90
18 responden dengan presentase 25,7 menjawab sangat setuju menyatakan bahwa responden akan membeli pulsa GSM XL prabayar
dengan jumlah nominal yang lebih besar.
4. Uji Asumsi Klasik
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah suatu model regresi, variabel pengganggu atau variabel residual memiliki distribusi
normal.Model data yang baik adalah berdistribusi normal atau mendekati normal Ghozali, 2011:160. Untuk melihat data berdistribusi normal
dapat dilakukan dengan memperhatikan normal probability plot pada scatter plot
berdistribusi normal.
Gambar 4.1 Hasil Uji Normalitas
Sumber: Hasil output SPSS data primer yang diolah, 2013
91
Berdasarkan gambar 4.1 diatas dapat disimpulkan bahwa dalam grafik normal p-plot terlihat titik menyebar di sekitar garis diagonal, dan
penyebarannya tidak terlalu jauh atau melebar. Berarti dari grafik ini menunjukkan bahwa model regresi sesuai asumsi normalitas dan layak
digunakan. Selain dengan melihat grafik, normalitas data juga dapat dilihat
melalui uji statistik yaitu dengan uji statistik non-parametrik Kolmogrov- Smirnov
pada alpha sebesar 5. Jika nilai signifikansi dari pengujian Kolmogrov-Smirnov
lebih besar dari 0,05 berarti data normal.
Tabel 4.53 Uji Normalitas Kolmogorov-Smirnov
Sumber: Hasil output SPSS data primer yang diolah, 2013
Berdasarkan uji statistik normalitas pada tabel 4.53 di atas menunjukkan Kolmogrov-Smirnov sebesar 0,801 dan signifikansi pada
0,543 lebih besar dari 0,05, maka dapat disimpulkan bahwa data terdistribusi dengan normal.
RPI N
70 Normal Parameters
a,b
Mean 37.43
Std. Deviation 5.115
Most Extreme Differences Absolute
.096 Positive
.096 Negative
-.073 Kolmogorov-Smirnov Z
.801 Asymp. Sig. 2-tailed
.543
92
b. Uji Multikolinearitas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independent.
Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas independent. Uji multikolinieritas dapat dilihat dari nilai
tolerance dan Variance Inflation Factor VIF. Nilai tolerance yang rendah sama dengan nilai VIF yang tinggi karena VIF = 1Tolerance.
Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikilonieritas adalah nilai tolerance
≥ 0,10 atau sama dengan nilai VIF ≤ 10. Tingkat kolinieritas yang dapat ditolerir adalah nilai tolerance 0,10
atau sama dengan tingkat multikolinieritas 0,95 Ghozali, 2011: 105-106. Hasil uji multikolinieritas dapat dilihat pada tabel 4.54 :
Tabel 4.54 Hasil Uji Multikolinieritas
a.
Dependent Variable
:
Repurchase Intention
Sumber: Hasil output SPSS data primer yang diolah, 2013
Berdasarkan data pada tabel 4.54 di atas dapat diketahui bahwa syarat untuk lolos dalam uji multikolinieritas sudah terpenuhi oleh seluruh
variabel independen yang ada, yaitu nilai tolerance yang lebih besar dari
Model Collinearity Statistics
Tolerance VIF
constant
Switching Cost Attractiveness of Alternative
Interpersonal Relationship Service Recovery
0,879 0,960
0,830 0,948
1,138 1,041
1,205 1,055
93
0,10 dan nilai VIF Variance Inflation Factor yang tidak lebih dari 10. Pada tabel di atas, nilai tolerance variabel bebas switching cost sebesar
0,879, attractiveness of alternative sebesar 0,960, interpersonal relationship
sebesar 0,830, dan service recovery sebesar 0,948. Sedangkan nilai VIF variabel bebas switching cost sebesar 1,138, attractiveness of
alternative sebesar 1,041, interpersonal relationship sebesar 1,205, dan
service recovery sebesar 1,055. Oleh karena itu, dapat disimpulkan bahwa
seluruh variabel independen yang digunakan dalam penelitian ini tidak berkorelasi antara variabel independen satu dengan variabel independen
yang lainnya.
c. Uji Heteroskedastisitas
UJi heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke
pengamatan yang lain. Jika residual satu pengamatan ke pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut
Heterokedastisitas. Model
regresi yang
baik adalah
yang homoskedastisitas atau tidak heteroskedastisitas Ghozali, 2011:139.
Gambar di bawah ini merupakan hasil dari uji heteroskidastisitas .
94
Gambar 4.2 Hasil Uji Heteroskedastisitas
Sumber: Hasil output SPSS data primer yang diolah, 2013 Berdasarkan gambar di atas dapat terlihat bahwa distribusi data tidak
teratur dan tidak membentuk pola tertentu, serta tersebar di atas dan di bawah angka 0 pada sumbu Y, sehingga dapat disimpulkan bahwa pada
model regresi ini tidak terjadi masalah Heteroskedastisitas. Untuk memperkuat bahwa data bebas dari Heteroskedastisitas, data
akan diuji kembali dengan Uji Glejser, uji ini digunakan untuk memberikan angka-angka yang lebih detail untuk menguatkan apakah
data yang akan diolah mengalami heteroskedastisitas atau tidak. Ada atau tidaknya heteroskedastisitas dapat dilihat dari nilai signifikansi variabel
bebas terhadap variabel terikat. Apabila hasil dari uji glejser kurang dari atau sama dengan 0,05 maka dapat disimpulkan bahwa data mengalami
heteroskedastisitas dan sebaliknya Ghozali, 2011: 143.
95
Tabel 4.55 Hasil Uji Glejser
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta
1 Constant
2.722 3.462
.786 .435
SWC -.077
.051 -.194
-1.519 .134
ATA -.010
.067 -.019
-.152 .880
IPR .137
.079 .230
1.744 .086
SVR -.008
.028 -.038
-.307 .760
a. Dependent Variable: RES2
Sumber: Hasil output SPSS data primer yang diolah, 2013 Berdasarkan tabel di atas dapat disimpulkan bahwa tidak terdapat
heteroskedastisitas pada persamaan regresi tersebut. Hal itu terlihat dari tidak adanya variabel bebas yang memiliki signifikansi di bawah 0,05.
Variabel bebas switching cost memiliki signifikansi sebesar 0,134, attractiveness of alternative
sebesar 0,880, interpersonal relationship sebesar 0,086, dan service recovery sebesar 0,760. Dengan demikian dapat
disimpulkan bahwa persamaan regresi dengan menggunakan uji glejser tidak terjadi heteroskedastisitas.
5. Koefisien Determinasi R