Lompat ke konten
Anda disini: M Jurnal » Skripsi » Cara Membaca Hasil Regresi Linier di SPSS Lengkap + Contoh

Cara Membaca Hasil Regresi Linier di SPSS Lengkap + Contoh

Cara Membaca Hasil Regresi Linier Menggunakan SPSS (Uji t, Uji F, Koefisien Determinasi dan Interpretasi Model Regresi)

Sebetulnya tidak sulit membaca hasil Regresi Linier dari output SPSS. Meskipun banyak sekali hasil yang diberikan, Anda hanya perlu fokus pada tabel yang akan menjawab setiap Rumusan Masalah dan Hipotesis Penelitian.

Sebelumnya pada SUB-BAB Metode Analisis (Lihat Pintasan Panduan), Saya sudah ngebahas tentang uji apa yang dilakukan ketika Anda menggunakan Regresi Linier sebagai metode analisis.

Saya memberikan berbagai contoh yang berbeda-beda. Misalnya, penelitian yang menggunakan 1 variabel bebas (independen) hanya perlu melakukan uji F. Karena hanya ada 1 variabel bebas, maka hasil uji t dan F sudah pasti sama.

Sedangkan jika Anda menggunakan lebih dari 1 variabel bebas, tentu membutuhkan uji t, F, dan Koefisien Determinasi.

Selain itu, baik untuk Regresi Linier Sederhana maupun Berganda, Anda juga harus menginterpretasi model Regresi.

Jadi kita akan mencari tahu nilai-nilai yang dimasukkan kedalam persamaan regresi linier (sederhana): Y = α + βX atau Regresi Linier Berganda Y = α + β1X1 + β2X2

Note: Saya menggunakan contoh sebelumnya dengan Judul Pengaruh Upah dan Gaya Kepemimpinan Terhadap Kinerja Pegawai.

Jadi dalam contoh ini Saya menggunakan Regresi Linier Berganda. Jadi sesuaikan saja jika Anda menggunakan Regresi Linier Sederhana.

Membaca Hasil Uji F SPSS

Uji F dalam model Regresi dilakukan untuk mengetahui apakah semua variabel bebas (secara simultan / bersama-sama) mempengaruhi variabel terikat. Dalam bahasa lain, untuk mengetahui apakah berpengaruh signifikan atau tidak.

Misalnya untuk menguji hipotesis ini:

  • H0: Variabel Upah dan Gaya Kepemimpinan secara simultan tidak berpengaruh signifikan terhadap Kinerja Karyawan.
  • H1: Variabel Upah dan Gaya Kepemimpinan secara simultan berpengaruh signifikan terhadap Kinerja Karyawan.

Umumnya ada 2 cara untuk menjawab hipotesis simultan tersebut yaitu membandingkan Sig dengan Alpha Penelitian atau membandingkan F hitung dengan F Tabel.

Penting! hasil dari ke 2 cara ini sudah pasti sama. Tidak mungkin beda. Jadi pilih salah satu cara saja. Jika Anda tidak yakin sudah pasti sama, silahkan kunjungi SUB-BAB Kesalahan Uji Hipotesis.

Dalam contoh ini, Saya menggunakan Sig vs Alpha Penelitian dengan Alpha penelitian sebesar 0.05 (5%). Dasar pengambilan keputusan uji F menggunakan Sig vs Alpha Penelitian:

  • Jika Sig > Alpha Penelitian, maka Terima H0 (Tidak Signifikan).
  • Jika Sig < Alpha Penelitian, maka Tolak H0 (Signifikan).

Kemudian untuk menguji hipotesis simultan ini, silahkan fokus pada Kolom Sig. dalam Tabel ANOVA seperti gambar berikut:

diskon-hosting

Cara Membaca Hasil Uji F Regresi Linier Berganda Menggunakan SPSS

Lihat hasilnya, Sig < Alpha Penelitian (0.000 < 0.05). Artinya Tolak H0. Dengan kata lain, Variabel Upah dan Gaya Kepemimpinan secara simultan berpengaruh signifikan terhadap Kinerja Karyawan.

Note: Dalam Membaca Output Regresi SPSS, jika Anda menemukan hasil .000 itu artinya 0.000. Contoh lainnya jika Anda menemukan .034, itu artinya 0.034. Jadi jelas ya… jika ada titik didepan angka, artinya ada 0 sebelum titik itu.

Membaca Hasil Uji t SPSS

Uji t dalam Regresi bertujuan untuk mengetahui pengaruh variabel bebas secara partial (sendiri-sendiri) terhadap variabel terikat.

Karena contoh penelitian ini menggunakan 2 variabel bebas, jadi juga ada 2 hipotesis yang akan dibuktikan kebenarannya.

Cara membaca hasil uji t dalam Regresi SPSS juga sama dengan Uji F. Anda bisa menggunakan perbandingan sig vs alpha penelitian atau t hitung vs t tabel.

Hasil uji t dari Software SPSS bisa Anda lihat pada Tabel Coefficients seperti gambar berikut:

Cara membaca hasil uji t Regresi Linier menggunakan SPSS

Saya kasih contoh perbandingan Sig vs Alpha untuk Variabel Upah.

Note: Dasar pengambilan keputusannya sama dengan Sig vs Alpha pada contoh Uji F diatas.

Hasilnya Sig < Alpha Penelitian (0.000 < 0.05), artinya Tolak H0. Dengan kata lain, Upah secara partial berpengaruh signifikan terhadap Kinerja Karyawan.

Ini Bukti: Hasil Sig vs Alpha = t hitung vs t tabel

Jika menggunakan t hitung vs t tabel, ini dasar pengambilan keputusannya:

  • Jika t hitung < t tabel, maka Terima H0 (Tidak signifikan).
  • Jika t hitung > t tabel, maka Tolak H0 (Signifikan).

Lihat, dasar pengambilan keputusan t hitung vs t tabel merupakan kebalikan dari sig vs alpha penelitian.

Untuk menerima H0, t hitung harus < t tabel atau sig > alpha. Jangan kebalik yaa…

Sekarang coba kita buktikan…

Nilai t hitung dapat Anda lihat pada Kolom t dalam Tabel Coefficient diatas.

Untuk Variabel Gaya Kepemimpinan, t hitung = 4.165.

Selanjutnya, untuk mengambil nilai t tabel yang benar, Anda harus menentukan df dan alpha. Dalam contoh ini, Alpha penelitian 5%. Sedangkan nilai df dapat Anda lihat pada Kolom df dalam Tabel ANOVA (baris Residual) seperti gambar berikut:

Menentukan Degree of Freedom dalam SPSS

Kemudian, buka t tabel… Ambil nilai pada df = 68, Alpha 5% untuk Uji 2 Sisi (Two Tailed).

Saya sudah cek, dan ini hasilnya:

Menentukan nilai t tabel

t tabel = 1.99547

Penting! Uji hipotesis t ada 2 jenis (1 sisi dan 2 sisi). Dalam t tabel, Anda akan menemukan header 2 baris berdasarkan Alpha penelitian. Baris pertama untuk uji 1 sisi dan baris ke 2 untuk uji 2 sisi. Untuk menambah wawasan, silahkan kunjungi SUB-BAB t Hitung Negatif.

Lanjut untuk pengujian, ini kesimpulannya:

t hitung > t tabel (4.165 > 1.99547), artinya tolak H0. Dengan kata lain, Gaya Kepemimpinan secara partial berpengaruh signifikan terhadap Kinerja Karyawan.

Coba bandingkan dengan hasil Sig vs Alpha untuk variabel Gaya Kepemimpinan yaitu Sig < Alpha Penelitian (0.000 < 0.05). Sama-sama berpengaruh signifikan bukan ?

Jadi… gunakan salah satu cara saja… Better, Saya lebih suka menggunakan Sig vs Alpha dalam membaca hasil Regresi SPSS, karena lebih cepat.

Membaca Hasil Koefisien Determinasi SPSS

Nilai Koefisien Determinasi dari Regresi Linier SPSS dapat Anda lihat dalam Tabel Model Summary > Kolom R atau R Square seperti gambar berikut:

Cara membaca hasil koefisien determinasi menggunakan SPSS

Note: Dalam buku Metode Riset Untuk Ekonomi dan Bisnis (Edisi ke 4) karangan Mudrajad Kuncoro, Gunakan R Square jika ada perubahaan variabel dalam model regresi. Perubahan yang dimaksud bisa berupa pengurangan / penambahan variabel penelitian.

Saya menggunakan Nilai pada Kolom R, yaitu sebesar 0.691. Artinya variasi seluruh variabel bebas dapat mempengaruhi perubahan Variabel Terikat sebesar 0.691 (69.1%). Sedangkan sisanya 30.9% (Note: dari 100% – 69.1%) dipengaruhi oleh variabel lain diluar penelitian.

Ini maksudnya…

Upah dan Gaya Kepemimpinan secara simultan (bersama-sama) dapat mempengaruhi Kinerja Karyawan sebesar 69.1%. Hasil ini signifikan pada alpha 5% berdasarkan hasil uji F.

Ingat ya… Uji F itu untuk mengatahui apakah ada pengaruh signifikan antara variabel bebas dan terikat secara simultan. Sedangkan Koefisien determinasi untuk mengetahui berapa persen pengaruh nya.

Hasil ini bisa Anda masukkan ke dalam kesimpulan penelitian.

Lalu selanjutnya mengetahui besaran dan arah pengaruh dari masing-masing variabel bebas terhadap terikat (uji t) dengan cara Interpretasi Model Regresi Linier.

Interpretasi Model Regresi Linier SPSS

Sebelum membaca hasil Regresi Linier SPSS, pertama-tama, lihat dulu Persamaan Regresi Linier itu Y = α + β1X1 + β2X2.

Dalam Persamaan Regresi Linier, besaran dan arah pengaruh setiap variabel bebas terdapat pada nilai Beta (β) > disebut juga koefisien regresi. Dalam contoh ini β1 dan β2.

Nilai Beta dalam output SPSS dapat Anda lihat pada Kolom Unstandarized Coefficients – B dalam Tabel Coefficients seperti gambar berikut:

Interpretasi Model Regresi Linier Berganda

Lihat, ada 3 nilai yaitu:

  • Constant = 15.382
  • Upah = 0.435
  • Gaya Kepemimpinan = 0.350

Constant merupakan nilai alpha dari persamaan regresi Y = α + β1X1 + β2X2. Sedangkan untuk baris Upah dan Gaya Kepemimpinan adalah koefisien regresi dari masing-masing variabel bebas (β1 dan β2 dalam persamaan regresi linier).

Jadi, model regresi dalam contoh ini sebagai berikut: Y = 15.382 + 0.435X1 + 0.350X2

Note: Jika Anda mendapatkan Koefisien Regresi bernilai negatif, maka tulis tanda minusnya juga. Ini mempengaruhi arah hubungan.

Misalnya jika β1 = 0.435. Maka persamaan regresinya seperti ini: Y = 15.382 + (-0.435)X1 + 0.350X2 kemudian disederhanakan menjadi seperti ini Y = 15.382 -0.435X1 + 0.350X2. Ini hanya contoh jika koefisien regresi bernilai negatif.

Sementara Saya tetap menggunakan hasil yang sebenarnya Y = 15.382 + 0.435X1 + 0.350X2.

Lalu… Pahami Cara Membaca Model Regresi Linier Itu

Note: Dalam membaca model Regresi Linier, Anda harus mempertimbangkan arah hubungan. Jika positif, pengaruhnya adalah positif. Begitu juga dengan negatif.

Arah hubungan ini bisa Anda lihat (salah satu caranya) dalam persamaan regresi: Y = 15.382 + 0.435X1 + 0.350X2.

Penting! Untuk contoh koefisien regresi bernilai negatif (pengaruh negatif), bisa Anda lihat pada SUB-BAB Hasil Regresi E-Eviews.

Jadi cara baca model regresi untuk contoh ini seperti berikut:

  1. α = 15.382. Artinya apabila Upah dan Gaya Kepemimpinan sebesar 0, maka Kinerja Karyawan sebesar 15.382. Hasil ini signifikan pada alpha 5% (Lihat Kolom Sig dan Baris (Constant) pada Tabel Coefficent dari Output SPSS).
  2. β1 = 0.435. Artinya dengan asumsi Gaya Kepemimpinan bernilai tetap (tidak berubah), maka setiap peningkatan Upah sebesar 1 Satuan akan meningkatkan Kinerja Karyawan sebesar 0.435. Hasil ini signifikan pada Alpha 5% dari hasil uji t.
  3. β2 = 0.350. Artinya dengan asumsi Upah bernilai tetap (tidak berubah), maka setiap peningkatan Gaya Kepemimpinan sebesar 1 Satuan akan meningkatkan Kinerja Karyawan sebesar 0.350. Hasil ini signifikan pada Alpha 5% dari hasil uji t.

Mudah bukan ?

Lalu bagaimana jika ada variabel yang tidak berpengaruh signifikan ? Yaa tetap tidak signifikan.

Dalam kesimpulan, sertakan bahwa “Hasil ini tidak signifikan pada Alpha 5% dari hasil uji t” misalnya.

Penting! Tidak Signifikan itu bukan sebuah masalah. Karena hasil penelitian itu mutlak dan tidak bisa diganggu-gugat selama Anda tidak melakukan kesalahan. Ini sudah Saya bahas pada SUB-BAB Tidak Signifikan.

Kemungkinan Anda akan diminta untuk mencari justifikasi, kenapa bisa tidak signifikan ?

Pintasan Panduan Olah Data Regresi Linier

Panduan Sebelumnya: Proposal (BAB 1 – 3).

  1. Regresi Linier: Materi dasar (yang paling dasar) tentang Regresi Linier. Jangan abaikan materi ini, supaya tidak gagal paham.
  2. Metode Analisis: Uji apa saja yang wajib dilakukan pada Penelitian Regresi Linier ?

Angket Kuesioner

Jika penelitian Anda menggunakan angket kuesioner, ikuti beberapa panduan berikut sebagai tahap awal dalam analisis data.

  1. Tabulasi Data: Membuat tabulasi data dari hasil jawaban responden menggunakan Microsoft Excel berdasarkan skala likert + Gratis Template.
  2. Analisis Deskriptif: Langkah-langkah analisis deskriptif data angket kuesioner + Gratis Template Otomatis.
  3. Frekuensi Kumulatif: (Sedang disusun).
  4. Method Successive Interval: Lakukan MSI untuk mengubah data ordinal (dari skala likert) menjadi data interval sebagai syarat Analisis Regresi Linier.

Selanjutnya, ikuti panduan sesuai software yang Anda gunakan. Saat ini, Saya sudah menyusun panduan dari 2 software.

Regresi SPSS

  1. Uji Asumsi Klasik SPSS: Cara uji Asumsi Klasik menggunakan Aplikasi SPSS.
  2. Regresi SPSS: Cara Regresi, Uji t, uji F, R2 dan Estimasi Model Regresi menggunakan Aplikasi SPSS
  3. Hasil SPSS: (Anda Disini).

Regresi E-Views

  1. Uji Asumsi Klasik E-Views: Cara uji Asumsi Klasik menggunakan Aplikasi E-Views
  2. Regresi E-Views: Cara Regresi, Uji t, uji F, R2 + Pengambilan keputusan Hipotesis.
  3. Hasil E-Views: Cara baca hasil Regresi E-Views (Interpretasi Model Regresi), + R-Square

Panduan Berikutnya: Problem dan Solusi.

19 tanggapan pada “Cara Membaca Hasil Regresi Linier di SPSS Lengkap + Contoh”

  1. thanks, sangat membantu untuk edukasi, semoga sehat2, trus berkarya untuk nkri

  2. Kak mau tanya, kalo nilai signifikan di baris konstannya 0.003 itu gimana penjelasannya? Contoh nilai konstan saya 24.985, apakah penjelasannya seperti ini Artinya apabila Upah dan Gaya Kepemimpinan sebesar 0, maka Kinerja Karyawan sebesar 24.985.

  3. Iya. Di artikel sudah Saya jelaskan.
    Biar paham, baca lagi artikel nya sampe habis.
    Terutama bagian “Interpretasi Model Regresi Linier”

  4. Permisi terima kasih atas penjelasan , cukup mencerahkan dalam membaca analisis regresi linier , yang ingin saya tanyakan :

    1. Pada analisis model regresi saya didapatkan Constant sig tidak signifikan, namun Beta 1 dan Beta 2 signigikan .. bagaimana artinya, cara membaca, dan menarik kesimpulannya bagaimana ?

    2. Pada model regresi Beta 1 didapatkan angka 0,5869 dan Beta 2 ada angka 1,349 … itu dapat angka nya darimana ?

    demikian mohon pencerahannya

  5. kak mau tanya, saya diminta dosen untuk melakukan perubahan angka konstanta yang tidak boleh lebih dari angka 1-5, sedangkan konstanta yg saya dptkan sebesar 53,321. lalu saya rata–ratakan semua variabel dptlah 5,732. lalu dosen saya ttp maunya angkanya kisaran angka 1-5, saya hrs gimana yah buat agar konstanta ini bisa kisaran 1-5. mohon tanggapannya dan terimakasih

  6. Coba tambah periode atau sample penelitian. Atau coba tambah atau ganti variabel x.

    Tapi Saya kurang yakin.. ini trial n error juga.

    Oh ya… nilai variabel Y kakak ini masih mendekati 53,321 nggak ? Liat rata2 nya aja deh, apa masih mendekati itu.

    Kalo mendekati 53,321 ya ga masalah. Memang kisaran datanya juga segitu. Kan konstanta itu nilai Y jika semua variabel X sebesar 0.

    Terus perlu diperhatikan juga, konstantanya signifikan atau enggak ?

  7. Kak mau tanya jika hasil uji t hasilnya begini Y=175.192-1.474X1+0.673X2-2.054X3-0.649X4 dimana Y = jumlah barang yang dibeli oleh konsumen X1= jumlah barang yang diproduksi, X2 =biaya promosi, X3= biaya distribusi, X4=harga barang. Bagaimana menjelaskan artinya.

  8. Saya pikir diatas udah dijelasin gimana cara ngebaca output regresi nya kak. Tinggal ubah makna positif dan negatif nya aja bukan ?

  9. kak mau tanya, kalo misal konstanta nya bernilai negatif bagaimana ya cara membacanya. Y= -1,037+684,154X1+14,932X2+407933,720X3

  10. Kak izin bertanya.
    Hasil analisa bivariate data saya dengan menggunakan spearman X1 X2 berhubungan signifikan. Namun waktu dianalisis regresi linear berganda ini kok hasil uji t yang secara parsial X2 bisa tidak signifikan ya kak? Kira2 itu artinya apa ya kak?

  11. Ka mau tanya, apa benar nilai konstanta di hasil uji T tidak boleh melebih 1 atau 100 karna hasil uji T saya memunculkan angka 1,777
    Terima kasih sebelumnya

  12. kakk mau bertanya di penelitian saya itu hasil persamaan regresinya begini:
    Y = 0,008 + 0,001X1 -5,755E-5X2 + 1,091E-7X3 + 0,000X4 + 0,000X5

    yang ingin sy tanyakan, cara mengiterpretasik nilai yg -5,755E-5, 1,091E-7, dan 0,000 itu bagaimana ya kak??

    terimakasih sebelumnya kakk, mohon sekiranya dibalas kak untuk mempermudah sy dalam pengerjaan skripsi

  13. Hallo kak, mau bertanya

    Jika hasil spss saya pada kolom approximate significance hanya berisi pangkat b itu artinya apa kak ?

    Terimakasih

  14. Mohon pencerahanya kak. hasil nilai signifikansi pada uji partial X1 0.000, begitu juga X2 0,000, tetapi ketika diuji secara bersama2 nilai signifikansi X1 berubah menjadi 0,34 dan X2 berubah menjadi 0,39. padahal katanya diuji secara partial maupun simultan hasilnya harusnya sama.

  15. Kak aku mau tnya kan aku udah uji regresi linear berganda terus tuh dapet hasilnya x1,x2,x3 itu signifikan dibawah 0,05 sedangkan di signifikan konstanta nya tuh di 0,345 itu artinya apa ya kak?

  16. Kak, setelah membaca web kakak bagian skripsi, sy ingin bertanya kak:
    1. Untuk pengaruh X1 dan X2 terhadap Y, apakah ada kemungkinan terjadi jika uji f tidak signifikan, tetapi nilai R squarenya besar? Apa interpretasinya itu kak?

    2. Jika hasil secara parsial dan simultan ada pengaruh signifikan, mana yang lebih tepat untuk melihat variabel X mana yg memberi pengaruh lebih besar, apakah dengan cara penentuan variabel yg lebih dominan dari nilai beta? Atau perhitungan Sumbangan Efektif masing masing variabel dari R Square?
    3. Kak utk df=n-k, itu k nya total variabel (x+y?) Atau k=variabel bebas saja? Saya baca2 banyak blog/buku kok beda beda ya kak? Juga jk 3 variabel X dan 1 Y, apakah utk uji validitas df itu harus n-2? Saya baca buku dan tabel df tertulis n-2.

    4. Kak, dimana pembahasan tentang identifikasi masalah? Apakah untuk S1, jika penjualan meningkat selama 5 tahun terakhir, apakah itu bisa dijadikan masalah penelitian? (apa benar ada masalah?) utk melihat variabel mana yg memberikan kontribusi terbesar? (Judul pengaruh citra merek dan harga terhadap keputusan pembelian) Krn ada dospem bilang jk penjualan meningkat 5 thn terakhir lalu apa masalahmu?

    Terima kasih sebelumnya ya kak.

  17. Penjelasan kakak sangat membantu dalam menginterpretasikan hasil penelitian saya. Terima kasih

Komentar Anda:

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *