83
mengusulkan untuk meregres nilai absolut residual terhadap variabel independen dengan persamaan regresi:
│Ut│= α + βXt + vt
Tabel4.21 Hasil Uji Gletser Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
6.104 3.739
1.633 .105
Citra_merek .044
.109 .058
.401 .689
Sikap_konsumen .043
.067 .061
.643 .521
Asosiasi_merek -.069
.068 -.144
-1.006 .317
a. Dependent Variable: AbsUi Sumber : Data primer diolah, 2013
Berdasarkan tabel diatas menunjukan variabel citra merek, sikap konsumen dan asosiasi merek memiliki nilai signifikansi 0,689; 0,521 dan
0,317yang kesemuanya mempunyai nilai signifikansi diatas 0,05. Berarti tidak terdapatheteroskedastisitas dalam model ini, dengan kata lain semua variabel
independen yang terdapat dalam model ini memiliki sebaran varian yang sama homogen.
4.1.3.3 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan penganggu pada periode t dengan
kesalahan penganggu pada periode t-1 sebelumnya. Salah satu cara untuk mendeteksi ada atau tidaknya autokorelasi yaitu dengan melakukan Uji
Durbin-Watson DW test Ghozali, 2011: 110.
84
Berikut ini hasil uji autokorelasi yang dinyatakan dengan Durbin- Watson yang dalam perhitungannya menggunakan program SPSS for
windows versi 16 dapat dilihat pada tabel 4.22
Tabel 4.22 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.617
a
.380 .364
5.73055 1.901
a. Predictors: Constant, Asosiasi_merek, Sikap_konsumen, Citra_merek
b. Dependent Variable: ProsesKeputusan_pembelian Sumber : Data primer diolah, 2013
Berdasarkan tabel 4.22 terlihat bahwa hasil uji autokorelasi yang ditunjukan dengan nilai Durbin-Watson sebesar 1,901 nilai ini akan dibandingkan
dengan nilai tabel dengan menggunakan nilai signifikan 5 jumlah sampel 115 n dan jumlah variabel independen 3 k=3, maka nilai dl = 1,643 du = 1,750.
Karena nilai DW 1,901 lebih besar dari batas atas 1,750 lebih kecil dari pada 4- du = 4-1,750 = 2,250.
du d 4 – du
= 1,750 1,901 4-1,750 = 1,750 1,901 2,250
4.1.3.4 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal.
Model regresi yang baik adalah model regresi yang memiliki distribusi
85
data normal atau mendekati normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak normal yaitu dengan
analisis grafik dan uji statistik non-parametrik Kolmogorov-Smirnov K- SGhozali, 2011: 165.
a. Analisis Grafik Cara pertama yang sering digunakan untuk melihat normalitas
data yaitu dengan melihat histrogam residual, yaitu jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik
histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
Adapun uji normalitas tersebut dapat dilihat pada gambar 4.2 berikut:
86
Gambar: 4.2Normal P-P Plot Sumber: data primer diolah, 2013
Berdasarkan gambar 4.2 diketahui bahwa tampilan pada grafik normal probability plot menunjukan bahwa grafik data menyebar
disekitar garis diagonal 45 dan mengikuti arah garis diagonal, maka dapat disebut model regresi ini berdistribusi normal.
b. Uji Statistik Adapun cara kedua yang digunakan untuk menentukan data
berdistribusi normal atau tidak yaitu dengan menggunakan uji statistik
87
non-parametrik Kolmogorov-Smirnov K-S. jika nilai sig 2-tailed lebih besar daripada 5 , maka data berdistribusi normal.
Tabel 4.23 Uji Kolmogorov-Smirnov
Sumber: Data primer diolah, 2013 Berdasarkan
hasil uji
Kolmogorov-Smirnov pada
tabel 4.23menunjukan nilai 0,835 dengan tingkat signifikansi lebih besar dari
0,05 yaitu 0,488. Hasil nilai Kolmogorov-Smirnov tidak siknifikan, maka dapat disimpulkan data residual berdistribusi normal dan model regresi
memenuhi asumsi normalitas
4.1.4 Metode Analisis Data 4.1.4.1