Tabel 4.7
N-Par Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 88
Normal Parameters
a,b
Mean 0E-7
Std. Deviation .96695244
Most Extreme Differences Absolute
.078 Positive
.078 Negative
-.053 Kolmogorov-Smirnov Z
.734 Asymp. Sig. 2-tailed
.654 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil penelitian, 2013 data diolah Melalui Tabel 4.6 terlihat bahwa nilai Asymp. Sig. 2-tailed adalah 0,654
dan diatas nilai signifikan 0,05. Dapat disimpulkan bahwa data residual berdistribusi normal. Nilai kolmogorov-smirnov Z dari Tabel 4.6 yaitu 0,734 dan
lebih kecil dari 1,97 berarti tidak ada perbedaan antara distribusi teoritik dan distribusi empiric atau dengan kata lain data dikatakan normal.
2. Uji Heteroskedastisitas
Metode ini digunakan untuk menguji apakah dalam sebuah model regresi terjadi kesamaan varians dari residual pada suatu pengamatan ke pengamatan
lainnya. Jika varians dari suatu residual suatu pengamatan ke pengamatan lainnya tetap, maka terjadi homoskedastisitas namun jika varians berbeda, maka disebut
heteroskedastisitas. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas. Untuk mengetahui ada tidaknya gejala heteroskedastisitas
Universitas Sumatera Utara
adalah dengan melihat ada tidaknya pola tertentu pada grafik Scatterplot, jika ada pola tertentu maka telah terjadi heteroskedastisitas pada model regresi.
Untuk mengatasi kelemahan pengujian dengan grafik dapat menggunakan pendekatan statistik dengan uji Glejser, Heteroskedastisitas tidak akan terjadi
apabila tidak satupun variabel independen signifikan secara statistik mempengaruhi variabel dependen nilai absolut Ut. Jika probabilitas signifikanya
di atas tingkat kepercayaan 5 dapat disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
a. Pendekatan Grafik Heterokedastisitas dapat juga dilihat melalui gambar scatterplot. Gambar
scatterplot dapat mengindikasi ada atau tidaknya gejala heterokedastisitas. Apabila grafik membentuk pola-pola tertentu yang teratur maka regresi
mengalami gangguan heterokedastisitas. Jika grafik tidak membentuk pola atau acak maka regresi tidak mengalami gangguan heterokedastisitas Situmorang,
2012.
Universitas Sumatera Utara
Gambar 4.3 Scatter plot heterokedastisitas Sumber: Hasil penelitian, 2013 data diolah
Gambar 4.3 menunjukkan bahwa penyebaran residual cenderung tidak teratur, terdapat titik-titik yang berpencar dan tidak membentuk pola. Kesimpulan
yang dapat diperoleh adalah tidak terdapat gejala heterokedastisitas, sehingga model regresi layak dipakai untuk memprediksi kepuasan klien, berdasarkan
masukan variabel kualitas pelayanan.
b. Pendekatan Statistik Uji Glejser Kriteria pengambilan keputusannya adalah sebagai berikut:
1. Jika nilai signifikasi 0,05, maka tidak mengalami gangguan heterokedastisitas.
2. Jika nilai signifikansi 0,05, maka mengalami gangguan heterokedastisitas.
Universitas Sumatera Utara
Tabel 4.8 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta Constant
-2.384 1.510
-1.579 .118
Tangible -.103
.110 -.136
-.938 .351
Reliability .119
.103 .149
1.149 .254
Responsiveness .203
.170 .225
1.189 .238
Assurance -.160
.117 -.184
-1.364 .176
Empathy .069
.233 .057
.296 .768
a. Dependent Variable: LnU2i
Sumber: Hasil penelitian, 2013 data diolah Pada Tabel 4.7 menunjukkan tidak adanya masalah heterokedastisitas,
dimana hasil uji signifikan variabel kualitas pelayanan yang terdiri dari bukti fisik, kehandalan, ketanggapan, jaminan dan empati menunjukkan nilai lebih besar dari
0,05. Jadi dapat disimpulkan tidak terdapat adanya heterokedastisitas dalam model regresi.
3. Uji Multikolinearitas