Uji Normalitas
Jika dilihat diri histogram, terlihat bahwa sebaran data residul secara umum berada di dalam kurva yang berbentuk lonceng. Sehingga dapat disimpulkan
bahwa residual berdistribusi normal. Adapun uji normalitas yang digunakan dalam penelitian ini menggunakan
uji Kolmogorov-Smirnov untuk menguji sesuai goodness of fit. Dalam hal ini yang diperhatikan adalah tingkat kesesuaian antara distribusi nilai sampel
observasi dengan distribusi teoritis tertentu normal, uniform, eksponensial atau poisson. Jadi hipotesis statistiknya adalah bahwa distribusi frekuensi hasil
pengamatan bersesuaian dengan distribusi frekuensi harapan teoritis Tim penelitian dan pengembangan Wahana Komputer, 2006.
2.2. Uji Multikolinearitas Tabel 4.27
Uji Multikolinieritas
Coefficients
a
.979 1.021
.979 1.021
PROMOSI PENJUALAN X1 HARGA X2
Model 1
Tolerance VIF
Collinearity Statistics
Dependent Variable: KEPUTUSAN PEMBELIAN Y a.
Multikolinieritas digunakan untuk menunjukkan apakah ada hubungan linear diantara variabel-variabel independen dalam model regresi dalam hal
penelitian ini adalah apakah antara Promosi Penjualan dengan Harga. Ada tidaknya multikolinieritas didasarkan pada nilai VIF. Pada umumnya jika nilai
VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinieritas dengan variabel bebas yang lainnya. Jika dilihat pada output
Coefficients , pada model didapatkan nilai VIF untuk dua variabel independen
adalah di bawah 5 yaitu sebesar 1.021. yang berarti bahwa tidak terdapat multikolinieritas diatara kedua variabel independen tersebut. Sehingga asumsi
bebas dari multikolinieritas terpenuhi.
2.3. Uji Heteroskedastisitas Gambar 4.5
Uji Heteroskedastisitas
Berdasarkan grafik scatterplots terlihat bahwa titik-titik dari data menyebar secara acak serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y
dan tidak membentuk suatu pola tertentu. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak
digunakan untuk memprediksi Keputusan Pembelian.
Analisis dengan grafik plot memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah
pengamatan semakin sulit menginterpretasikan hasil grafik plot. Oleh karena itu
diperlukan uji statistik yang lebih dapat menjamin kekurangan hasil. Uji statistik
yang dipakai adalah Uji Breusch-Pagan, berikut adalah
pengujiannya: Hasil regresi Tabel Anova antara variabel dependen Keputusan Pembelian
Y dengan variabel independen Promosi Penjualan X1 dan Harga X2 :
Tabel 4.28
ANOVA
b
585.932 2
292.966 30.021
.000
a
653.840 67
9.759 1239.771
69 Regression
Residual Total
Model 1
Sum of Squares
df Mean Square
F Sig.
Predictors: Constant, HARGA X2, PROMOSI PENJUALAN X1 a.
Dependent Variable: KEPUTUSAN PEMBELIAN Y b.
Hasil regresi Tabel Anova antara variabel dependen Ln kuadrat dari residual hasil regresi dengan variabel independen Promosi Penjualan X1 dan
Harga X2 :
Tabel 4.29
ANOVA
b
8.004 2
4.002 .814
.447
a
329.404 67
4.916 337.407
69 Regression
Residual Total
Model 1
Sum of Squares
df Mean Square
F Sig.
Predictors: Constant, HARGA X2, PROMOSI PENJUALAN X1 a.
Dependent Variable: LNKuadrat Residual b.
2 2
: 2
SSR SSE
n
χ
=
SSR = Sum of Square Regression SSE = Sum of Square Error Residual
n = Jumlah sample
Berdasarkan hasil output di atas, nilai SSR diambil dari Sum of Square Regression antara Ln kuadarat residual dengan variable X1, dan X2 yaitu
sebesar = 8.004 Nilai SSE diambil dari Sum of Square Error Residual antara Y dengan
variable X1, X2 dan X3 di model 2 yaitu sebesar = 653.840. Sehingga perhitungan Chi-Square nya adalah sebagai berikut :
2 2
2
8.004 653.840
: 2
70 4.002
0.0459 87.246
χ χ
= =
= Dari hasil perhitungan didapatkan nilai
2
0.0459
hitung
χ
=
, maka dicari nilai
2 0.05,2
5.99
tabel
χ
=
. Karena
2 hitung
χ lebih kecil dari pada
2 0.05,3
tabel
χ 0.0459 5.99
maka bisa disimpulkan bahwa varians dari data adalah konstan sehingga dapat disimpulkan tidak terjadi heteroskedastisitas.
3. Analisis Regresi Linear Berganda 3.1. Koefisien Determinasi R
