Tabel 4. Rentang skala indeks variabel
Nilai Indeks Kategori
1,00 – 1,75
Sangat Tidak Setuju 1,76
– 2,50 Tidak Setuju
2,51 – 3,25
Setuju 3,26
– 4,00 Sangat Setuju
Sumber: Data primer yang diolah, 2012
3.6.4 Method of Successive Interval
Penentuan bobot dalam penelitian ini adalah dinilai dengan skala likert dalam menjaring tanggapan responden yang mampu mencerminkan
tingkat kesetujuan atau ketidaksetujuan dengan pertanyaan besangkutan dengan tingkatan jawaban yang diharapkan peneliti yaitu dimulai dari
Sangat Tidak Setuju STS, Tidak Setuju TS, Setuju S, dan Sangat Setuju SS. Skala likert termasuk kategori skala ordinal maka pengukuran
dengan menggunakan skala likert tidak bisa dianalisis dengan uji regresi linier berganda, sehingga digunakan method of successive interval MSI
untuk merubah menjadi skala interval agar data dapat dianalisis dengan menggunakan uji regresi linier berganda, di mana hasil transformasi data
ordinal menjadi data interval dengan menggunakan program aplikasi Microsoft Excel 2007.
Menurut Al-Rasyid 1994 langkah-langkah dalam method of successive interval MSI adalah sebagai berikut:
a. Mencari f frekuensi jawaban responden.
b. Membagi setiap bilangan pada f frekuensi dengan N jumlah sampel
sehingga diperoleh proporsi yang berumus:
c. Jumlahkan p proporsi secara berurutan untuk setiap item pertanyaan,
sehingga didapakan hasil proporsi kumulatif yang berumus: Pki = Pk i
– 1 + Pi…………………………………………………..8 4.
Proporsi kumulatif Pk dianggap mengikuti distribusi normal baku untuk kemudian menentukan nilai Z untuk setiap item.
5. Hitung scale value SV yang berumus:
6. Menentukan nilai transformasi nilai skala interval yang berumus:
Nilai transformasi = Nilai Skala + [Nilai Skala Minimum] + 1 ……10
3.6.5 Uji Asumsi Regresi
Untuk mengetahui besarnya pengaruh price satisfaction, trust in brand, quality of product, dan customer switching cost produk IM3
terhadap customer retention pada mahasiswa DIII FEB UNPAD diperoleh data hasil penyebaran kuesioner yang bersifat ordinal dinaikkan ke skala
pengukuran interval dengan bantuan program MSI. Setelah data diubah ke dalam bentuk interval, kemudian dilakukan uji normalitas, uji
multikolinearitas, dan uji heteroskedastisitas sebagai rangkaian uji kelayakan data, yang dapat dijelaskan sebagai berikut:
1. Uji Normalitas
Uji normalitas dimaksudkan untuk mengetahui apakah residual yang diteliti berdistribusi normal atau tidak, di mana hasil perhitungan
dapat dilihat bahwa hasil pengujian normalitas data dalam penelitian ini dengan melihat grafik normal probability plot dan histogram pada
Gambar 2 dan 3 yang menunjukkan bahwa data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal serta grafik histogram
juga menunjukkan distribusi normal, maka dapat disimpulkan model regresi dalam penelitian ini memenuhi asumsi normalitas.
Gambar 2. Normal P-Plot of Regression Standardized Residual
Gambar 3. Histogram
2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi dengan melihat nilai variance
inflation factor VIF dan nilai tolerance, di mana dari hasil perhitungan terlihat bahwa masing-masing variabel independen
memiliki nilai VIF tidak lebih dari 10 dan nilai tolerance tidak kurang dari 0,1, sehingga dapat disimpulkan bahwa model regresi dalam
penelitian ini tidak terdapat multikolinearitas antar variabel bebas, yang ditunjukkan pada Tabel 5.
Tabel 5. Nilai tolerance dan VIF dalam uji multikolinearitas
Variabel Tolerance
VIF Price Satisfaction PS
0,751 1,331
Trust in Brand TB 0,918
1,089 Quality of Product QP
0,793 1,261
Customer Switching Cost CSC 0,858
1,165 Sumber: Data primer yang diolah, 2012
3. Uji Heteroskedastisitas
Uji heteroskedastisitas yaitu situasi dimana terdapat kecenderungan adanya pengelompokkan pada suatu variabel yang tingkat variasi data
antar kelompok tersebut berbeda, di mana dari grafik scatterplot dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas pada data
yang digunakan dalam penelitian ini karena terlihat data menyebar secara acak baik di atas maupun di bawah nilai 0 sumbu Y dan tidak
membentuk pola atau gelombang garis tertentu secara jelas, yang ditunjukkan pada Gambar 4.
Gambar 4. Scatterplot dalam uji heteroskedastisitas Berdasarkan hasil uji asumsi regresi sebagai rangkaian uji
kelayakan data, sehingga dapat disimpulkan bahwa model regresi dalam penelitian ini layak dipakai untuk memprediksi customer
retention berdasarkan masukan variabel independen price satisfaction PS, trust in brand TB, quality of product QP, dan customer
switching cost CSC.
3.6.6 Uji Ketepatan Model Goodness of Fit