Asumsi Klasik HASIL DAN PEMBAHASAN

dengan pernyataan ini dan 64 responden yang menyatakan sangat setuju dengan pernyataan ini. Maka dapat diambil kesimpulan bahwa sebanyak 64 responden yang menyatakan sangat setuju bahwa para responden berbelanja di Ramayana karena berbelanja di Ramayana karena keamanan dan kenyamanan dalam berbelanja sangat terjamin sehingga tertarik berbelanja di Ramayana.

D. Asumsi Klasik

Suatu model persamaan regresi yang telah di uji dan dibutuhkan dapat diterima secara ekonometrik, maka diperlukan cara sebagai estimasi yaitu dengan menggunakan OLS metode kuadrat terkecil. Dapat dikatakan bahwa setiap penelitian tidak akan dapat menghindari pengimpangan dari asumsi kenormalan klasik. Untuk dapat memenuhi syarat BLUE Best Linier Unbias Estimate , maka dapat diperlukan beberapa asumsi klasik sebagai berikut: 1. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Cara untuk mengetahui normalitas adalah dengan melihat Normal Probability plot yang membandingkan distribusi normal. Distribusi normal akan membentuk suatu garis lurus diagonal. Jika distribusi data adalah normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Triton P.B., 2006 : 151 Observed Cum Prob 1.0 0.8 0.6 0.4 0.2 0.0 E xp ec te d C um P ro b 1.0 0.8 0.6 0.4 0.2 0.0 Normal P-P Plot of Regression Standardized Residual Dependent Variable: Keputusan pembelian Untuk mengetahui variabel dependen dan independen atau keduanya berdistribusi normal atau tidak, dapat dilihat pada gambar 4.1. berikut. Gambar 4.1 Uji Normalitas Data Sumber: Data Primer yang telah diolah Berdasarkan gambar 4.1 diatas bahwa Normal P-P Plot of Regression Standardized Residual menunjukkan bahwa titik-titik menyebar disekitar garis diagonal atau mengikuti arah garis diagonal, maka model regresi layak digunakan atau berdistribusi normal. 2. Uji Multikolinearitas Uji multikolinearitas diperlukan untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lain dalam satu model. Dalam penelitian ini, ada tidaknya gejala multikolinearitas dilihat dari nilai Tolerance dan Variance Inflation Factor VIF. Model regresi yang bebas dari masalah multikolinearitas menurut Triton P.B. yaitu pada nilai VIF Variance Inflation Factor bernilai tidak lebih dari 10 dan nilai Toleransinya tidak kurang dari 0,1. Hasil uji multikolinearitas dalam penelitian ini ditunjukkan pada tabel 4.34 berikut : Table 4.34 Hasil Uji Multikolinearita Coefficients a .954 1.048 .991 1.009 .976 1.024 .830 1.205 .804 1.244 Produk Harga Lokasi Promosi Kualitas Pelayanan Model 1 Tolerance VIF Collinearity Statistics Dependent Variable: Keputusan pembelian a. Sumber: Data Primer yang telah diolah Jika kita lihat tabel 4.34 di atas, dapat diketahui bahwa Variance Inflation Factor VIF pada hasil Output SPSS tabel coefficients, masing-masing variabel independen memiliki nilai VIF tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1. Pada variabel produk VIF bernilai 1,048 dengan nilai Tolerance sebesar 0,954. Pada variabel harga VIF bernilai 1,009 dengan nilai Tolerance sebesar 0,991. Pada variabel lokasi VIF bernilai 1,024 dengan nilai Tolerance sebesar 0,976. Pada variabel promosi VIF bernilai 1,205 dengan nilai Tolerance sebesar 0,830. Pada variabel kualitas pelayanan VIF bernilai 1,244 dengan nilai Tolerance sebesar 0,804. Maka dapat disimpulkan bahwa model regresi pada penelitian ini tidak mengalami gangguan multikolinearitas atau tidak terdapat korelasi antar variabel bebas sehingga model regresi layak digunakan. 3. Uji Autokorelasi Uji autokorelasi merupakan tujuan pengujian asumsi dalam regresi dimana variabel dependen tidak berkorelasi dengan dirinya sendiri. Artinya bahwa nilai dari variabel dependen tidak berhubungan dengan variabel itu sendiri, baik nilai periode sebelumnya t-1 maupun nilai periode sesudahnya T. Untuk mendeteksi gejala autokorelasi maka peneliti menggunakan nilai Durbin-Watson DW pada model regresi sebagai acuan Triton P.B., 2006 : 58. Jika Durbin-Watson bernilai antara -2 sampai dengan 2, maka dapat disimpulkan bahwa tidak terdapat autokorelasi. Hasil uji autokorelasi dapat dilihat dalam tabel 4.35 berikut ini : Tabel 4.35 Hasil Uji Autokorelasi Model Summary b .326 a .521 .659 1.827 .626 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson Predictors: Constant, Kualitas Pelayanan, Harga, Lokasi , Produk, Promosi a. Dependent Variable: Keputusan pembelian b. Sumber: Data Primer yang telah diolah Berdasarkan pada tabel di atas dapat diketahui bahwa nilai Durbin- Watson adalah sebesar 0,626 artinya nilai Durbin Watson berada diantara Regression Standardized Predicted Value 3 2 1 -1 -2 -3 R e g re s s io n S tu d e n ti z e d R e s id u a l 2 -2 -4 Scatterplot Dependent Variable: Keputusan pembelian -2 sampai dengan 2. Jadi dapat disimpulkan bahwa model tersebut tidak ada atau tidak terjadi autokorelasi antara kesalahan pengganggu pada periode T dengan kesalahan pada periode t-1. 4. Uji Heterokedatisitas Masalah heteroskedastisitas terjadi apabila kesalahan atau residual pada model yang sedang diamati tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya. Gejala heteroskedastisitas lebih sering terjadi apabila regresi menggunakan data berupa silang tempat cross-section dibandingkan dengan data runtut waktu time-series. Hasil uji heterokedastisitas dapat dilihat pada gambar di bawah ini: Gambar 4.2 Hasil Uji Heterokedastisitas Sumber: Data Primer yang telah diolah Berdasarkan gambar 4.2 diatas, Cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari pola gambar Scatterplot model tersebut. Analisis pada gambar Scatterplot yang menyatakan model linier berganda tidak terdapat heteroskedastisitas jika Triton P.B., 2006 : 152 : • • • • Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. • • • • Titik-titik data tidak mengumpul hanya di atas atau di bawah saja. • • • • Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali. • • • • Penyebaran titik-titik data sebaiknya tidak berpola. Dari gambar 4.2 terlihat bahwa penyebaran residual adalah tidak teratur. Hal tersebut dapat dilihat dari plot yang terpencar serta tidak membentuk suatu pola tertentu. Sehingga dapat disimpulkan bahwa model regresi linear berganda bebas dari heteroskedastisitas.

E. Analisa Regresi Berganda