Uji Multikolonieritas Uji Asumsi Klasik

4.1.3. Uji Asumsi Klasik

4.1.3.1. Uji Multikolonieritas

Syarat berlakunya model regresi berganda adalah antar variabel bebasnya tidak memiliki hubungan sempurna atau tidak mengandung multikolonieritas. Pengujian multikolonieritas dapat dilihat dari nilai tolerance dan lawannya Variance Inflation Factor VIF Hasil pengujian multikolinearitas selengkapnya dapat dilihat pada tabel berikut : Tabel 4.11.Hasil Uji Multikolonieritas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant .172 .941 .183 .855 Bukti Fisik .224 .073 .201 3.053 .003 .193 5.178 Keandalan .308 .100 .213 3.092 .003 .177 5.636 Ketanggapan .253 .097 .171 2.606 .011 .194 5.147 Jaminan .204 .092 .142 2.224 .029 .205 4.887 Empati .467 .123 .296 3.781 .000 .137 7.324 a. Dependent Variable: Keputusan Pembelian jasa Sumber : Analisis data penelitian 2013 Hasil nilai Tolerance menunjukkan tidak ada variabel bebas yang memiliki nilai tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel bebas. Hasil perhitungan nilai Inflation Factor VIF juga menunjukkan hal yang sama tidak ada satu variabel bebas yang memiliki nilai VIF lebih dari 10. jadi dapat disimpulkan bahwa tidak ada multikolonieritas antar variabel bebas dalam model regresi. 4.1.3.2.Uji Autokorelasi Uji Autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi anatara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada metode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Hasil pengujian autokorelasi selengkapnya dapat dilihat pada tabel berikut : Tabel 4.12. Hasil Uji Autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .960 a .922 .918 1.80217 1.860 a. Predictors: Constant, Empati, Ketanggapan, Bukti Fisik, Jaminan, Keandalan b. Dependent Variable: Keputusan pembelian jasa Sumber : Analisis data penelitian 2013 Uji Durbin Watson memberikan nilai DW 1,860 yang dibandingkan dengan nilai table menggunnakan nilai signifikan 5, jumlah sampel 99 n dan jumlah variabel bebas 5 k=5, maka di table Durbin Watson akan didapatkan nilai du=1,780. Nilai DW lebih besar dari batas atas du 1,780 dan kurang dari 4 -1,780 du, maka dapat disimpulkan bahwa tidak terdapat autokorelasi. 4.1.3.3.Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah yang tidak mengandung heteroskedastisitas Ghozali, 2006: 125. Untuk mengetahui gejala heteroskedastisitas dilakukan dengan mengamati grafik scatterplot melalui SPSS, model yang bebas dari heteroskedastisitas memiliki grafik scatterplot dengan pola titik-titik menyebar. Lebih jelasnya pola scatter plot dari hasil perhitungan diperlihatkan di bawah ini. Regression Standardized Predicted Value 2 1 -1 -2 -3 Regression St udent iz ed Residu al 4 2 -2 -4 Scatterplot Dependent Variable: Keputusan Berkunjung Gambar 4.1. Hasil Uji Heteroskedastisitas Dari grafik scatterplots terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi. Sehingga model regresi layak dipakai untuk memprediksi keputusan berkunjung berdasarkan masukan variable bebas bukti fisik, keandalan, ketanggapan, jaminan, dan empati. Selain itu nuga mengunakan uji Glejser. Hasil Uji Glejser sebagai berikut: Tabel 4.13. Hasil Uji Heteroskedastisitas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 2.380 .558 4.266 .000 Bukti Fisik -.069 .043 -.355 -1.589 .116 Keandalan .116 .059 .460 1.969 .052 Ketanggapan -.133 .058 -.516 -1.615 .063 Jaminan .032 .054 .127 .584 .561 Empati .033 .073 .120 .451 .653 a. Dependent Variable: absid Hasil tampilan output SPSS dengan menunjukkan bahwa tidak ada satupun variable bebas yang signifikan secara statistic mempengaruhi variabel dependen nilai absolute Ut AbsUt. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi dapat disimpulkan model regresi tidak mengandung adanya Heterokedastisitas. 4.1.3.4.Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Salah satu cara melihat normalitas residual dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Selain itu pengujian normalitas dilakukan dengan menggunakan uji kolmogorov-smirnov test. Jika tingkat signifikansi probabilitas 0.05 maka data penelitian berdistribusi normal. Berikut hasil uji normalitas dengan dibantu spss: Gambar 4.2. Grafik Normal Plot Sedangkan tampilan grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal. Kedua grafik ini menunjukkan bahwa model regresi memenuhi asumsi normalitas. Tabel 4.14. Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test 99 .0000000 1.75559303 .052 .034 -.052 .521 .949 N Mean Std. Deviation Normal Parameters a, b Abs olute Pos itive Negative Mos t Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed Uns tandardiz ed Res idual Tes t distribution is Normal. a. Calculated from data. b. Berdasarkan hasil uji normalitas di atas, terlihat nilai Asymp. Sig. 2-tailed sebesar 0.949 dengan probabilitas 0.05 maka data penelitian berdistribusi normal.

4.1.4 Hasil Analisis Regresi Linier Berganda