Dokumen tersebut merupakan ringkasan hasil analisis data penelitian yang bertujuan untuk mengetahui pengaruh harga dan distribusi terhadap kepuasan pelanggan produk minuman PT. Zigma. Analisis regresi berganda menunjukkan bahwa secara simultan dan parsial, harga dan distribusi berpengaruh signifikan terhadap kepuasan pelanggan. Harga memiliki pengaruh lebih dominan dibanding distribusi terhadap variabel dependen.

1. Contoh Kasus Analisis Data Dan Interpretasi
PT. Zigma merupakan sebuah perusahaan yang memproduksi minuman merk “ ROSELLA”.
Untuk kepentingan marketing maka diadakan sebuah penelitian yang bertujuan untuk mengetahui
pengaruh dari Harga dan Distribusi terhadap Kepuasan Pelanggan nya. Rumusan masalah yang
diajukan adalah sebagai berikut :
1. Apakah harga dan distribusi berpengaruh signifikan secara simultan terhadap kepuasan pelanggan ?
2. Apakah harga dan distribusi berpengaruh signifikan secara parsial terhadap kepuasan pelanggan ?
3. Variabel bebas mana yang berpengaruh dominan terhadap kepuasan pelangggan ?
Berdasarkan kajian teoritis dan empiris maka di tetapkan hipotesis penelitian sebagai berikut :
1. Harga dan distribusi berpengaruh signifikan secara simultan terhadap kepuasan pelanggan
2. Harga dan distribusi berpengaruh signifikan secara parsial terhadap kepuasan pelanggan
3. Harga berpengaruh dominan terhadap kepuasan pelanggan
Setelah menyebar kuesioner kepada responden maka diperoleh data penelitian yang diinginkan.
Karena dalam penelitian ini melibatkan dua variable bebas (independent variable) yaitu Harga (X1) dan
Distribusi (X2), serta sebuah variable terikat (dependent variable) yaitu variable Kepuasan Pelanggan
(Y), maka teknik analisis yang digunakan adalah Regresi Berganda menggunakan bantuan software
statistik SPSS, dan output dari analisis yang telah dilakukan adalah sebagai berikut :
Regression
Variables Entered/Removedb
Harga,
Distribusi
a . Enter
Model
1
Variables
Entered
Variables
Removed Method
All requested variables entered.a.
Dependent Variable: Kepuasan Pelangganb.
Model Summaryb
.747a .558 .539 1.620 1.668
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Durbin-W
atson
Predictors: (Constant), Harga, Distribusia.
Dependent Variable: Kepuasan Pelangganb.
ANOVAb
155.960 2 77.980 29.696 .000a
123.420 47 2.626
279.380 49
Regression
Residual
Total
Model
1
Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), Harga, Distribusia.
Dependent Variable: Kepuasan Pelangganb.
Coefficientsa
11.292 1.607 7.026 .000
.887 .115 .748 7.703 .000 .745 .747 .747 .997 1.003
.088 .138 .062 .639 .032 .024 .093 .062 .997 1.003
(Constant)
Harga
Distribusi
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig. Zero-order Partial Part
Correlations
Tolerance VIF
Collinearity Statistics
Dependent Variable: Kepuasan Pelanggana.

2. Collinearity Diagnosticsa
2.921 1.000 .00 .01 .00
.067 6.593 .03 .94 .08
.012 15.864 .96 .05 .92
Dimension
1
2
3
Model
1
Eigenvalue
Condition
Index (Constant) Harga Distribusi
Variance Proportions
Dependent Variable: Kepuasan Pelanggana.
Residuals Statisticsa
12.72 19.90 15.82 1.784 50
1.739 2.285 .000 1.000 50
.237 .675 .374 .135 50
12.47 20.09 15.82 1.815 50
2.93 3.65 .00 1.587 50
1.809 2.252 .000 .979 50
1.850 2.328 .000 1.005 50
3.07 3.90 .00 1.671 50
1.900 2.449 .001 1.019 50
.071 7.523 1.960 2.253 50
.000 .125 .018 .022 50
.001 .154 .040 .046 50
Predicted Value
Std. Predicted Value
Standard Error of
Predicted Value
Adjusted Predicted Value
Residual
Std. Residual
Stud. Residual
Deleted Residual
Stud. Deleted Residual
Mahal. Distance
Cook's Distance
Centered Leverage Value
Minimum Maximum Mean Std. Deviation N
Dependent Variable: Kepuasan Pelanggana.
Charts
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Kepuasan Pelanggan
Observed CumProb
1.00.75.50.250.00
ExpectedCumProb
1.00
.75
.50
.25
0.00
Scatterplot
Dependent Variable: Kepuasan Pelanggan
Regression Standardized Predicted Value
3210-1-2
3
2
1
0
-1
-2
-3

3. Interpretasi :
1. Uji Asumsi Klasik
Evaluasi ini dimaksudkan untuk apakah penggunaan model regresi linear berganda (multiple
Regression linear) dalam menganalisis telah memenuhi asumsi klasik. Model linear berganda akan
lebih tepat digunakan dan menghasilkan perhitungan yang lebih akurat apabila asumsi-asumsi berikut
dapat terpenuhi yaitu :
a. Uji Normalitas Data
Pengujian Normalitas digunakan untuk menguji apakah dalam sebuah model regresi, variabel
terikat, variabel bebas atau keduanya mempunyai distribusi normal ataukah tidak. Model regresi
yang baik adalah distribusi data normal atau mendekati normal. Hasil uji Normalitas dapat dilihat
pada gambar dibawah :
Gambar 1 : Grafik Uji Normalitas
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Kepuasan Pelanggan
Observed Cum Prob
1.00.75.50.250.00
ExpectedCumProb
1.00
.75
.50
.25
0.00
Sebagaimana terlihat dalam grafik Normal P-P plot of regression Standardized Residual , terlihat
bahwa titik – titik menyebar disekitar garis diagonal , serta penyebarannya mengikuti arah garis
diagonal (membentuk garis lurus ), maka dapat dikatakan bahwa data berdistribusi normal dan
model regresi layak dipakai untuk memprediksi Kepuasan Pelanggan berdasarkan variabel
bebasnya.
b. Uji Linieritas Data
Pada grafik Normal P-Plot of Regretion Stand diatas, terlihat titik-titik (data) di sekitar garis lurus
dan cenderung membentuk garis lurus (linier), sehingga dapat dikatakan bahwa persyaratan
linieritas telah terpenuhi. Dengan demikian karena persyaratan linieritas telah dapat dipenuhi
sehingga model regresi layak dipakai untuk memprediksi Kinerja berdasarkan variabel bebasnya.
c. Uji Multikolinieritas Data
Uji multikolinieritas perlu dilakukan untuk menguji apakah pada model regresi ditemukan adanya
korelasi antar variabel bebas, jika terjadi korelasi, maka dinamakan terdapat problem
Multikolinieritas (MULTIKO). Untuk mengetahui multikolinieritas antar variabel bebas tersebut,
dapat dilihat melalui VIF (variance inflation factor) dari masing-masing variabel bebas terhadap

4. variabel terikat. Apabila nilai VIF tidak lebih dari 5 berarti mengindikasi bahwa dalam model tidak
terdapat multikolinieritas.
Santoso (2002:206) mengemukakan besaran VIF (variance inflation factor) dan Tolerance,
pedoman suatu model regresi yang bebas multiko adalah :
a. Mempunyai nilai VIF disekitar angka 1
b. Mempunyai angka TOLERANCE mendekati 1
Adapun hasil pengujian teringkas dalam tabel berikut :
Tabel 1 : Hasil Uji Multikolinieritas Variabel Bebas
Variabel Bebas Tolerance VIF Keputusan terhadap Asumsi
Multikolinieritas
Harga (X1) 0,997 1,003 Terpenuhi
Distribusi (X2) 0,997 1,003 Terpenuhi
Sumber : Output Analisis Regresi
Pada tabel di atas terlihat bahwa kedua variabel bebas memiliki besaran angka VIF di sekitar angka
1 ( Harga = 1,003 dan Distribusi = 1,003 ), besaran angka Tolerance semuanya mendekati angka 1
(Harga = 0,997 dan Distribusi = 0,997), sehingga dapat disimpulkan bahwa tidak terjadi
Multikolinieritas antara kedua variabel bebas dan model regresi layak digunakan
d. Uji Heteroskedastisitas
Tujuan dari pengujian ini adalah untuk menguji apakah dalam sebuah model regresi, terjadi
ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain. Jika varians
dari residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut Homoskedastisitas,
dan jika varians berbeda, disebut Heteroskedastisitas. Model regresi yang baik adalah tidak terjadi
Heteroskedastisitas. Hasil pengujian ditunjukkan dalam gambar berikut :
Gambar 2 : Grafik Uji Heteroskedastisitas
Dari grafik Scatterplot tersebut, terlihat titik –titik menyebar secara acak dan tidak membentuk
suatu pola tertentu yang jelas, serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y.
Hal ini berarti tidak terjadi heretoskedastisitas pada model regresi, sehingga model regresi layak
dipakai untuk memprediksi kepuasan pelanggan berdasar masukan variabel independent-nya
Scatterplot
Dependent Variable: Kepuasan Pelanggan
Regression Standardized Predicted Value
3210-1-2
3
2
1
0
-1
-2
-3

5. 2. Regresi Berganda
Analisis regresi dilakukan untuk mengetahui tingkat pengaruh antara variabel bebas
terhadap variabel terikat, baik secara simultan maupun parsial, serta menguji hipotesis penelitian
yang telah ditetapkan sebelumnya. Pada penelitian ini, analisis dilakukan untuk mengetahui
pengaruh harga dan distribusi terhadap kepuasan pelanggan. Hasil pengujian disajikan dalam
rekapitulasi hasil analisis Regresi Berganda berikut ini :
Tabel 2 : Rekapitulasi Hasil Analisis Regresi berganda
Variabel
Koefisien
Regresi
(B)
t Sig
Harga (X1) 0,887 7,703 0,000
Distribusi (X2) 0,088 0,639 0,032
Konstanta = 11,292
R = 0,747
R square = 0,558
Adjusted R Square = 0,539
F hitung = 29,696
Signifikansi F = 0,000
Sumber : Output Analisis Regresi Berganda
a. Pengaruh Secara Simultan
Hasil analisis regresi berganda : variabel Harga (X1) dan Distribusi (X2) berpengaruh
terhadap kepuasan pelanggan (Y) secara simultan/bersama-sama menunjukan hasil nilai Fhitung
adalah sebesar 29,696 dengan Signifikan F sebesar 0.000 atau lebih kecil dari 0,05 (5%), sehingga
menolak H0. Hasil ini menyatakan bahwa secara simultan semua Variabel Bebas yaitu variabel
Harga (X1) dan Distribusi (X2) berpengaruh signifikan secara simultan terhadap Kepuasan
pelanggan (Y).
Selanjutnya dari analisis regresi berganda diperoleh nilai R sebesar 0,747. Hasil ini
menunjukan bahwa semua variabel bebas yaitu variabel Harga (X1) dan Distribusi (X2)
mempunyai keeratan hubungan dengan variabel Kepuasan pelanggan (Y) sebesar 0, 747. Pada
penelitian ini, untuk mengetahui kontribusi variabel bebas terhadap variabel terikat dilakukan
dengan menggunakan besaran angka R square. Hasil R square didapat sebesar 0, 558 (di peroleh
dari pengkuadratan R yaitu = 0,747 x 0,747). Angka ini menunjukkan bahwa kontribusi semua
variabel bebas yaitu variabel Harga (X1) dan Distribusi (X2) terhadap variabel Kepuasan pelanggan
(Y) sebesar 55,8%, sisanya dipengaruhi oleh variabel lain yang tidak ada dalam penelitian ini.
b. Pengaruh Secara Parsial
Berdasarkan uji parsial melalui analisis regresi , diperoleh hasil Variabel Bebas yaitu Harga
(X1) dan Distribusi (X2) terhadap variabel kepuasan pelanggan (Y) secara parsial dapat dijelaskan
sebagai berikut :
1) Harga (X1)
Analisis Regresi menunjukkan koefesien Regresi (B) sebesar 88,7% terhadap kepuasan pelanggan,
dengan signifikansi 0,000. Hal ini berarti bahwa variabel Harga (X1) memang berpengaruh secara

6. signifikan terhadap kepuasan pelanggan. Koefisien Regresi (B) sebesar 88,7% menyatakan bahwa
setiap penambahan atau pengurangan satu Harga (X1), maka akan menambah atau mengurangi
kepuasan pelanggan sebesar 88,7%.
2) Distribusi (X2)
Analisis Regresi menunjukkan koefesien Regresi (B) sebesar 8,80% terhadap kepuasan
pelanggan, dengan signifikansi 0,032. Hal ini berarti bahwa variabel Distribusi (X2) memang
berpengaruh secara signifikan terhadap kepuasan pelanggan. Koefisien Regresi (B) sebesar 8,80%
menyatakan bahwa setiap penambahan atau pengurangan satu distribusi (X2), maka akan
menambah atau mengurangi kepuasan pelanggan sebesar 8,80%.
Berdasarkan pada hasil koefisien regresi (B) di atas, maka diperoleh persamaan regresi sebagai
berikut :
Y = 11,292 + 0,887 Harga + 0,088 Distribusi
c. Pengujian Hipotesis
Berdasar pada hipotesis yang telah dikemukakan dan hasil analisis data, maka selanjutnya
dilakukan uji hipotesis sebagai berikut :
1. Diduga bahwa harga dan distribusi secara simultan berpengaruh terhadap kepuasan pelanggan.
Hasil regresi diperoleh nilai F hitung = 29,696 dengan tingkat signifikansi 0,000 < 5 % (H0
ditolak), hal ini artinya bahwa secara simultan Variabel harga (X1) dan distribusi (X2) mempunyai
pengaruh yang signifikan terhadap Variabel kepuasan pelanggan (Y). Dengan demikian Hipotesis
1 terbukti benar dan dapat diterima.
2. Diduga bahwa harga dan distribusi secara parsial berpengaruh terhadap kepuasan pelanggan.
Analisis Regresi menunjukkan koefesien Regresi (B) variabel harga adalah sebesar 88,7%
terhadap kepuasan pelanggan, dengan signifikansi 0,000. Hal ini berarti bahwa memang harga
berpengaruh positif dan signifikan terhadap kepuasan pelanggan. Analisis Regresi juga
menunjukkan koefesien Regresi (B) variabel distribusi sebesar 8,80% terhadap kepuasan
pelanggan, dengan signifikansi 0,032. Hal ini berarti bahwa memang distribusi berpengaruh
positif dan signifikan terhadap kepuasan pelanggan. Sehingga Hipotesis 2 terbukti benar dan dapat
diterima.
3. Diduga bahwa Harga berpengaruh dominan terhadap kepuasan pelanggan.
Hasil analisis Regresi menunjukkan koefesien Regresi (B) variabel harga sebesar 88,7%, lebih
besar daripada variabel distribusi yang hanya sebesar 8,80%, sehingga dapat diketahui bahwa
variabel harga mempunyai pengaruh yang dominan terhadap kepuasan pelanggan, dan dari analisis
tersebut dapat diketahui bahwa hipotesis 3 terbukti benar dan dapat diterima.