SkriptasCara Membaca Output SPSS Regresi Linier Berganda: Uji t, Uji F, R Square
Cara membaca output SPSS regresi linier berganda: Model Summary, ANOVA, Coefficients, uji t, uji F, R Square, persamaan regresi, dan contoh kalimat Bab 4.
Cara membaca output SPSS regresi linier berganda sebenarnya hanya melibatkan tiga tabel: Model Summary, ANOVA, dan Coefficients. Masalahnya, ketiga tabel itu penuh kolom yang namanya mirip, dan pembimbing menanyakan hal yang berbeda dari tiap tabel. Artikel ini membahas kolom mana yang perlu Anda baca, kolom mana yang boleh diabaikan, dan bagaimana mengubah angkanya menjadi kalimat yang siap ditulis di Bab 4.
Contoh di sepanjang artikel memakai model dengan dua variabel bebas (X1 dan X2) dan satu variabel terikat (Y) dengan 100 responden. Semua angka adalah contoh buatan untuk ilustrasi; ganti dengan output Anda sendiri. Saya berasumsi Anda sudah menyelesaikan uji asumsi klasik, karena tanpa itu angka di bawah belum boleh ditafsirkan.
Cara menjalankan regresi linier berganda di SPSS
- Buka Analyze > Regression > Linear.
- Masukkan Y ke kotak Dependent, X1 dan X2 ke kotak Independent(s). Method biarkan Enter.
- Klik Statistics, pastikan Estimates dan Model fit tercentang. Tambahkan Collinearity diagnostics bila belum dilakukan sebelumnya.
- Klik OK. Output menampilkan tabel Variables Entered/Removed, Model Summary, ANOVA, dan Coefficients.
Tabel pertama hanya mengonfirmasi variabel yang masuk ke model. Tiga tabel berikutnya adalah inti pembahasan.
Tabel Model Summary: R, R Square, Adjusted R Square
Tabel ini menjawab satu pertanyaan: seberapa besar variasi Y yang bisa dijelaskan oleh X1 dan X2 bersama-sama.
- R adalah korelasi berganda antara seluruh variabel bebas dan Y. Jarang dibahas sendiri.
- R Square adalah koefisien determinasi. Contoh: 0,452 berarti 45,2% variasi Y dijelaskan oleh X1 dan X2, sisanya 54,8% dijelaskan faktor lain di luar model.
- Adjusted R Square adalah R Square yang sudah dikoreksi dengan jumlah variabel bebas dan jumlah sampel. Untuk regresi berganda, nilai ini lebih jujur karena R Square selalu naik setiap variabel ditambahkan, walau variabelnya tidak berguna. Contoh: 0,441.
- Std. Error of the Estimate adalah rata-rata simpangan nilai prediksi dari nilai sebenarnya, dalam satuan Y. Makin kecil makin baik, tetapi jarang dibahas di skripsi S1.
R Square yang kecil tidak otomatis berarti penelitian buruk. Dalam penelitian sosial dan perilaku, nilai 0,20 sampai 0,40 sangat lazim karena perilaku manusia dipengaruhi banyak hal. Yang perlu Anda hindari adalah menyimpulkan "pengaruhnya sangat besar" hanya karena signifikan, padahal R Square-nya 0,08.
Tabel ANOVA: uji F untuk pengaruh simultan
Uji F menjawab apakah X1 dan X2 secara bersama-sama (simultan) berpengaruh terhadap Y. Baca kolom F dan Sig. pada baris Regression. Bila Sig. di bawah 0,05, model signifikan: paling tidak ada satu variabel bebas yang berpengaruh.
Perhatikan juga kolom df. Pada baris Regression, df = k (jumlah variabel bebas), dalam contoh ini 2. Pada baris Residual, df = n - k - 1, dalam contoh ini 100 - 2 - 1 = 97. Dua angka inilah yang Anda pakai untuk mencari F tabel bila pembimbing meminta perbandingan F hitung dengan F tabel. Untuk df1 = 2 dan df2 = 97 pada taraf 5%, F tabel sekitar 3,09. Contoh output: F hitung 40,02 dengan Sig. 0,000, jauh di atas F tabel, sehingga model signifikan. Cara mencari nilai tabel ada di t tabel dan F tabel: cara mencari dan membaca.
Uji F yang signifikan tidak berarti semua variabel bebas berpengaruh. Bisa saja hanya satu yang signifikan dan yang lain tidak. Itu sebabnya Anda tetap perlu uji t.
Tabel Coefficients: uji t untuk pengaruh parsial
Ini tabel yang paling banyak dibaca. Tiap baris adalah satu variabel bebas, ditambah baris (Constant). Kolom yang perlu Anda pahami:
| Kolom | Arti | Dipakai untuk |
|---|---|---|
| B (Unstandardized Coefficients) | Besar perubahan Y bila X naik satu satuan, variabel lain tetap | Menyusun persamaan regresi |
| Std. Error | Ketidakpastian estimasi B | Menghitung t = B / Std. Error |
| Beta (Standardized Coefficients) | Koefisien dalam satuan standar deviasi | Membandingkan variabel mana yang pengaruhnya paling kuat |
| t | Statistik uji parsial | Dibandingkan dengan t tabel |
| Sig. | Nilai p dua arah | Keputusan hipotesis: di bawah 0,05 berarti signifikan |
| Tolerance dan VIF | Diagnostik multikolinearitas | Uji asumsi klasik |
Contoh output: Constant B = 8,215; X1 B = 0,412, t = 5,218, Sig. = 0,000; X2 B = 0,187, t = 2,195, Sig. = 0,031. Keduanya signifikan pada taraf 5% karena Sig. di bawah 0,05. Untuk perbandingan dengan t tabel: df = n - k - 1 = 97, taraf 5% dua arah, t tabel sekitar 1,985. Karena 5,218 dan 2,195 lebih besar dari 1,985, kesimpulannya sama.
Jika hipotesis Anda berarah (misalnya "X1 berpengaruh positif terhadap Y"), sebagian kampus memperbolehkan uji satu arah: t tabel menjadi sekitar 1,661 dan Sig. dua arah dibagi dua. Pastikan ini sesuai pedoman, dan konsisten antara Bab 3 dan Bab 4.
Menyusun persamaan regresi
Persamaan ditulis dari kolom B: Y = a + b1X1 + b2X2 + e. Dengan contoh di atas: Y = 8,215 + 0,412 X1 + 0,187 X2 + e. Cara membacanya:
- Konstanta 8,215 adalah nilai Y ketika X1 dan X2 sama dengan nol. Sering tidak bermakna praktis bila nol berada di luar rentang data, jadi tidak perlu dibahas panjang.
- Koefisien 0,412 berarti setiap kenaikan satu satuan X1, Y naik 0,412 satuan, dengan asumsi X2 tetap.
- Koefisien negatif berarti arah berlawanan: kenaikan X menurunkan Y. Perhatikan arah ini saat membandingkan dengan hipotesis. Koefisien negatif yang signifikan pada hipotesis yang menyatakan pengaruh positif berarti hipotesis ditolak, walau Sig. di bawah 0,05.
Kolom Beta dipakai bila Anda ingin menyebut variabel mana yang paling dominan. Dalam contoh, Beta X1 lebih besar dari Beta X2, sehingga X1 berpengaruh paling kuat. Jangan membandingkan nilai B antar variabel untuk tujuan ini karena satuannya berbeda.
Urutan membaca yang disarankan
- Pastikan uji asumsi klasik lolos.
- Baca uji F di tabel ANOVA: apakah model layak?
- Baca R Square dan Adjusted R Square: seberapa besar kemampuan menjelaskan?
- Baca uji t tiap variabel: mana yang signifikan dan ke arah mana?
- Susun persamaan dan tentukan keputusan tiap hipotesis.
Contoh kalimat untuk Bab 4
Semua angka berikut adalah contoh.
Uji F: "Hasil uji F menunjukkan nilai F hitung sebesar 40,02 dengan signifikansi 0,000 (< 0,05), dan F hitung lebih besar dari F tabel (3,09), sehingga variabel X1 dan X2 secara simultan berpengaruh signifikan terhadap Y."
Koefisien determinasi: "Nilai Adjusted R Square sebesar 0,441 menunjukkan bahwa 44,1% variasi Y dapat dijelaskan oleh X1 dan X2, sedangkan 55,9% sisanya dijelaskan oleh variabel lain di luar model penelitian."
Uji t, hipotesis diterima: "Variabel X1 memiliki koefisien regresi sebesar 0,412 dengan t hitung 5,218 > t tabel 1,985 dan signifikansi 0,000 (< 0,05). Dengan demikian H1 diterima: X1 berpengaruh positif dan signifikan terhadap Y."
Uji t, hipotesis ditolak: "Variabel X3 memiliki koefisien regresi sebesar 0,064 dengan t hitung 0,842 < t tabel 1,985 dan signifikansi 0,402 (> 0,05). Dengan demikian H3 ditolak: X3 tidak berpengaruh signifikan terhadap Y."
Persamaan: "Berdasarkan tabel Coefficients diperoleh persamaan regresi Y = 8,215 + 0,412 X1 + 0,187 X2. Nilai koefisien yang positif menunjukkan bahwa peningkatan X1 dan X2 diikuti peningkatan Y."
Setelah kalimat hasil, tulis pembahasan: apakah temuan sejalan dengan teori di Bab 2 dan penelitian terdahulu, dan apa penjelasan yang masuk akal bila ada hipotesis yang ditolak. Pola lengkapnya ada di cara menulis Bab 4 dari output SPSS dan cara menulis pembahasan hasil penelitian.
Kesalahan yang sering terjadi
| Kesalahan | Akibat | Perbaikan |
|---|---|---|
| Menafsirkan koefisien sebelum uji asumsi klasik | Sig. bisa menyesatkan | Selesaikan asumsi dulu, baru baca Coefficients |
| Menyebut pengaruh "sangat besar" hanya karena signifikan | Klaim berlebihan | Lihat R Square dan Beta, bahasakan secara proporsional |
| Membandingkan nilai B antar variabel | Satuan berbeda, kesimpulan salah | Gunakan Beta untuk membandingkan |
| Mengabaikan arah koefisien | Hipotesis positif "diterima" padahal koefisien negatif | Cocokkan tanda B dengan bunyi hipotesis |
| Menulis Sig. 0,000 | Nilai p tidak pernah benar-benar nol | Tulis p < 0,001 bila pedoman mengizinkan |
| Memakai t tabel dengan df yang salah | Keputusan bisa berbeda | df = n - k - 1, bukan n - 2 |
Checklist sebelum bimbingan
- Uji asumsi klasik sudah lolos dan terdokumentasi.
- Nilai F, Sig., df1, dan df2 sudah dicatat.
- R Square dan Adjusted R Square sudah dibahasakan dalam persentase.
- Tiap variabel bebas: B, t, Sig., arah, dan keputusan hipotesis sudah ada di satu tabel ringkas.
- Persamaan regresi sudah ditulis dengan koefisien dari kolom B.
- t tabel dan F tabel dicatat dengan df yang benar.
Kalau Anda ingin memastikan pembacaan ini benar sebelum menghadap pembimbing, atau model Anda punya variabel mediasi dan moderasi yang membuat tabelnya lebih rumit, bimbingan olah data SPSS via Zoom mulai Rp25.000 per sesi bisa membantu. Anda yang membuka output di layar, saya memandu membacanya baris demi baris sampai Anda bisa menjelaskannya sendiri saat sidang. Untuk model dengan banyak jalur, lihat juga kapan sebaiknya memakai SmartPLS.
Video tutorial terkait
Tonton langkahnya langsung di layar. Video dimuat dari YouTube hanya saat Anda menekan tombol putar.
Regresi Linear Sederhana di SPSS untuk Skripsi: Cara Membaca Koefisien, Uji t, R Square
Tutorial regresi linear sederhana di SPSS untuk skripsi: Analyze › Regression › Linear, membaca Model Summary (R Square), ANOVA (F dan Sig.), Coefficients (konstanta, koefisien B, t,…
Regresi Linear Berganda di SPSS untuk Skripsi: Uji t, Uji F, R Square, Persamaan Regresi
Tutorial regresi linear berganda di SPSS untuk skripsi: menjalankan Analyze › Regression › Linear, membaca R Square (koefisien determinasi), uji F di tabel ANOVA, uji t di tabel…
Pertanyaan yang sering diajukan
Apa beda uji t dan uji F pada regresi berganda?
Uji t menguji pengaruh tiap variabel bebas secara parsial, sedangkan uji F menguji apakah semua variabel bebas secara bersama-sama berpengaruh terhadap variabel terikat. Keduanya dibaca dari tabel berbeda: uji t di Coefficients, uji F di ANOVA.
Berapa nilai R Square yang dianggap baik?
Tidak ada angka mutlak. Dalam penelitian sosial, R Square 0,20 sampai 0,40 sudah lazim. Yang penting adalah signifikansi model dan kesesuaian dengan teori, bukan sekadar besar kecilnya R Square.
Pakai R Square atau Adjusted R Square?
Untuk regresi berganda, Adjusted R Square lebih tepat karena sudah memperhitungkan jumlah variabel bebas. Banyak skripsi melaporkan keduanya.
Bagaimana jika Sig. uji t di atas 0,05 tetapi koefisiennya positif?
Artinya arah pengaruhnya positif tetapi tidak signifikan secara statistik, sehingga hipotesis ditolak. Tulis apa adanya dan bahas kemungkinan penyebabnya di bagian pembahasan.
Perlukah membandingkan dengan t tabel jika sudah ada nilai Sig.?
Secara statistik keduanya setara. Banyak kampus tetap meminta perbandingan t hitung dengan t tabel, jadi cantumkan keduanya agar aman.