Panduan Analisis Regresi Linear Berganda Menguunakan SPSS

Panduan Lengkap Analisis Regresi Linear Berganda dan Uji Asumsi Klasik dengan SPSS

Analisis Regresi Linear Berganda merupakan salah satu metode statistik yang paling sering digunakan dalam penelitian kuantitatif. Metode ini berfungsi untuk mengetahui pengaruh dua atau lebih variabel independen (bebas) terhadap satu variabel dependen (terikat).

Agar hasil model regresi Anda valid dan tidak bias (memenuhi kaidah Best Linear Unbiased Estimator atau BLUE), Anda wajib melakukan Uji Asumsi Klasik sebelum menginterpretasikan hasilnya. Artikel ini akan membahas langkah-demi-langkah analisis tersebut menggunakan perangkat lunak IBM SPSS.

Persamaan Matematis Model

Dalam format teks web, persamaan regresi linear berganda untuk n variabel bebas dapat dituliskan sebagai berikut:

Y = α + β₁X₁ + β₂X₂ + ... + βₙXₙ + e

Y : Variabel Dependen (Terikat)

α (Alpha) : Konstanta (Nilai Y jika semua variabel X bernilai 0)

β (Beta) : Koefisien Regresi (Arah dan kekuatan pengaruh variabel X terhadap Y)

X, X₂ : Variabel Independen (Bebas)

e (Error) : Residual atau variabel pengganggu yang tidak diteliti

2. Prosedur Uji Asumsi Klasik di SPSS

Sebelum membaca hasil akhir regresi, pastikan data Anda lolos empat uji asumsi berikut.

a. Uji Normalitas Residual

Uji ini memastikan bahwa nilai residual (bukan variabel X atau Y secara terpisah) berdistribusi secara normal.

Cara Kerja di SPSS:

• • Pilih menu Analyze > Regression > Linear.

  • Masukkan variabel terikat ke kotak Dependent, dan variabel bebas ke kotak Independent.

  • Klik tombol Save di sisi kanan, lalu centang pilihan Unstandardized pada kolom Residuals. Klik Continue dan klik OK. (Abaikan output yang muncul, fokus pada variabel baru bernama RES_1 di data view Anda).

  • Sekarang, pilih menu Analyze > Nonparametric Tests > Legacy Dialogs > 1-Sample K-S.

  • Masukkan variabel Unstandardized Residual (RES_1) ke kotak Test Variable List. Pastikan pilihan Normal tercentang, lalu klik OK.

  • Indikator Validitas: Data dinyatakan berdistribusi normal jika nilai Asymp. Sig. (2-tailed) > 0,05.

b. Uji Multikolinearitas

Uji ini bertujuan untuk memastikan tidak ada korelasi atau hubungan linear yang sangat kuat antarsesama variabel independen (X).

• Cara Kerja di SPSS:

  1. Pilih menu Analyze > Regression > Linear.

  2. Klik tombol Statistics di panel sebelah kanan.

  3. Centang pilihan Collinearity diagnostics, klik Continue, lalu klik OK.

• Indikator Validitas: Model regresi bebas dari masalah multikolinearitas jika nilai Tolerance > 0,10 DAN nilai VIF < 10.

C. Uji Heteroskedastisitas (Uji Glejser)

Uji ini memeriksa apakah varians dari residual dari satu pengamatan ke pengamatan lain bersifat konstan (homoskedastisitas). Kita akan menggunakan Uji Glejser karena sifatnya yang objektif secara matematis.

• Cara Kerja di SPSS:

  1. Transformasikan residual menjadi nilai absolut: Klik Transform > Compute Variable.

  2. Isi Target Variable dengan nama Abs_RES. Pada kotak Numeric Expression, ketik ABS(RES_1). Klik OK.

  3. Lakukan regresi ulang: Klik Analyze > Regression > Linear.

  4. Ganti variabel di kolom Dependent menjadi variabel Abs_RES yang baru saja dibuat. Biarkan kolom Independent tetap berisi variabel X Anda. Klik OK.

• Indikator Validitas: Tidak terjadi gejala heteroskedastisitas jika nilai Signifikansi (Sig.) setiap variabel X > 0,05.

D. Uji Autokorelasi (Durbin-Watson)

Uji ini mendeteksi apakah ada korelasi antara kesalahan pengamatan pada periode t dengan periode sebelumnya (t-1). Wajib dilakukan khususnya untuk data runtun waktu (time series).

• Cara Kerja di SPSS:

  1. Pilih menu Analyze > Regression > Linear.

  2. Klik tombol Statistics, lalu centang pilihan Durbin-Watson pada kolom Residuals. Klik Continue, lalu OK.

• Indikator Validitas: Secara praktis (rule of thumb), jika nilai Durbin-Watson (DW) berada di kisaran angka 2 (atau antara 1,5 hingga 2,5), maka model dinyatakan bebas dari autokorelasi. Untuk hasil lebih presisi, bandingkan dengan Tabel DW signifikan (dL dan dU).

3. Uji Hipotesis dan Interpretasi Output

Setelah data Anda dipastikan lolos dari semua uji asumsi klasik di atas, Anda bisa langsung membaca output tabel regresi utama untuk menarik kesimpulan penelitian.

Uji Kelayakan Model (Uji F)

ANOVA

Menilai pengaruh variabel X secara simultan (bersama-sama). Model dinyatakan layak dan signifikan jika nilai Sig. < 0,05.

Uji Signifikansi Parsial (Uji t)

Coefficients

Menilai kontribusi individu masing-masing variabel X. Variabel X berpengaruh secara parsial terhadap Y jika nilai Sig. < 0,05.

Koefisien Determinasi

Model Summary

Lihat nilai Adjusted R Square. Nilai ini menunjukkan seberapa besar persentase variasi variabel Y yang mampu dijelaskan oleh variabel X dalam model Anda.

Daftar Pustaka

Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25. Semarang: Badan Penerbit Universitas Diponegoro.

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). New York: McGraw-Hill Irwin.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R E. (2019). Multivariate Data Analysis (8th ed.). United Kingdom: Cengage Learning.

Kurniawan, R., & Yuniarto, B. (2016). Analisis Regresi: Dasar dan Penerapannya dengan R. Jakarta: Kencana.