Regresi Linier Berganda di SPSS: Langkah, Output, dan Interpretasi

Regresi linier berganda di SPSS dijalankan lewat Analyze → Regression → Linear: masukkan variabel dependen (Y) ke Dependent, semua variabel independen (X) ke Independent(s), biarkan Method: Enter, lalu baca tiga tabel utama — Model Summary (R²), ANOVA (uji F), dan Coefficients (uji t). Tutorial ini memakai IBM SPSS Statistics 25–29 dan satu data latihan (n = 135), lengkap dengan t-tabel, F-tabel, sumbangan efektif, dan template narasi Bab 4.

Langkah Singkat Regresi Linier Berganda di SPSS

1. Hitung skor total tiap variabel dengan Transform → Compute Variable setelah instrumen lolos uji validitas dan reliabilitas.
2. Buka Analyze → Regression → Linear; masukkan Y ke Dependent dan semua X ke Independent(s); biarkan Method: Enter.
3. Di Statistics, centang Estimates, Confidence intervals, Model fit, Descriptives, Part and partial correlations, Collinearity diagnostics, dan Durbin-Watson.
4. Di Plots, masukkan *SRESID ke kotak Y dan *ZPRED ke kotak X, lalu centang Normal probability plot.
5. Di Save, centang Unstandardized pada kelompok Residuals, kemudian klik OK.
6. Periksa asumsi klasik dari output dan residual yang tersimpan.
7. Baca ANOVA (uji F), Coefficients (uji t), dan Model Summary (R²), lalu tulis persamaan regresinya.

Model, Hipotesis, dan Data Latihan

Persamaan Model dan Hipotesis

Regresi linier berganda memodelkan satu variabel dependen dari dua atau lebih variabel independen:

Y = b0 + b1X1 + b2X2 + b3X3 + e

Y adalah variabel dependen, b0 konstanta, b1–b3 koefisien regresi (perubahan rata-rata Y untuk kenaikan satu satuan X tertentu ketika X lain konstan), dan e residual. Hipotesis ditulis sebagai pernyataan tentang parameter populasi (Sugiyono, 2019):

• Uji t (parsial), untuk setiap Xi: H0: βi = 0; H1: βi ≠ 0 (dua arah), atau βi > 0 bila teori memprediksi pengaruh positif (satu arah).
• Uji F (simultan): H0: β1 = β2 = β3 = 0; H1: minimal satu βi ≠ 0.

Cara menurunkan hipotesis dari teori dan penelitian terdahulu dibahas di cara merumuskan hipotesis penelitian.

Prediktor Kategorik (Variabel Dummy)

Variabel kategorik seperti jenis kelamin dimasukkan sebagai dummy 0/1, misalnya 1 = perempuan dan 0 = laki-laki. Koefisiennya dibaca sebagai selisih rata-rata Y antara kategori 1 dan kategori acuan (0) ketika X lain konstan. Untuk kategori lebih dari dua, buat k − 1 dummy; memasukkan seluruh k dummy sekaligus menimbulkan kolinearitas sempurna sehingga salah satunya dikeluarkan SPSS.

Data Latihan PT Maju Bersama

Data ilustrasi (fiktif) untuk latihan: 135 karyawan PT Maju Bersama mengisi kuesioner Likert 1–5, dan skor total dipakai sebagai nilai variabel. Data yang sama dipakai di panduan uji normalitas di SPSS, sehingga semua angka saling cocok.

Korelasi Pearson tiap X dengan kinerja adalah 0,554 (X₁), 0,619 (X₂), dan 0,453 (X₃), semuanya p < 0,001; korelasi antar-X berkisar 0,334–0,462.

Menjalankan Regresi Linier Berganda di SPSS

Di dialog Linear Regression, masukkan Kinerja ke Dependent dan ketiga X ke Independent(s). Opsi yang perlu dicentang (IBM, t.t.-a; IBM, t.t.-b):

Method: Enter memasukkan semua X sekaligus — inilah metode yang tepat untuk menguji hipotesis. Stepwise memilih variabel berdasarkan angka sampel, bukan teori, sehingga tidak cocok untuk pengujian hipotesis (Field, 2018).

Cek Asumsi Klasik Sebelum Menafsirkan Hasil

Asumsi yang berbasis residual hanya bisa diperiksa setelah regresi dijalankan. Karena itu urutannya: jalankan regresi dengan opsi di atas, periksa asumsi dari output dan RES_1, lalu tafsirkan uji t dan F setelah asumsi terpenuhi atau sudah ditangani. Ringkasan untuk data latihan:

Kriteria Tolerance dan VIF di atas adalah aturan yang umum dipakai di skripsi Indonesia (Ghozali, 2018). Cara menjalankan dan membaca setiap uji, termasuk tabel Durbin-Watson, dibahas di panduan uji asumsi klasik regresi; deteksi lanjutan dan cara mengatasi pelanggarannya ada di artikel multikolinearitas dan heteroskedastisitas.

Outlier dan Kasus Berpengaruh

Tabel Residuals Statistics dan variabel yang disimpan dari menu Save membantu memeriksa pencilan. Pada data latihan:

• Tidak ada residual terstandar di luar ±3 (rentang −2,823 sampai 2,384); 7 dari 135 kasus (5,2%) berada di luar ±2, sesuai yang diharapkan dari distribusi normal (sekitar 5%).
• Cook's distance maksimum 0,079, jauh di bawah patokan 1 (Field, 2018).
• Jarak Mahalanobis maksimum 14,450, di bawah nilai kritis χ²(3; 0,001) = 16,266 (Tabachnick & Fidell, 2019).

Jika menemukan kasus berpengaruh, periksa dahulu kemungkinan salah input. Kasus yang sah dilaporkan dengan analisis sensitivitas, yaitu hasil dengan dan tanpa kasus tersebut.

Membaca Output: Model Summary, ANOVA, dan Coefficients

Model Summary: R, R², dan Adjusted R²

Model Summary
Model  R      R Square  Adjusted  Std. Error of  Durbin-
                        R Square  the Estimate   Watson
1      0,723  0,522     0,511     4,858          1,911

• R = 0,723: korelasi berganda antara nilai prediksi dan nilai Y aktual.
• R² = 0,522: 52,2% variasi kinerja dalam sampel dijelaskan bersama oleh motivasi, disiplin, dan lingkungan kerja; 47,8% sisanya berasal dari faktor lain di luar model.
• Adjusted R² = 0,511: R² yang dikoreksi untuk jumlah prediktor, yaitu 1 − (1 − 0,522) × (135 − 1)/(135 − 3 − 1) = 0,511. Laporkan nilai ini pada regresi berganda karena R² selalu naik ketika prediktor ditambah, sekalipun prediktornya tidak berguna.
• Std. Error of the Estimate = 4,858: taksiran simpangan baku galat model, yaitu akar Mean Square Residual (√23,597), dalam satuan skor kinerja.

Tidak ada patokan universal untuk "R² yang baik"; besarnya bergantung pada bidang dan jenis data. Yang penting, R² dibaca sebagai proporsi variasi yang dijelaskan model, bukan persentase "kebenaran" model.

ANOVA: Uji F (Simultan)

ANOVA
Model       Sum of Squares   df   Mean Square   F        Sig.
Regression  3376,229          3   1125,410      47,692   0,000
Residual    3091,253        131     23,597
Total       6467,481        134

F-tabel pada α 0,05 dicari dengan df1 = k = 3 dan df2 = n − k − 1 = 131, yaitu 2,674. Karena F-hitung 47,692 > 2,674 dan Sig. < 0,001, H0 ditolak: motivasi, disiplin, dan lingkungan kerja secara simultan berpengaruh signifikan terhadap kinerja. Output SPSS menulis Sig. = 0,000 karena nilainya dibulatkan ke tiga desimal; laporkan sebagai p < 0,001, misalnya F(3, 131) = 47,69; p < 0,001.

Coefficients: Uji t (Parsial)

Coefficients (Dependent Variable: Kinerja)
                 B       Std. Error  Beta    t       Sig.
(Constant)       4,130   2,874               1,437   0,153
Motivasi (X1)    0,474   0,089       0,367   5,331   0,000
Disiplin (X2)    0,562   0,084       0,464   6,726   0,000
Lingkungan (X3)  0,104   0,109       0,070   0,959   0,339

Tabel yang sama juga memuat interval kepercayaan 95% untuk B — X₁ [0,298; 0,650], X₂ [0,397; 0,727], X₃ [−0,111; 0,320] — serta korelasi zero-order, Tolerance, dan VIF. T-tabel dicari dengan df = n − k − 1 = 131: pada α 0,05 dua arah nilainya 1,978, dan satu arah 1,657.

Membandingkan t-hitung dengan t-tabel dan membandingkan Sig. dengan 0,05 selalu menghasilkan keputusan yang sama, jadi pakai salah satunya secara konsisten. Tulis "H0 gagal ditolak", bukan "H0 diterima", karena data tidak membuktikan bahwa pengaruhnya nol.

Hipotesis Satu Arah

Jika hipotesis Anda berarah, misalnya H3: lingkungan kerja berpengaruh positif (β3 > 0), periksa dahulu tanda koefisiennya. B₃ bertanda positif sesuai hipotesis, sehingga p satu arah = Sig./2 = 0,339/2 = 0,170 — tetap > 0,05, dan t-hitung 0,959 < t-tabel satu arah 1,657. H0 tetap gagal ditolak. Bila tandanya berlawanan dengan hipotesis, H0 tidak dapat ditolak berapa pun nilai Sig.-nya, karena Sig. pada output SPSS adalah nilai dua arah (Field, 2018).

Beta dan Interval Kepercayaan

Koefisien B bergantung pada satuan skor, sehingga tidak bisa dipakai untuk membandingkan kekuatan antarvariabel. Gunakan Beta (koefisien terstandar): disiplin kerja memiliki Beta terbesar (0,464), disusul motivasi (0,367), sehingga disiplin kerja adalah prediktor paling dominan pada data ini. Interval kepercayaan B₃ melewati nol (−0,111 sampai 0,320), konsisten dengan uji t yang tidak signifikan.

Persamaan Regresi dan Contoh Prediksi

Dari kolom B, persamaan regresinya adalah:

Ŷ = 4,130 + 0,474X1 + 0,562X2 + 0,104X3

• Konstanta 4,130 adalah prediksi kinerja ketika ketiga skor X bernilai nol. Skor nol berada di luar rentang skala (skor minimum X₁ adalah 8), sehingga konstanta tidak ditafsirkan secara substantif.
• b₁ = 0,474: setiap kenaikan 1 poin skor motivasi berasosiasi dengan kenaikan rata-rata 0,474 poin skor kinerja, dengan disiplin dan lingkungan kerja dianggap konstan.
• b₂ = 0,562: setiap kenaikan 1 poin skor disiplin berasosiasi dengan kenaikan rata-rata 0,562 poin skor kinerja, dengan variabel lain konstan.
• b₃ = 0,104: bertanda positif tetapi tidak signifikan, sehingga tidak ditafsirkan sebagai pengaruh.

Persamaan terstandarnya memakai Beta tanpa konstanta: ẐY = 0,367ZX₁ + 0,464ZX₂ + 0,070ZX₃. Sebagai contoh prediksi, karyawan dengan skor motivasi 32, disiplin 30, dan lingkungan kerja 23 diprediksi memiliki skor kinerja:

Ŷ = 4,130 + 0,474(32) + 0,562(30) + 0,104(23)
  = 4,130 + 15,168 + 16,860 + 2,392
  = 38,55

Angka ini adalah rata-rata prediksi untuk karyawan dengan profil tersebut; skor aktual individu tersebar di sekitarnya dengan simpangan baku galat sekitar 4,86 poin. Untuk batas prediksi per individu, centang Prediction Intervals → Individual di menu Save.

Sumbangan Efektif dan Sumbangan Relatif

Banyak kampus meminta sumbangan efektif (SE) dan sumbangan relatif (SR) untuk menunjukkan porsi R² yang dapat dikaitkan dengan setiap X. Rumusnya memakai Beta dan korelasi zero-order, yang muncul di tabel Coefficients bila opsi Part and partial correlations dicentang:

SE(Xi) = Beta(Xi) × r(Xi, Y) × 100%
SR(Xi) = SE(Xi) / R²

Jumlah SE selalu sama dengan R²; dekomposisi ini dikenal juga sebagai ukuran Pratt (Thomas dkk., 1998). Penafsirannya lugas bila setiap Beta bertanda sama dengan korelasinya, seperti pada data ini. Bila tandanya berlawanan (efek supresi), SE menjadi negatif; jelaskan hal itu apa adanya dan jangan dipaksakan menjadi persentase positif.

Template Narasi Hasil Regresi untuk Bab 4

Sesuaikan dengan penelitian Anda — jangan disalin mentah. Template yang disalin apa adanya juga mudah terdeteksi sebagai kemiripan; prinsip menulis ulang yang sah dibahas di cara menurunkan similarity Turnitin secara benar.

Uji F dan koefisien determinasi:

Hasil uji F menunjukkan F-hitung sebesar 47,692, lebih besar daripada F-tabel 2,674, dengan signifikansi < 0,001, sehingga H0 ditolak: motivasi kerja, disiplin kerja, dan lingkungan kerja secara simultan berpengaruh signifikan terhadap kinerja karyawan, F(3, 131) = 47,69; p < 0,001. Nilai R² sebesar 0,522 (adjusted R² = 0,511) menunjukkan bahwa ketiga variabel independen menjelaskan sekitar 52% variasi kinerja karyawan, sedangkan sisanya dipengaruhi faktor lain di luar model.

Uji t:

Secara parsial, motivasi kerja berpengaruh positif dan signifikan terhadap kinerja (B = 0,474; t = 5,331 > 1,978; p < 0,001), demikian pula disiplin kerja (B = 0,562; t = 6,726 > 1,978; p < 0,001). Lingkungan kerja tidak berpengaruh signifikan terhadap kinerja (B = 0,104; t = 0,959 < 1,978; p = 0,339), sehingga H3 tidak didukung. Berdasarkan koefisien terstandar, disiplin kerja merupakan prediktor paling dominan (Beta = 0,464).

Kesalahan Umum dalam Regresi Linier Berganda

1. Memakai Stepwise untuk menguji hipotesis. Pilih Enter agar semua variabel yang dihipotesiskan diuji bersama.
2. Membandingkan B antarvariabel untuk menentukan variabel dominan. B bergantung pada satuan; gunakan Beta.
3. Melaporkan "Sig. = 0,000". Tulis p < 0,001.
4. Menulis "H0 diterima". Tulis "H0 gagal ditolak".
5. Menyimpulkan sebab-akibat dari survei satu waktu. Regresi menunjukkan asosiasi; klaim kausal memerlukan desain penelitian dan argumen teoretis yang kuat.
6. Menafsirkan konstanta secara harfiah, padahal skor nol berada di luar rentang skala.
7. Membuang X yang tidak signifikan lalu menjalankan ulang tanpa melaporkannya. Sajikan model sesuai hipotesis; model alternatif boleh ditambahkan dengan penjelasan.

Langkah Berikutnya

Setelah regresi berganda dasar dikuasai, model dapat dikembangkan sesuai rumusan masalah: menguji apakah suatu variabel memperkuat atau memperlemah pengaruh X terhadap Y dengan uji moderasi (MRA), menguji pengaruh tidak langsung melalui variabel perantara dengan analisis jalur, atau beralih ke regresi logistik bila variabel dependennya hanya dua kategori, misalnya lulus dan tidak lulus. Apa pun modelnya, urutan kerjanya sama: jalankan model, periksa asumsi, baru tafsirkan hasil.

Jika Anda ingin model regresi dan interpretasinya diperiksa ulang sebelum bimbingan, tim olah data SPSS Jokify dapat mengolah data penelitian Anda sendiri dan menjelaskan setiap tabel output, sehingga Anda memahami setiap angka dan siap mempertahankannya saat sidang.

Pertanyaan yang Sering Diajukan

Berapa jumlah sampel minimal untuk regresi linier berganda?

Perhitungan daya uji dengan G*Power untuk efek sedang (f² = 0,15), α 0,05, dan power 0,80 dengan tiga prediktor menghasilkan minimal 77 responden (Faul dkk., 2009). Tambahkan cadangan 10–20% untuk kuesioner yang tidak kembali atau tidak lengkap. Semakin banyak prediktor, semakin besar sampel yang dibutuhkan.

Bagaimana jika uji F signifikan tetapi tidak ada uji t yang signifikan?

Pola ini sering menandakan multikolinearitas: variabel-variabel X bersama-sama menjelaskan Y, tetapi saling tumpang tindih sehingga kontribusi unik masing-masing tidak terdeteksi. Periksa VIF dan korelasi antar-X, lalu pertimbangkan menggabungkan atau memilih prediktor berdasarkan teori.

Apakah konstanta yang tidak signifikan menjadi masalah?

Tidak. Uji t pada konstanta hanya menguji apakah prediksi Y saat semua X bernilai nol berbeda dari nol, dan hal itu jarang berkaitan dengan hipotesis penelitian. Konstanta tetap dicantumkan dalam persamaan regresi.

Mana yang dilaporkan: Sig. atau perbandingan t-hitung dengan t-tabel?

Keduanya setara dan selalu menghasilkan keputusan yang sama. Pedoman di Indonesia sering meminta perbandingan dengan t-tabel, sedangkan format APA melaporkan t, derajat bebas, dan p, misalnya t(131) = 5,33; p < 0,001. Ikuti pedoman kampus dan gunakan format yang sama di seluruh Bab 4.

Bolehkah tetap memakai regresi jika salah satu X tidak signifikan?

Boleh. Variabel yang tidak signifikan adalah temuan yang sah dan tetap dilaporkan sesuai hipotesis. Bahas kemungkinan penyebabnya di bagian pembahasan, misalnya variasi skor yang sempit atau pengaruh yang sudah tercakup oleh variabel lain.

Referensi

• Faul, F., Erdfelder, E., Buchner, A., & Lang, A.-G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149–1160. https://doi.org/10.3758/BRM.41.4.1149
• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.
• Ghozali, I. (2018). Aplikasi analisis multivariate dengan program IBM SPSS 25 (Ed. 9). Badan Penerbit Universitas Diponegoro.
• IBM. (t.t.-a). Linear Regression statistics. IBM SPSS Statistics 29 Documentation. https://www.ibm.com/docs/en/spss-statistics/29.0.0?topic=regression-linear-statistics
• IBM. (t.t.-b). Linear Regression: Saving new variables. IBM SPSS Statistics 29 Documentation. https://www.ibm.com/docs/en/spss-statistics/29.0.0?topic=regression-linear-saving-new-variables
• Sugiyono. (2019). Metode penelitian kuantitatif, kualitatif, dan R&D. Alfabeta.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Thomas, D. R., Hughes, E., & Zumbo, B. D. (1998). On variable importance in linear regression. Social Indicators Research, 45(1–3), 253–275. https://doi.org/10.1023/A:1006954016433