› Tutorial Olah Data
Tutorial Regresi Linier Berganda di SPSS Lengkap dengan Interpretasi
Tim Statistician Jokify · Terbit 27 April 2026
Regresi linier berganda (multiple linear regression) digunakan untuk menguji pengaruh dua atau lebih variabel independen (X) terhadap satu variabel dependen (Y). Analisis ini adalah salah satu yang paling sering digunakan dalam penelitian skripsi bidang manajemen, ekonomi, psikologi, dan ilmu sosial lainnya. Artikel ini memandu Anda secara lengkap — dari pemahaman model, uji asumsi klasik, langkah teknis di SPSS, hingga interpretasi setiap bagian output dan penulisan hasilnya di skripsi.
Model Regresi Linier Berganda
Model matematika regresi linier berganda adalah:
Y = a + b₁X₁ + b₂X₂ + ... + bₙXₙ + e
Di mana:
- Y = variabel dependen (yang ingin dijelaskan/diprediksi)
- a = konstanta (nilai Y ketika semua X = 0)
- b₁, b₂, ... = koefisien regresi masing-masing variabel independen
- X₁, X₂, ... = variabel independen (prediktor)
- e = error/residual (bagian Y yang tidak dapat dijelaskan model)
Regresi linier berganda mengasumsikan bahwa hubungan antara Y dan setiap X bersifat linier, aditif, dan konstan di seluruh rentang nilai X. Pelanggaran asumsi ini — seperti hubungan non-linier atau interaksi antar prediktor — dapat menyebabkan koefisien yang bias dan prediksi yang tidak akurat.
Contoh Kasus yang Digunakan
Sepanjang artikel ini, kita akan menggunakan contoh penelitian berikut sebagai ilustrasi nyata:
Judul: Pengaruh Motivasi Kerja (X₁), Disiplin Kerja (X₂), dan Lingkungan Kerja (X₃) terhadap Kinerja Karyawan (Y) di PT Maju Bersama.
Sampel: 135 karyawan (n = 135)
Skala pengukuran: Kuesioner Likert 1–5 untuk semua variabel; skor total tiap variabel digunakan sebagai nilai numerik.
Tahap 1: Uji Asumsi Klasik
Sebelum menjalankan regresi, Anda wajib memenuhi empat uji asumsi klasik berikut. Melangkahi tahap ini akan membuat hasil analisis tidak dapat dipertanggungjawabkan secara metodologis.
1.1 Uji Normalitas
Residual dari model regresi harus berdistribusi normal.
Cara di SPSS:
- Jalankan regresi terlebih dahulu (lihat Tahap 2).
- Saat menjalankan regresi, klik Save dan centang Unstandardized Residuals — SPSS akan membuat variabel
RES_1. - Setelah regresi selesai, uji normalitas
RES_1melalui Analyze → Descriptive Statistics → Explore, centang Normality plots with tests.
Keputusan: Jika Sig. Shapiro-Wilk (untuk n ≤ 50) atau Kolmogorov-Smirnov (untuk n > 50) > 0,05, residual dianggap normal.
Anda juga dapat memeriksa grafik Normal P-P Plot of Regression Standardized Residual yang dihasilkan langsung oleh SPSS saat regresi dijalankan: titik-titik yang mengikuti garis diagonal menandakan normalitas residual.
1.2 Uji Multikolinearitas
Tidak boleh ada korelasi tinggi antar variabel independen. Jika X₁ dan X₂ terlalu berkorelasi, SPSS kesulitan memisahkan pengaruh masing-masing dan koefisien menjadi tidak stabil.
Cara di SPSS: Saat menjalankan regresi, klik Statistics dan centang Collinearity diagnostics.
Dua nilai yang diperiksa:
| Indikator | Kriteria Aman | Interpretasi Jika Dilanggar |
|---|---|---|
| Tolerance | > 0,10 | Variabel berbagi terlalu banyak varians dengan X lain |
| VIF (Variance Inflation Factor) | < 10 | VIF = 1 / Tolerance; semakin besar, semakin buruk |
Jika VIF > 10, tangani dengan: menghapus salah satu variabel yang berkorelasi tinggi, menggabungkan variabel tersebut, atau menggunakan ridge regression.
Contoh output multikolinearitas:
Coefficients — Collinearity Statistics
Variabel Tolerance VIF
X1 (Motivasi) 0.782 1.279
X2 (Disiplin) 0.814 1.228
X3 (Lingkungan) 0.791 1.264
Semua Tolerance > 0,10 dan VIF < 10 → Tidak ada multikolinearitas.
1.3 Uji Heteroskedastisitas
Varians residual harus bersifat konstan (homoskedastik) di seluruh rentang nilai Y yang diprediksi. Heteroskedastisitas menyebabkan estimasi koefisien tidak efisien dan standar error tidak akurat.
Cara 1 — Scatterplot (visual):
Saat menjalankan regresi, klik Plots, pindahkan *ZRESID ke sumbu Y dan *ZPRED ke sumbu X. Klik Continue.
Interpretasi:
- Titik-titik menyebar acak tanpa pola → homoskedastik (asumsi terpenuhi)
- Titik-titik membentuk pola corong/melebar seiring bertambahnya nilai X prediksi → heteroskedastis
Cara 2 — Uji Glejser (formal):
- Simpan residual tidak terstandarisasi (
RES_1) saat menjalankan regresi. - Buat variabel baru berisi nilai absolut residual: Transform → Compute Variable, rumus
ABS(RES_1). - Regresi variabel absolut residual terhadap semua X: Analyze → Regression → Linear, gunakan
ABS_RES_1sebagai Y. - Periksa kolom Sig. pada tabel Coefficients — jika Sig. > 0,05 untuk semua variabel X, tidak ada heteroskedastisitas.
1.4 Uji Autokorelasi
Residual tidak boleh saling berkorelasi satu sama lain. Asumsi ini paling relevan untuk data time-series atau data yang memiliki urutan alami.
Cara di SPSS: Centang Durbin-Watson saat klik Statistics dalam menu regresi.
Interpretasi nilai Durbin-Watson (DW):
| Rentang DW | Kesimpulan |
|---|---|
| 1,5 – 2,5 | Tidak ada autokorelasi (aman) |
| < 1,5 | Autokorelasi positif |
| > 2,5 | Autokorelasi negatif |
Untuk keputusan yang lebih presisi, bandingkan DW dengan nilai kritis dL dan dU dari tabel Durbin-Watson berdasarkan n dan jumlah variabel independen.
Tahap 2: Menjalankan Regresi Linier Berganda di SPSS
Setelah asumsi klasik terpenuhi, jalankan analisis regresi utama.
Langkah 1: Klik Analyze di menu utama.
Langkah 2: Pilih Regression, kemudian klik Linear.
Langkah 3: Pada kotak dialog Linear Regression:
- Pindahkan variabel dependen (Y: Kinerja) ke kotak Dependent.
- Pindahkan semua variabel independen (X₁, X₂, X₃) ke kotak Independent(s).
- Pastikan Method diset ke Enter (memasukkan semua variabel sekaligus — disebut juga metode forced entry).
Langkah 4: Klik Statistics, centang:
- Estimates — untuk koefisien B dan uji t
- Confidence intervals — interval kepercayaan 95% untuk koefisien B
- Model fit — untuk R² dan ANOVA
- Collinearity diagnostics — untuk VIF dan Tolerance
- Durbin-Watson — untuk uji autokorelasi
Klik Continue.
Langkah 5: Klik Plots:
- Pindahkan
*ZRESIDke kotak Y dan*ZPREDke kotak X (untuk scatterplot heteroskedastisitas). - Centang Normal probability plot (untuk P-P Plot normalitas residual).
Klik Continue.
Langkah 6: Klik Save:
- Centang Unstandardized Residuals dan Standardized Residuals untuk keperluan uji asumsi lanjutan.
Klik Continue.
Langkah 7: Klik OK untuk menjalankan analisis.
Tahap 3: Membaca dan Menginterpretasikan Output SPSS
Tabel Model Summary
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson
1 0.734 0.539 0.521 2.341 1.847
Interpretasi setiap kolom:
-
R (0,734): Koefisien korelasi berganda — menunjukkan kekuatan hubungan antara seluruh variabel X secara bersama-sama dengan Y. Nilai 0,734 termasuk kategori kuat.
-
R Square/R² (0,539): Koefisien determinasi — proporsi variasi Y yang dapat dijelaskan oleh variabel-variabel X dalam model. Pada contoh: 53,9% variasi kinerja karyawan dijelaskan oleh motivasi, disiplin, dan lingkungan kerja secara bersama-sama. Sisanya 46,1% dijelaskan oleh faktor lain di luar model.
-
Adjusted R² (0,521): R² yang sudah disesuaikan dengan jumlah variabel dan ukuran sampel. Nilai ini lebih konservatif dan lebih tepat dilaporkan ketika model memiliki banyak prediktor. Gunakan Adjusted R² — bukan R² mentah — sebagai ukuran goodness-of-fit.
-
Std. Error of the Estimate (2,341): Simpangan baku residual — semakin kecil, semakin akurat prediksi model.
-
Durbin-Watson (1,847): Berada dalam rentang 1,5–2,5 → tidak ada autokorelasi.
Tabel ANOVA
ANOVA
Model Sum of Squares df Mean Square F Sig.
Regression 842.31 3 280.77 51.24 .000
Residual 720.15 131 5.50
Total 1562.46 134
Tabel ANOVA menguji apakah model regresi secara keseluruhan bermakna (uji simultan/uji F).
- H₀: Semua koefisien regresi = 0 — model tidak mampu menjelaskan Y lebih baik daripada rata-rata Y semata.
- H₁: Minimal satu koefisien ≠ 0.
Keputusan: F = 51,24 dengan Sig. = 0,000 < 0,05 → Tolak H₀ → Model regresi secara keseluruhan signifikan — motivasi, disiplin, dan lingkungan kerja secara bersama-sama berpengaruh signifikan terhadap kinerja karyawan.
Cara menulis: "F(3, 131) = 51,24, p < 0,001" — format ini mengikuti APA dan banyak panduan penulisan ilmiah.
Tabel Coefficients (Tabel Terpenting)
Coefficients
Unstandardized Standardized
B Std.Error Beta t Sig. 95% CI Lower Upper
(Constant) 12.45 2.31 5.39 .000 7.88 17.02
X1 (Motivasi) 0.42 0.09 0.31 4.67 .000 0.24 0.60
X2 (Disiplin) 0.38 0.11 0.24 3.45 .001 0.16 0.60
X3 (Lingkungan) -0.12 0.08 -0.10 -1.50 .136 -0.28 0.04
Kolom B — Koefisien Tidak Terstandarisasi:
Ini adalah koefisien yang digunakan untuk menulis persamaan regresi dan membuat prediksi.
- Constant (a = 12,45): Nilai prediksi Y (kinerja) ketika X₁, X₂, dan X₃ semuanya = 0. Dalam konteks penelitian ini, angka tersebut merupakan baseline teoritis.
- B untuk X₁ (0,42): Setiap kenaikan 1 satuan motivasi kerja, kinerja karyawan rata-rata meningkat sebesar 0,42 satuan — dengan asumsi disiplin kerja dan lingkungan kerja dianggap konstan.
- B untuk X₂ (0,38): Setiap kenaikan 1 satuan disiplin kerja, kinerja meningkat 0,38 satuan — ceteris paribus.
- B untuk X₃ (-0,12): Tanda negatif berarti hubungan berlawanan arah. Namun perhatikan bahwa X₃ tidak signifikan (Sig. = 0,136), sehingga koefisien ini tidak dapat diandalkan.
Kolom Beta — Koefisien Terstandarisasi:
Beta memungkinkan perbandingan kontribusi relatif antar variabel yang memiliki satuan berbeda (karena semua sudah dikonversi ke satuan standar deviasi). Variabel dengan nilai |Beta| terbesar memiliki pengaruh paling dominan terhadap Y.
Pada contoh: Beta X₁ = 0,31 > Beta X₂ = 0,24 → Motivasi kerja (X₁) adalah prediktor yang lebih dominan daripada disiplin kerja (X₂).
Kolom t dan Sig. — Uji Parsial (Uji t):
Uji t menguji apakah masing-masing variabel X berpengaruh signifikan terhadap Y secara individual (dengan mengontrol variabel X lainnya).
- H₀: Koefisien bᵢ = 0 (variabel Xᵢ tidak berpengaruh terhadap Y)
- Keputusan: Jika Sig. < 0,05 → variabel tersebut berpengaruh signifikan secara parsial
Kesimpulan dari contoh:
- X₁ (Motivasi): Sig. = 0,000 < 0,05 → Berpengaruh signifikan positif terhadap kinerja
- X₂ (Disiplin): Sig. = 0,001 < 0,05 → Berpengaruh signifikan positif terhadap kinerja
- X₃ (Lingkungan): Sig. = 0,136 > 0,05 → Tidak berpengaruh signifikan terhadap kinerja
Kolom 95% CI (Confidence Interval):
Interval kepercayaan 95% menunjukkan rentang nilai yang sangat mungkin menjadi nilai koefisien B sesungguhnya di populasi. Jika interval ini melewati angka 0 (seperti X₃: -0,28 hingga 0,04), ini mengonfirmasi bahwa pengaruh variabel tersebut tidak signifikan.
Persamaan Regresi dan Cara Menulisnya
Berdasarkan output di atas, persamaan regresi yang digunakan hanya memuat koefisien yang bermakna secara statistik. Namun dalam pelaporan skripsi, persamaan lengkap tetap dituliskan:
Ŷ = 12,45 + 0,42X₁ + 0,38X₂ - 0,12X₃
Dalam narasi skripsi, tambahkan interpretasi:
"Persamaan regresi menunjukkan bahwa setiap kenaikan satu satuan motivasi kerja akan meningkatkan kinerja sebesar 0,42 satuan; setiap kenaikan satu satuan disiplin kerja akan meningkatkan kinerja sebesar 0,38 satuan; sedangkan lingkungan kerja tidak memberikan pengaruh signifikan terhadap kinerja karyawan."
Simulasi Prediksi dengan Persamaan Regresi
Misalkan terdapat seorang karyawan dengan skor motivasi X₁ = 20, disiplin X₂ = 18, dan lingkungan X₃ = 15:
Ŷ = 12,45 + 0,42(20) + 0,38(18) + (-0,12)(15)
Ŷ = 12,45 + 8,40 + 6,84 - 1,80
Ŷ = 25,89
Prediksi skor kinerja karyawan tersebut adalah 25,89 dari skala yang berlaku. Ingat bahwa ini adalah prediksi rata-rata — nilai aktual individu akan bervariasi di sekitar angka ini sebesar ±2,341 (Std. Error of the Estimate).
Template Penulisan Hasil Regresi untuk Skripsi
Bagian Uji F (Simultan):
"Berdasarkan hasil uji F pada tabel ANOVA, diperoleh nilai F hitung sebesar 51,24 dengan signifikansi 0,000 (p < 0,05). Hasil ini menunjukkan bahwa variabel motivasi kerja, disiplin kerja, dan lingkungan kerja secara simultan berpengaruh signifikan terhadap kinerja karyawan PT Maju Bersama. Nilai Adjusted R² sebesar 0,521 berarti ketiga variabel independen mampu menjelaskan 52,1% variasi kinerja karyawan, sedangkan 47,9% sisanya dijelaskan oleh variabel lain di luar model."
Bagian Uji t (Parsial):
"Secara parsial, motivasi kerja berpengaruh positif dan signifikan terhadap kinerja (B = 0,42; Sig. = 0,000 < 0,05), disiplin kerja berpengaruh positif dan signifikan terhadap kinerja (B = 0,38; Sig. = 0,001 < 0,05), sedangkan lingkungan kerja tidak berpengaruh signifikan terhadap kinerja (B = -0,12; Sig. = 0,136 > 0,05). Motivasi kerja merupakan variabel dengan pengaruh paling dominan berdasarkan nilai Beta terstandarisasi tertinggi (Beta = 0,31)."
Kesalahan Umum yang Harus Dihindari
1. Melewati uji asumsi klasik dan langsung menjalankan regresi. Ini adalah kesalahan paling fatal. Hasil regresi yang diperoleh tanpa verifikasi asumsi tidak dapat dipertanggungjawabkan dan sangat rentan ditolak oleh penguji.
2. Mengabaikan VIF tinggi. Multikolinearitas menyebabkan koefisien menjadi tidak stabil dan standar error membesar — sehingga variabel yang sebenarnya berpengaruh bisa tampak tidak signifikan.
3. Salah menginterpretasikan R². R² bukan persentase "keberhasilan" model secara umum, melainkan proporsi variansi Y yang dijelaskan oleh variabel X dalam model. R² = 0,54 tidak berarti model "54% benar" — melainkan 54% variansi Y terkaptisi oleh prediktor yang dimasukkan.
4. Tidak melaporkan Adjusted R². Untuk model dengan banyak variabel, R² mentah selalu naik setiap kali variabel baru ditambahkan — bahkan jika variabel itu tidak relevan. Adjusted R² mengoreksi bias ini.
5. Menyimpulkan kausalitas dari hasil regresi. Regresi menunjukkan asosiasi statistik, bukan hubungan sebab-akibat yang terbukti. Kausalitas memerlukan desain penelitian yang lebih kuat (eksperimen, longitudinal) atau argumen teoretis yang kokoh.
6. Melaporkan B tanpa menyebut signifikansinya. Koefisien B yang tidak signifikan tidak boleh diinterpretasikan seolah-olah memiliki makna substantif. Selalu laporkan nilai t dan Sig. bersamaan dengan B.
7. Memasukkan variabel yang terlalu banyak dengan sampel kecil. Panduan umum: minimal 10–20 observasi per variabel prediktor. Dengan 3 variabel independen, dibutuhkan setidaknya 30–60 responden untuk hasil yang stabil — meski lebih banyak selalu lebih baik.
Penutup
Regresi linier berganda yang dijalankan dengan benar — mulai dari verifikasi asumsi klasik, eksekusi teknis yang tepat, hingga interpretasi koefisien yang cermat — akan menghasilkan temuan yang kuat dan dapat dipertanggungjawabkan di hadapan pembimbing maupun penguji. Jika Anda membutuhkan pendampingan teknis dalam proses olah data SPSS, tim Asisten Akademik Jokify siap membantu Anda memastikan setiap langkah — dari uji asumsi hingga penulisan narasi hasil — dilakukan dengan tepat dan sesuai kaidah metodologi penelitian.
