Keterangan :
Y = Keputusan pembelian konsumen β
= Konstanta persamaan regresi β
1,...,
β
4
= Koefisien regresi X
1,..,
X
4
= Skor dimensi produk, harga, promosi, dan lokasi e = Standar error
3.4.3.1 Uji asumsi klasik
Uji ini bertujuan untuk menguji apakah model analisis yang digunakan baik atau tidak didalam penelitian. Hasil analisis regresi
dianggap valid jika hasil analisis tersebut memenuhi pengujian asumsi klasik dan tidak boleh dilanggar. Pengujian asumsi klasik yang
digunakan antara lain uji asumsi linear berganda autokorelasi, uji asumsi linear berganda heterokedastisitas, dan uji asumsi linear berganda
multikolinieritas. Jika salah satu dari ketiga asumsi tesebut dilanggar maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE Best
Linear Unbiased Estimator sehingga pengambilan keputusan melalui uji t dan uji F menjadi bias.
3.4.3.1.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variable dependen dan variabel independen, keduanya mempunyai distribusi
normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Pada prinsipnya normalitas dapat dideteksi
dengan melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya. Hasil perhitungan normalitas data
pada lampiran menunjukkan bahwa penyebaran plot berada di sekitar dan sepanjang garis 45° , dengan demikian menunjukkan bahwa data-data pada
variabel penelitian berdistribusi normal. Lebih jelasnya penyebaran plot tersebut dapat dilihat pada gambar di bawah ini :
Gambar 3.1
Sumber : Singgih Santoso, 2002
3.4.3.1.2 Uji Autokorelasi
Uji Autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara korelasi pengganggu pada
periode t dengan kesalahan pada periode t sebelumnya.
Pada penelitian yang menggunakan data urut waktu, kemungkinan terjadinya autokorelasi relatif besar. Untuk menguji apakah terjadi auto
korelasi atau tidak dapat digunakan uji Durbin Watson. Yaitu dengan cara membandingkan nilai Durbin Watson dengan dL dan dU.
Deteksi adanya Autokorelasi adalah : a.
Apabila 4-dW dU Ho diterima : jadi P = 0, berarti tidak ada autokorelasi pada model
b. Apabila 4-dW dL
Ho ditolak : jadi P = 0, berarti terdapat autokorelasi pada model c.
Apabila dL 4-dW dU Uji ini hasilnya tidak konklusif, sehingga tidak dapat ditentukan
apakah ada autokorelasi atau tidak dalam model tersebut.
3.4.3.1.3 Uji Multikolineritas
Salah satu asumsi klasik adalah tidak terjadinya multikolinieritas di antara variabel-variabel bebas yang berada dalam satu model, artinya
antara variable independen yang terdapat dalam model tidak memiliki hubungan yang sempurna koefesien tinggi atau bahkan satu. Apabila
hal ini terjadi berarti antara variable bebas itu sendiri saling berkorelasi, sehingga dalam hal ini sulit diketahui variable bebas mana yang
mempengaruhi variabel terikat.
Salah satu cara untuk mendeteksi multikolinieritas dilakukan dengan mengorelasikan antar variable bebas dan apabila korelasinya tinggi yaitu
lebih besar dari 0,8 maka antar variable bebas tersebut terjadi multikolinieritas. Untuk mendeteksi problem Multikolineritas dapat
dilihat ciri-ciri sebagai berikut : a.
Koefisien determinasi berganda R square tinggi. b.
Koefisien korelasi sederhana tinggi. c.
Nilai F hitung tinggi signifikan d.
Tak satupun atau sedikit sekali variable bebas yang signifikan. Cara yang digunakan untuk mendeteksi problem multikolenieritas
dilakukan dengan melihat besaran VIF variance inflation factor. Pedoman suatu model regresi yang bebas multikolinieritas adalah :
a. Mempunyai nilai VIF
≤ 10 1
VIF =
1-R² b.
Mempunyai angka tolerance mendekati 1
3.4.3.1.4 Uji Heteroskedastisitas