49
yang homoskedastisitas atau tidak
terjadi heteroskedastisitas. Kebanyakan data crossection mengandung situasi heteroskedastisitas
karena data ini menghimpun data yang mewakili berbagai ukuran kecil, sedang, dan besar.
Salah satu
cara untuk
mendeteksi ada
atau tidaknya
heteroskedastisitas adalah dengan melihat pada grafik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya
SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada atau tidaknya pola tertentu pada grafik scatterplot
antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah residual Y prediksi
– Y sesungguhnya yang telah di-studentized. Dengan analisis jika ada pola tertentu, seperti
titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan
telah terjadi heteroskedastisitas dan jika tidak ada pola yang jelas, serta tistik-titik menyebar di atas dan dibawah angka 0 pada sumbu Y, maka
tidak terjadi heteroskedastisitas Ghozali, 2012:139.
3. Analisis Regresi Berganda
Metode regresi digunakan untuk mengasumsikan bahwa terdapat hubungan linier antara variable kepuasan konsumen dengan kulitas
pelayanan. Adapun model persamaan regresi yang dapat diperoleh dalam analisis ini adalah :
Y =
а
+ β
1
X
1
+ β
2
X
2
+ X
3
+ X
4
e
50
Keterangan: Y = Kepuasan konsumen
a =
Constanta β1 = Koefisien Regresi antara kualitas pelayanan dengan
kepuasan konsumen Koefisien Regresi antara kualitas produk dengan kepuasan
konsumen Koefisien Regresi antara Experiential Marketing dengan
kepuasan konsumen Koefisien Regresi antara lokasi dengan kepuasan konsumen
X1 = Kualitas pelayanan X2 = Kualitas Produk
X3 = Experiential Marketing X4 = Lokassi
e = error Pada dasarnya analisis regresi adalah untuk memperoleh
persamaan regresi dengan cara memasukan perubahan satu demi satu sehingga dapat diketahui pengaruh yang paling kuat sampai
dengan yang paling lemah.
4. Analisis Koefisien Korelasi R
Pada penelitian ini saya sebagai peneliti tidak menganalisis Koefisien Korelasi R dikarenkan peneliti menggunkan penelitian
Koefisien Determinasi Adjust R Square.
51
5. Koefisien Determinasi R
2
Menurut Ghozali 2012:97, Koefisiensi determinasi R
2
pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi
variabel independen. Nilai koefisiensi determinasi adalah antara nol dan satu. Nilai R
2
yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang
mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel dependen.
kelemahan mendasar dalam penggunaan koefisiensi determinasi adalah jumlah variabel independen, maka R
2
pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel
independen. oleh karena itu, banyak peneliti yang menganjurkan untuk menggunakan nilai Adjusted R
2
pada saat mengevaluasi mana model regresi yang terbaik. Tidak sepeerti nilai R
2
, nilai Adjusted R
2
dapat naik atau turun apabila satu variabel independen ditambahkan kedalam model.
6. Pengujian Hipotesis