0.67874 1.29632 1.67155 2.00172 2.39238 2.66329 3.23680 59 0.67867 1.29607 1.67109 2.00100 2.39123 2.66176 3.23421 60 0.67860 1.29582 1.67065 2.00030 2.39012 2.66028 3.23171 61 0.67853 1.29558 1.67022 1.99962 2.38905 2.65886 3.22930 62 0.67847 1.29536 1.66980 1.99897 2.38801 2.65748 3.22696 63 0.67840 1.29513 1.66940 1.99834 2.38701 2.65615 3.22471 64 0.67834 1.29492 1.66901 1.99773 2.38604 2.65485 3.22253 65 0.67828 1.29471 1.66864 1.99714 2.38510 2.65360 3.22041 66 0.67823 1.29451 1.66827 1.99656 2.38419 2.65239 3.21837 67 0.67817 1.29432 1.66792 1.99601 2.38330 2.65122 3.21639 68 0.67811 1.29413 1.66757 1.99547 2.38245 2.65008 3.21446 69 0.67806 1.29394 1.66724 1.99495 2.38161 2.64898 3.21260 70 0.67801 1.29376 1.66691 1.99444 2.38081 2.64790 3.21079 71 0.67796 1.29359 1.66660 1.99394 2.38002 2.64686 3.20903 72 0.67791 1.29342 1.66629 1.99346 2.37926 2.64585 3.20733 73 0.67787 1.29326 1.66600 1.99300 2.37852 2.64487 3.20567 74 0.67782 1.29310 1.66571 1.99254 2.37780 2.64391 3.20406 75 0.67778 1.29294 1.66543 1.99210 2.37710 2.64298 3.20249 76 0.67773 1.29279 1.66515 1.99167 2.37642 2.64208 3.20096 77 0.67769 1.29264 1.66488 1.99125 2.37576 2.64120 3.19948 78 0.67765 1.29250 1.66462 1.99085 2.37511 2.64034 3.19804 79 0.67761 1.29236 1.66437 1.99045 2.37448 2.63950 3.19663 80 0.67757 1.29222 1.66412 1.99006 2.37387 2.63869 3.19526

xix

Lampiran E. Tabel Titik Persentase Distribusi F (1 – 90), α = 5%

Sumber: Junaidi (http://junaidichaniago.wordpress.com).2010 df untuk

penyebut (N2)

df untuk pembilang (N1)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 161 18.51 10.13 7.71 6.61 5.99 5.59 5.32 5.12 4.96 4.84 4.75 4.67 4.60 4.54 4.49 4.45 4.41 4.38 4.35 4.32 4.30 4.28 4.26 4.24 4.23 4.21 4.20 4.18 4.17 4.16 4.15 4.14 4.13 4.12 4.11 4.11 4.10 4.09 4.08 4.08 4.07 4.07 4.06 4.06 199 19.00 9.55 6.94 5.79 5.14 4.74 4.46 4.26 4.10 3.98 3.89 3.81 3.74 3.68 3.63 3.59 3.55 3.52 3.49 3.47 3.44 3.42 3.40 3.39 3.37 3.35 3.34 3.33 3.32 3.30 3.29 3.28 3.28 3.27 3.26 3.25 3.24 3.24 3.23 3.23 3.22 3.21 3.21 3.20 216 19.16 9.28 6.59 5.41 4.76 4.35 4.07 3.86 3.71 3.59 3.49 3.41 3.34 3.29 3.24 3.20 3.16 3.13 3.10 3.07 3.05 3.03 3.01 2.99 2.98 2.96 2.95 2.93 2.92 2.91 2.90 2.89 2.88 2.87 2.87 2.86 2.85 2.85 2.84 2.83 2.83 2.82 2.82 2.81 225 19.25 9.12 6.39 5.19 4.53 4.12 3.84 3.63 3.48 3.36 3.26 3.18 3.11 3.06 3.01 2.96 2.93 2.90 2.87 2.84 2.82 2.80 2.78 2.76 2.74 2.73 2.71 2.70 2.69 2.68 2.67 2.66 2.65 2.64 2.63 2.63 2.62 2.61 2.61 2.60 2.59 2.59 2.58 2.58 230 19.30 9.01 6.26 5.05 4.39 3.97 3.69 3.48 3.33 3.20 3.11 3.03 2.96 2.90 2.85 2.81 2.77 2.74 2.71 2.68 2.66 2.64 2.62 2.60 2.59 2.57 2.56 2.55 2.53 2.52 2.51 2.50 2.49 2.49 2.48 2.47 2.46 2.46 2.45 2.44 2.44 2.43 2.43 2.42 234 19.33 8.94 6.16 4.95 4.28 3.87 3.58 3.37 3.22 3.09 3.00 2.92 2.85 2.79 2.74 2.70 2.66 2.63 2.60 2.57 2.55 2.53 2.51 2.49 2.47 2.46 2.45 2.43 2.42 2.41 2.40 2.39 2.38 2.37 2.36 2.36 2.35 2.34 2.34 2.33 2.32 2.32 2.31 2.31 237 19.35 8.89 6.09 4.88 4.21 3.79 3.50 3.29 3.14 3.01 2.91 2.83 2.76 2.71 2.66 2.61 2.58 2.54 2.51 2.49 2.46 2.44 2.42 2.40 2.39 2.37 2.36 2.35 2.33 2.32 2.31 2.30 2.29 2.29 2.28 2.27 2.26 2.26 2.25 2.24 2.24 2.23 2.23 2.22 239 19.37 8.85 6.04 4.82 4.15 3.73 3.44 3.23 3.07 2.95 2.85 2.77 2.70 2.64 2.59 2.55 2.51 2.48 2.45 2.42 2.40 2.37 2.36 2.34 2.32 2.31 2.29 2.28 2.27 2.25 2.24 2.23 2.23 2.22 2.21 2.20 2.19 2.19 2.18 2.17 2.17 2.16 2.16 2.15 241 19.38 8.81 6.00 4.77 4.10 3.68 3.39 3.18 3.02 2.90 2.80 2.71 2.65 2.59 2.54 2.49 2.46 2.42 2.39 2.37 2.34 2.32 2.30 2.28 2.27 2.25 2.24 2.22 2.21 2.20 2.19 2.18 2.17 2.16 2.15 2.14 2.14 2.13 2.12 2.12 2.11 2.11 2.10 2.10 242 19.40 8.79 5.96 4.74 4.06 3.64 3.35 3.14 2.98 2.85 2.75 2.67 2.60 2.54 2.49 2.45 2.41 2.38 2.35 2.32 2.30 2.27 2.25 2.24 2.22 2.20 2.19 2.18 2.16 2.15 2.14 2.13 2.12 2.11 2.11 2.10 2.09 2.08 2.08 2.07 2.06 2.06 2.05 2.05 243 19.4 8.76 5.94 4.70 4.03 3.60 3.31 3.10 2.94 2.82 2.72 2.63 2.57 2.51 2.46 2.41 2.37 2.34 2.31 2.28 2.26 2.24 2.22 2.20 2.18 2.17 2.15 2.14 2.13 2.11 2.10 2.09 2.08 2.07 2.07 2.06 2.05 2.04 2.04 2.03 2.03 2.02 2.01 2.01 244 19.41 8.74 5.91 4.68 4.00 3.57 3.28 3.07 2.91 2.79 2.69 2.60 2.53 2.48 2.42 2.38 2.34 2.31 2.28 2.25 2.23 2.20 2.18 2.16 2.15 2.13 2.12 2.10 2.09 2.08 2.07 2.06 2.05 2.04 2.03 2.02 2.02 2.01 2.00 2.00 1.99 1.99 1.98 1.97 245 19.42 8.73 5.89 4.66 3.98 3.55 3.26 3.05 2.89 2.76 2.66 2.58 2.51 2.45 2.40 2.35 2.31 2.28 2.25 2.22 2.20 2.18 2.15 2.14 2.12 2.10 2.09 2.08 2.06 2.05 2.04 2.03 2.02 2.01 2.00 2.00 1.99 1.98 1.97 1.97 1.96 1.96 1.95 1.94 245 19.42 8.71 5.87 4.64 3.96 3.53 3.24 3.03 2.86 2.74 2.64 2.55 2.48 2.42 2.37 2.33 2.29 2.26 2.22 2.20 2.17 2.15 2.13 2.11 2.09 2.08 2.06 2.05 2.04 2.03 2.01 2.00 1.99 1.99 1.98 1.97 1.96 1.95 1.95 1.94 1.94 1.93 1.92 1.92 246 19.43 8.70 5.86 4.62 3.94 3.51 3.22 3.01 2.85 2.72 2.62 2.53 2.46 2.40 2.35 2.31 2.27 2.23 2.20 2.18 2.15 2.13 2.11 2.09 2.07 2.06 2.04 2.03 2.01 2.00 1.99 1.98 1.97 1.96 1.95 1.95 1.94 1.93 1.92 1.92 1.91 1.91 1.90 1.89

xx

Sumber: Junaidi (http://junaidichaniago.wordpress.com).2010 df untuk

penyebut (N2)

df untuk pembilang (N1)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 4.05 4.05 4.04 4.04 4.03 4.03 4.03 4.02 4.02 4.02 4.01 4.01 4.01 4.00 4.00 4.00 4.00 3.99 3.99 3.99 3.99 3.98 3.98 3.98 3.98 3.98 3.97 3.97 3.97 3.97 3.97 3.97 3.96 3.96 3.96 3.96 3.96 3.96 3.95 3.95 3.95 3.95 3.95 3.95 3.95 3.20 3.20 3.19 3.19 3.18 3.18 3.18 3.17 3.17 3.16 3.16 3.16 3.16 3.15 3.15 3.15 3.15 3.14 3.14 3.14 3.14 3.13 3.13 3.13 3.13 3.13 3.12 3.12 3.12 3.12 3.12 3.12 3.11 3.11 3.11 3.11 3.11 3.11 3.11 3.10 3.10 3.10 3.10 3.10 3.10 2.81 2.80 2.80 2.79 2.79 2.79 2.78 2.78 2.78 2.77 2.77 2.77 2.76 2.76 2.76 2.76 2.75 2.75 2.75 2.75 2.74 2.74 2.74 2.74 2.74 2.73 2.73 2.73 2.73 2.73 2.72 2.72 2.72 2.72 2.72 2.72 2.72 2.71 2.71 2.71 2.71 2.71 2.71 2.71 2.71 2.57 2.57 2.57 2.56 2.56 2.55 2.55 2.55 2.54 2.54 2.54 2.53 2.53 2.53 2.53 2.52 2.52 2.52 2.52 2.51 2.51 2.51 2.51 2.50 2.50 2.50 2.50 2.50 2.50 2.49 2.49 2.49 2.49 2.49 2.49 2.48 2.48 2.48 2.48 2.48 2.48 2.48 2.48 2.47 2.47 2.42 2.41 2.41 2.40 2.40 2.40 2.39 2.39 2.39 2.38 2.38 2.38 2.37 2.37 2.37 2.37 2.36 2.36 2.36 2.36 2.35 2.35 2.35 2.35 2.35 2.34 2.34 2.34 2.34 2.34 2.33 2.33 2.33 2.33 2.33 2.33 2.33 2.32 2.32 2.32 2.32 2.32 2.32 2.32 2.32 2.30 2.30 2.29 2.29 2.29 2.28 2.28 2.28 2.27 2.27 2.27 2.26 2.26 2.26 2.25 2.25 2.25 2.25 2.24 2.24 2.24 2.24 2.24 2.23 2.23 2.23 2.23 2.232. 22 2.22 2.22 2.22 2.22 2.22 2.21 2.21 2.21 2.21 2.21 2.21 2.21 2.20 2.20 2.20 2.20 2.22 2.21 2.21 2.20 2.20 2.20 2.19 2.19 2.18 2.18 2.18 2.18 2.17 2.17 2.17 2.16 2.16 2.16 2.16 2.15 2.15 2.15 2.15 2.15 2.14 2.14 2.14 2.14 2.14 2.13 2.13 2.13 2.13 2.13 2.13 2.12 2.12 2.12 2.12 2.12 2.12 2.12 2.12 2.11 2.11 2.15 2.14 2.14 2.13 2.13 2.13 2.12 2.12 2.12 2.11 2.11 2.11 2.10 2.10 2.10 2.09 2.09 2.09 2.09 2.08 2.08 2.08 2.08 2.08 2.07 2.07 2.07 2.07 2.07 2.06 2.06 2.06 2.06 2.06 2.06 2.05 2.05 2.05 2.05 2.05 2.05 2.05 2.05 2.04 2.04 2.09 2.09 2.08 2.08 2.07 2.07 2.07 2.06 2.06 2.06 2.05 2.05 2.05 2.04 2.04 2.04 2.03 2.03 2.03 2.03 2.03 2.02 2.02 2.02 2.02 2.01 2.01 2.01 2.01 2.01 2.01 2.00 2.00 2.00 2.00 2.00 2.001. 99 1.99 1.99 1.99 1.99 1.99 1.99 1.99 2.04 2.04 2.03 2.03 2.03 2.02 2.02 2.01 2.01 2.01 2.00 2.00 2.00 2.00 1.99 1.99 1.99 1.98 1.98 1.98 1.98 1.981. 97 1.97 1.971. 97 1.96 1.96 1.96 1.96 1.96 1.96 1.95 1.95 1.95 1.95 1.95 1.95 1.95 1.94 1.94 1.94 1.94 1.94 1.94 2.00 2.00 1.99 1.99 1.99 1.981. 98 1.97 1.97 1.97 1.96 1.96 1.96 1.96 1.95 1.95 1.95 1.94 1.94 1.94 1.94 1.93 1.93 1.93 1.93 1.93 1.92 1.92 1.92 1.92 1.92 1.92 1.91 1.91 1.91 1.91 1.91 1.91 1.90 1.90 1.90 1.90 1.90 1.90 1.90 1.97 1.96 1.96 1.96 1.95 1.95 1.94 1.941. 94 1.93 1.93 1.93 1.92 1.92 1.92 1.91 1.911. 91 1.91 1.90 1.90 1.90 1.90 1.90 1.89 1.89 1.89 1.89 1.89 1.88 1.88 1.88 1.88 1.88 1.88 1.87 1.87 1.87 1.87 1.87 1.87 1.87 1.86 1.86 1.86 1.94 1.93 1.93 1.93 1.92 1.92 1.91 1.91 1.91 1.90 1.90 1.90 1.89 1.89 1.89 1.88 1.88 1.88 1.88 1.87 1.87 1.87 1.87 1.86 1.86 1.86 1.86 1.86 1.85 1.85 1.85 1.85 1.85 1.85 1.84 1.84 1.84 1.84 1.84 1.84 1.84 1.83 1.83 1.83 1.83 1.91 1.91 1.90 1.90 1.89 1.89 1.89 1.88 1.88 1.88 1.87 1.87 1.87 1.86 1.86 1.86 1.85 1.85 1.85 1.85 1.84 1.84 1.84 1.84 1.84 1.83 1.83 1.83 1.83 1.83 1.82 1.82 1.82 1.82 1.82 1.82 1.81 1.81 1.81 1.81 1.81 1.81 1.81 1.80 1.80 1.89 1.88 1.88 1.88 1.87 1.87 1.86 1.86 1.86 1.85 1.85 1.85 1.84 1.84 1.84 1.831. 83 1.83 1.83 1.82 1.82 1.82 1.82 1.81 1.81 1.81 1.81 1.81 1.80 1.80 1.80 1.80 1.80 1.79 1.79 1.79 1.79 1.79 1.79 1.79 1.78 1.78 1.78 1.78 1.78