Pengujian Persyaratan Analisis

C. Pengujian Persyaratan Analisis

Sebelum pengujian hipotesis dilakukan, data yang akan digunakan untuk analisis statistik dengan teknik regresi ganda harus memenuhi persyaratan sebagai berikut:

1. Uji Normalitas

Normalitas digunakan untuk mengetahui apakah data yang akan dianalisis berbentuk sebaran normal atau tidak. Dalam penelitian ini data untuk setiap variabel diuji normalitasnya. Deteksi normalitas dapat diketahui dengan melihat penyebaran data pada sumbu diagonal pada suatu grafik. Jika data menyebar di

commit to user

memenuhi asumsi normalitas

a. Uji Normalitas Data dari Pasar Baru

Observed Cum Prob

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Keputusan

Gambar 4. Grafik Normal P-Plot of Regression Standardized Residual Sumber: Data primer yang diolah, 2011

Hasil uji normalitas data menunjukkan bahwa data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, sehingga model regresi memenuhi asumsi normalitas.

b. Uji Normalitas Data dari Pasar Sayur

Observed Cum Prob

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Keputusan

Gambar 5. Grafik Normal P-Plot of Regression Standardized Residual Sumber: Data primer yang diolah, 2011

commit to user

garis diagonal dan mengikuti arah garis diagonal, sehingga model regresi memenuhi asumsi normalitas.

2. Uji Linieritas

Uji linieritas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linier atau tidak secara signifikan. Pengujian linieritas variabel bebas dengan variabel terikat menggunakan bantuan program SPSS 17.00 for windows . Pengujian pada SPSS dengan menggunakan Test of Linerity dengan pada taraf signifikansi 0,05. Dua variabel dikatakan mempunyai yang linier bila signifikansi (Linierity) kurang dari 0,05. Rangkuman uji linieritas variabel bebas dengan variabel terikat adalah sebagai berikut:

a. Uji Linearitas Data dari Pasar Baru

1) Variabel Produk (X 1 ) dengan Keputusan Pembelian (Y 1 )

Tabel 3. ANOVA (produk dengan Keputusan Pembelian)

ANOVA Table

Sum of Squares

df

Mean Square

F Sig. Keputusan *

Produk

Between Groups

Deviation from Linearity

51.242

9 5.694 3.144 .005

Within Groups

59 Sumber: out put SPSS 17.00 for windows

Hasil uji linieritas diperoleh signifikansi (linierity) sebesar 0,000. Karena signifikansi (linierity) lebih kecil dari 0,05, maka dikemukakan bahwa model

regresi antara produk (X 1 ) dengan keputusan pembelian (Y 1 ) adalah linear.

commit to user

Tabel 4. ANOVA (harga dengan Keputusan Pembelian)

ANOVA Table

Sum of Squares

df

Mean Square

F Sig. Keputusan *

Harga

Between Groups

Deviation from Linearity

44.946

10 4.495 2.414 .020

Within Groups

59 Sumber: out put SPSS 17.00 for windows

Hasil uji linieritas diperoleh signifikansi (linierity) sebesar 0,000. Karena signifikansi (linierity) lebih kecil dari 0,05, maka dikemukakan bahwa model

regresi antara harga (X 2 ) dengan keputusan pembelian (Y 1 ) adalah linear.

3) Variabel Tempat (X 3 ) dengan Keputusan Pembelian (Y 1 )

Tabel 5. ANOVA (tempat dengan Keputusan Pembelian)

ANOVA Table

Sum of Squares

df

Mean Square

F Sig. Keputusan *

Tempat

Between Groups

Deviation from Linearity

32.224

10 3.222 2.004 .115

Within Groups

59 Sumber: out put SPSS 17.00 for windows

Hasil uji linieritas diperoleh signifikansi (linierity) sebesar 0,000. Karena signifikansi (linierity) lebih kecil dari 0,05, maka dikemukakan bahwa model

regresi antara tempat (X 3 ) dengan keputusan pembelian (Y 1 ) adalah linear.

commit to user

Tabel 6. ANOVA (Promosi dengan Keputusan Pembelian)

ANOVA Table

Sum of Squares

df

Mean Square

F Sig. Keputusan *

Promosi

Between Groups

Deviation from Linearity

31.789

10 3.179 1.486 .174

Within Groups

59 Sumber: out put SPSS 17.00 for windows

Hasil uji linieritas diperoleh signifikansi (linierity) sebesar 0,000. Karena signifikansi (linierity) lebih kecil dari 0,05, maka dikemukakan bahwa model

regresi antara promosi (X 4 ) dengan keputusan pembelian (Y 1 ) adalah linear.

b. Uji Linearitas Data dari Pasar Sayur

1) Variabel Produk (X 1 ) dengan Keputusan Pembelian (Y 2 )

Tabel 7. ANOVA (produk dengan Keputusan Pembelian)

ANOVA Table

Sum of Squares

df

Mean Square

F Sig. Keputusan *

Produk

Between Groups

Deviation from Linearity

27.930

9 3.103 1.215 .308

Within Groups

59 Sumber: out put SPSS 17.00 for windows

Hasil uji linieritas diperoleh signifikansi (linierity) sebesar 0,000. Karena signifikansi (linierity) lebih kecil dari 0,05, maka dikemukakan bahwa model

regresi antara produk (X 1 ) dengan keputusan pembelian (Y 2 ) adalah linear.

commit to user

Tabel 8. ANOVA (harga dengan Keputusan Pembelian)

ANOVA Table

Sum of Squares

df

Mean Square

F Sig. Keputusan *

Harga

Between Groups

Deviation from Linearity

30.296

7 4.328 1.621 .151

Within Groups

59 Sumber: out put SPSS 17.00 for windows

Hasil uji linieritas diperoleh signifikansi (linierity) sebesar 0,000. Karena signifikansi (linierity) lebih kecil dari 0,05, maka dikemukakan bahwa model

regresi antara harga (X 2 ) dengan keputusan pembelian (Y 2 ) adalah linear.

3) Variabel Tempat (X 3 ) dengan Keputusan Pembelian (Y 2 )

Tabel 9. ANOVA (tempat dengan Keputusan Pembelian)

ANOVA Table

Sum of Squares

df

Mean Square

F Sig. Keputusan *

Tempat

Between Groups

Deviation from Linearity

26.815

11 2.438 .935 .517

Within Groups

59 Sumber: out put SPSS 17.00 for windows

Hasil uji linieritas diperoleh signifikansi (linierity) sebesar 0,000. Karena signifikansi (linierity) lebih kecil dari 0,05, maka dikemukakan bahwa model

regresi antara tempat (X 3 ) dengan keputusan pembelian (Y 2 ) adalah linear.

commit to user

Tabel 10. ANOVA (Promosi dengan Keputusan Pembelian)

ANOVA Table

Sum of Squares

df

Mean Square

F Sig. Keputusan *

Promosi

Between Groups

Deviation from Linearity

59.585

8 7.448 3.373 .004

Within Groups

59 Sumber: out put SPSS 17.00 for windows

Hasil uji linieritas diperoleh signifikansi (linierity) sebesar 0,000. Karena signifikansi (linierity) lebih kecil dari 0,05, maka dikemukakan bahwa model

regresi antara promosi (X 4 ) dengan keputusan pembelian (Y 2 ) adalah linear.

3. Uji Autokorelasi

Uji autokorelasi digunakan untuk melihat adanya variabel pengganggu dari masing-masing variabel bebas yang saling mempengaruhi. Untuk mengetahui apakah pada model regresi mengandung autokorelasi dapat digunakan pendekatan D-W (Durbin Watson). Kriteria autokorelasi ada 3, yaitu:

a. Angka D-W di bawah -2 berarti diindikasikan ada autokorelasi positif

b. Angka D-W di antara -2 sampai 2 berarti diindikasikan tidak ada autokorelasi

c. Angka D-W di atas 2 berarti diindikasikan ada autokorelasi negatif

commit to user

Tabel 11. Uji Autokorelasi

Model Summary b

Model

R Square

Adjusted R Square

Std. Error of the

1.185 1.759 a. Predictors: (Constant), Promosi, Produk, Harga, Tempat b. Dependent Variable: Keputusan

Sumber: Data primer yang diolah, 2011 Berdasarkan uji autokorelasi di atas diperoleh hasil angka D-W sebesar 1.759. Nilai D-W terletak diantara -2 sampai 2 (-2 < 1.759 < 2), dengan demikian model regresi tidak terjadi autokorelasi.

b. Uji Autokorelasi Data dari Pasar Sayur Tabel 12. Uji Autokorelasi

Model Summary b

Model

R Square

Adjusted R Square

Std. Error of the

1.310 1.844 a. Predictors: (Constant), Promosi, Harga, Produk, Tempat b. Dependent Variable: Keputusan

Sumber: Data primer yang diolah, 2011 Berdasarkan uji autokorelasi di atas diperoleh hasil angka D-W sebesar 1.844. Nilai D-W terletak diantara -2 sampai 2 (-2 < 1.844 < 2), dengan demikian model regresi tidak terjadi autokorelasi.

4. Uji Multikolinearitas

Uji multikolinieritas digunakan untuk melihat adanya hubungan linier antara beberapa variabel bebas dari suatu model regresi. Untuk mengetahui ada tidaknya gejala multikolinieritas maka dapat dilakukan dengan melihat nilai VIF(Varians Inflation Factor). Menurut Duwi Priyatno (2008: 39) dilakukan dengan melihat nilai VIF dan pada model regresi. Pedoman suatu model regresi yang mempunyai persoalan multikolinearitas adalah:

commit to user

persoalan multikolinearitas dengan variabel lainnya.

a. Uji Multikolinearitas Data dari Pasar Baru Tabel 13. Collinearity Statistics

Coefficients a

Model

Collinearity Statistics Tolerance

VIF 1 (Constant) Produk

1.400 a. Dependent Variable: Keputusan

Sumber: Data primer yang diolah, 2011 Berdasarkan uji multikolinieritas di atas dapat diketahui koefisien VIF untuk produk adalah 1.325, koefisien VIF untuk harga adalah 1.313, koefisien VIF untuk tempat adalah 1.395 dan koefisien VIF untuk promosi adalah 1.400. Karena nilai VIF masing-masing variabel tidak lebih dari 5 maka tidak terjadi multikolinieritas atau tidak ada hubungan antar variabel bebas

commit to user

Tabel 14. Collinearity Statistics

Coefficients a

Model

Collinearity Statistics Tolerance

VIF 1 (Constant)

1.460 a. Dependent Variable: Keputusan

Sumber: Data primer yang diolah, 2011 Berdasarkan uji multikolinieritas di atas dapat diketahui koefisien VIF untuk produk adalah 1.617, koefisien VIF untuk harga adalah 1.244, koefisien VIF untuk tempat adalah 1.658 dan koefisien VIF untuk promosi adalah 1.460. Karena nilai VIF masing-masing variabel tidak lebih dari 5 maka tidak terjadi multikolinieritas atau tidak ada hubungan antar variabel bebas.

5. Uji Heterokedastisitas

Heteroskedastisitas digunakan untuk mengetahui apakah variabel pengganggu dalam persamaan regresi mempunyai varian yang sama atau tidak. Untuk mengetahui terjadinya heteroskedastisitas yaitu dengan melihat ada tidaknya pola tertentu pada scatterplot yang menunjukkan hubungan antara Regression Studentised Residual dengan Regression Standardized Predicted Value . Menurut Singgih Santoso (2001: 210) menetapkan dasar pengambilan keputusan berkaitan dengan gambar tersebut adalah:

• Jika ada pola tertentu, seperti titik-titiknya membentuk suatu pola tertentu yang teratur (bergelombang, melebar kemudian menyempit) maka diindikasikan terdapat masalah heteroskedastisitas.

commit to user

bawah angka 0 pada sumbu Y, maka diindikasikan tidak terdapat masalah heterokedastisitas.

a. Uji Heterokedastisitas Data dari Pasar Baru

Regression Standardized Residual

Dependent Variable: Keputusan

Gambar 6. Scatterplot Regression Studentised Residual dengan Regression

Standardized Predicted Value . Sumber: Data primer yang diolah, 2011

Berdasarkan hasil uji heterokedastisitas diketahui bahwa pada model regresi diindikasikan tidak terdapat masalah heteroskedastisitas yang serius. Dengan kata lain pada model tersebut varian residual dari satu pengamatan ke pengamatan yang lain adalah tetap, atau homoskedastisitas. Temuan ini menunjukkan bahwa model regresi layak digunakan untuk memprediksi variabel keputusan pembelian yang didasarkan pada variabel produk, harga, tempat dan promosi.

commit to user

Regression Standardized Residual

Dependent Variable: Keputusan

Gambar 6. Scatterplot Regression Studentised Residual dengan Regression

Standardized Predicted Value . Sumber: Data primer yang diolah, 2011

Berdasarkan hasil uji heterokedastisitas diketahui bahwa pada model regresi diindikasikan tidak terdapat masalah heteroskedastisitas yang serius. Dengan kata lain pada model tersebut varian residual dari satu pengamatan ke pengamatan yang lain adalah tetap, atau homoskedastisitas. Temuan ini menunjukkan bahwa model regresi layak digunakan untuk memprediksi variabel keputusan pembelian yang didasarkan pada variabel produk, harga, tempat dan promosi.