63
Tabel 4.14. Hasil pengujian Normalitas Kolmogorof-Smirnov
Statistic df Sig. Keakuratan X
1
0,172 20
0,122 Tepat Waktu X
2
0,186 20
0,068 Relevan X
3
0,187 20
0,066 Kepuasan Pengguna Y
0,148 20
0,200 Sumber : lampiran 4
Berdasarkan tabel diatas dapat diketahui bahwa nilai normalitas yang diperoleh mempunyai taraf signifikan yang lebih besar dari 0,05. Hal
ini membuktikan bahwa semua variabel yang diteliti berdistribusi normal.
4.3.2. Pengujian Asumsi Klasik
4.3.2.1.Uji Multikolinieritas
Identifikasi secara statistik ada atau tidaknya gejala multikolinier dapat dilakukan dengan menghitung Variance Inflation Factor VIF. Dari
hasil pengujian terhadap gejala mulitikolinieritas diperoleh hasil sebagai berikut :
Tabel 4.15. Hasil uji Multikolinieritas Variabel bebas
Tolerance VIF
Keakuratan 0,807 1,239
Tepat Waktu 0,801
1,248 Relevan 0,972
1,028 Sumber : lampiran 6
Berdasarkan hasil pengujian dapat diketahui bahwa nilai VIF seluruh variabel bebas dalam penelitian ini lebih kecil dari 10, artinya
seluruh variabel bebas pada penelitian ini tidak terjadi gejala multikolinier
Gujarati, 1995: 339.
64
4.3.2.2.Uji Heteroskedastisitas
Maksud dari penyimpangan heteroskedastisitas adalah variabel independen adalah tidak konstan berbeda untuk setiap nilai tertentu
variabel independen. Hal ini bisa diidentifikasikan dengan cara menghitung korelasi Rank Spearman antara residual dengan seluruh
variabel independen atau yang menjelaskan dimana nilai signifikansi yang diperoleh harus lebih besar dari 0,05.
Hasil pengujian heteroskedastisitas pada penelitian ini dapat dilihat pada tabel berikut ini :
Tabel 4.16. Hasil Pengujian Heteroskedastisitas No
Variabel Nilai mutlak
dari residual Taraf
Signifikansi 1. Keakuratan
0,122 0,607
2 Tepat Waktu
0,163 0,493
3 Relevan -0,063
0,790 Sumber : lampiran 7
Berdasarkan tabel diatas dapat diketahui bahwa, tingkat signifikan koefisien Rank Spearman untuk semua variabel bebas terhadap residual
adalah lebih besar dari 0,05 yang berarti pada model regresi ini tidak terjadi heteroskedastisitas.
4.3.2.3.Autokorelasi
Autokorelasi dapat didefinisikan sebagai “korelasi antara data observasi yang diurutkan berdasarkan urut waktu data time series atau
data yang diambil pada waktu tertentu data cross sectional” Gujarati, 1995: 422. Uji autokorelasi bertujuan menguji apakah dalam suatu model
65
regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1. Jadi dalam model regresi linear
diasumsikan tidak terdapat gejala autokorelasi. Artinya nilai residual Y observasi – Yprediksi pada waktu ke-t e
t
tidak boleh ada hubungan dengan nilai residual periode sebelumnya e
t-1
. Identifikasi gejala autokorelasi dapat dilakukan dengan kurva di bawah ini.
Gambar 4.1 : Distribusi Daerah Keputusan Autokorelasi
4-du = 2,324
4-dl = 3,002
D.W = 2,149
dl = 0,998
A d
a Au toko
relasi Po
sitif Daera
h kera
g u
-ra gua
n
Daera h
Kera g
u -ra
gua n
A d
a Au toko
relasi negat
if Tidak Ada
Autokorelasi
du = 1,676
Berdasarkan gambar diatas dapat diketahui bahwa distribusi
daerah penentuan keputusan dimulai dari 0 nol sampai 4 empat. Dan dapat disimpulkan karena nilai dari analisis sebesar 2,149 berada pada
daerah tidak ada autokorelasi sehingga dapat diputuskan bahwa telah terbebas dari penyimpangan autokorelasi.
Dari hasil pengujian yang telah dilakukan dapat disimpulkan bahwa model analisis regresi linier berganda tersebut telah bebas dari
penyimpangan-penyimpangan asumsi klasik, yaitu bebas dari
66
penyimpangan multikolinieritas, autokorelasi dan heteroskedastisitas sehingga layak untuk dilakukan pengujian regresi linier berganda.
4.3.3. Hasil Pengujian Regresi Linier Berganda
