54 besar dari 0,05 maka Ho ditolak dengan pengertian bahwa data yang dianalisis
berdistribusi normal. Demikian juga sebaliknya jika nilai sig probability lebih kecil dari 0,05 maka Ho diterima dengan pengertian bahwa data yang dianalisis
tidak berdistribusi normal. Berikut ini pengujian normalitas yang didasarkan dengan uji statistik nonparametik Kolmogorv-Smirnov K-S.
Tabel 4.7 Uji Kolmogrov Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 50
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .78155063
Most Extreme Differences Absolute
.084 Positive
.084 Negative
-.060 Kolmogorov-Smirnov Z
.592 Asymp. Sig. 2-tailed
.874 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2016 data diolah
Berdasarkan Tabel 4.7, terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0,874, ini berarti nilainya diatas nilai signifikan 5 0.05, dengan kata lain
variabel tersebut berdistribusi normal.
4.3.2 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians. Jika varians dari residual satu pengamatan ke pengamatan
yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau
55 tidak terjadi heteroskedastisitas. Ada beberapa cara untuk mendeteksi ada atau
tidaknya heteroskedastisitas, yaitu : 1. Analisis Grafik
Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas,
sedangkan jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
Sumber: Hasil Penelitian, 2016 data diolah
Gambar 4.4 Pengujian Heteroskedastisitas Scatterplot
Berdasarkan Gambar 4.4 dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka
berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi.
56 2. Analisis Statistik
Dasar analisis metode statistik adalah jika variabel bebas signifikan secara statistik
mempengaruhi variabel
terikat, maka
ada indikasi
terjadi heteroskedastisitas.
Tabel 4.8 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta 1
Constant 2.101
1.653 1.271
.210 Pelayanan
.131 .058
.346 2.249
.069 Kepercayaan
.008 .062
.017 .123
.903 Kepuasan
.038 .077
.075 .493
.624 a. Dependent Variable: RES2
Sumber: Hasil Penelitian, 2016 data diolah
Berdasarkan Tabel 4.8 dapat diketahui bahwa tidak satupun variabel bebas yang signifikan secara statistik mempengaruhi variabel terikat RES2.Hal ini
terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 jadi disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
4.3.3 Uji Multikolinieritas
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor, Kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance 0,1, dan VIF 5, maka tidak terjadi multikolinieritas.
57
Tabel 4.9 Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
-1.359 2.885
-.471 .640
Pelayanan .436
.102 .476
4.282 .000
.822 1.217
Kepercayaan .358
.109 .334
3.287 .002
.983 1.017
Kepuasan .282
.134 .232
2.103 .041
.834 1.200
a. Dependent Variable: Loyalitas
Sumber: Hasil Penelitian, 2016 data diolah
Berdasarkan Tabel 4.9 dapat terlihat bahwa data variabel tidak terkena multikolinieritas karena nilai VIF 5 dan nilai Tolerance 0,1 sehingga model
regresi layak dipakai untuk memprediksi loyalitas berdasarkan masukan variabel pelayanan, varibel kepercayaan, dan variabel kepuasan.
4.4 Analisis Linier Berganda
