Panduan Analisis Regresi Linear Berganda: Langkah demi Langkah

Panduan lengkap analisis regresi linear berganda, disajikan langkah demi langkah mulai dari konsep, asumsi, pengolahan data dengan SPSS, hingga interpretasi hasil. Dilengkapi contoh kasus nyata agar mudah dipraktikkan.

 

Contoh Kasus dengan Dua Variabel Independen atau Lebih

Dalam penelitian kuantitatif, sering kali kita ingin mengetahui tidak hanya hubungan antara dua variabel saja, tetapi bagaimana beberapa faktor secara bersamaan memengaruhi suatu fenomena. Di sinilah analisis regresi linear berganda berperan penting. Teknik ini memungkinkan peneliti untuk mengukur seberapa besar pengaruh dua atau lebih variabel bebas terhadap satu variabel terikat, sekaligus memprediksi nilai variabel terikat berdasarkan variabel bebas yang ada (Ghozali, 2021).

Bagi guru, mahasiswa, dan peneliti pemula, memahami cara melakukan analisis ini sering menjadi tantangan tersendiri. Artikel ini disusun secara sistematis, mulai dari dasar teori, syarat penggunaan, langkah pengolahan data menggunakan SPSS, hingga penafsiran hasil dan penulisan laporan, dengan contoh kasus yang nyata dan mudah dipahami.

 

1. Apa Itu Regresi Linear Berganda?

Regresi linear berganda adalah perluasan dari regresi linear sederhana. Jika regresi sederhana hanya melibatkan satu variabel bebas, maka regresi berganda melibatkan dua atau lebih variabel bebas untuk menjelaskan variasi yang terjadi pada variabel terikat.

Secara matematis, persamaan umum regresi linear berganda dapat dituliskan sebagai berikut:

Y = a + b₁X₁ + b₂X₂ + ... + bₖXₖ + e

Keterangan:

• Y = Variabel terikat (nilai yang dipengaruhi)
• a = Konstanta, yaitu nilai Y jika semua X bernilai nol
• b₁, b₂, ..., bₖ = Koefisien regresi, menunjukkan besar perubahan Y akibat perubahan satu satuan X dengan asumsi variabel lain tetap
• X₁, X₂, ..., Xₖ = Variabel bebas (faktor yang memengaruhi)
• e = Kesalahan pengganggu atau faktor lain yang tidak diteliti

Tujuan utama analisis ini adalah:

1. Mengetahui seberapa besar pengaruh masing-masing variabel bebas terhadap variabel terikat secara individu.
2. Mengetahui pengaruh semua variabel bebas secara bersama-sama terhadap variabel terikat.
3. Membuat model persamaan untuk keperluan prediksi atau peramalan (Sujarweni, 2021).

 

2. Syarat Penggunaan: Uji Asumsi Klasik

Sebelum menginterpretasikan hasil regresi, model harus memenuhi beberapa asumsi statistik agar hasilnya valid dan tidak menyesatkan. Jika asumsi ini dilanggar, kesimpulan yang diambil bisa menjadi bias. Asumsi utama yang harus dipenuhi adalah:

1. Normalitas: Data residu harus berdistribusi normal.
2. Linieritas: Hubungan antara variabel bebas dan terikat bersifat linier.
3. Tidak ada Multikolinearitas: Tidak ada hubungan linier yang sempurna antar variabel bebas.
4. Tidak ada Heteroskedastisitas: Ragam kesalahan pengganggu bersifat tetap atau homogen.
5. Tidak ada Autokorelasi: Tidak ada korelasi antara kesalahan pengganggu pada periode pengamatan yang berbeda (terutama untuk data deret waktu) (Priyatno, 2020).

 

3. Contoh Kasus Penelitian

Agar pembahasan lebih jelas, kita gunakan contoh kasus dalam bidang pendidikan:

Judul Penelitian: Pengaruh Motivasi Belajar (X₁), Fasilitas Belajar (X₂), dan Lingkungan Sekolah (X₃) terhadap Prestasi Belajar Siswa (Y).

Jumlah Sampel: 35 siswa.

Tujuan: Mengetahui apakah ketiga faktor tersebut secara parsial dan simultan memengaruhi prestasi belajar siswa.

 

4. Langkah-langkah Analisis Menggunakan SPSS

Berikut adalah panduan praktis menjalankan analisis regresi linear berganda di SPSS:

Langkah 1: Memasukkan Data

Buka SPSS, masuk ke tampilan Variable View untuk mendefinisikan nama variabel, lalu masukkan data ke dalam tampilan Data View.

Langkah 2: Menjalankan Perintah Analisis

1. Klik menu utama: Analyze → Regression → Linear.
2. Pindahkan variabel Prestasi Belajar (Y) ke kotak Dependent.
3. Pindahkan variabel Motivasi Belajar (X₁), Fasilitas Belajar (X₂), dan Lingkungan Sekolah (X₃) ke kotak Independent(s).
4. Klik tombol Statistics, lalu centang opsi: Estimates, Model fit, Descriptives, Collinearity diagnostics, Durbin-Watson.
5. Klik Continue, lalu klik OK.

SPSS akan menampilkan beberapa tabel keluaran yang akan kita bahas satu per satu.

 

5. Membaca dan Menginterpretasikan Hasil Output

5.1 Uji Asumsi Klasik

Sebelum membahas pengaruh, kita pastikan asumsi terpenuhi:

• Normalitas: Jika nilai signifikansi uji Kolmogorov-Smirnov atau Shapiro-Wilk > 0,05, maka data berdistribusi normal.
• Multikolinearitas: Jika nilai VIF < 10** dan **Tolerance > 0,10, maka tidak terjadi multikolinearitas.
• Heteroskedastisitas: Jika nilai signifikansi uji Glejser > 0,05, maka ragam residu bersifat homogen.

5.2 Tabel Model Summary

Tabel 1. Model Summary

Table

Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	0,876	0,767	0,745	2,942

Interpretasi:

• R = 0,876: Menunjukkan hubungan yang sangat kuat antara variabel bebas dan terikat.
• R Square = 0,767: Artinya sebesar 76,7% variasi prestasi belajar siswa dapat dijelaskan oleh variabel motivasi, fasilitas, dan lingkungan sekolah. Sisanya sebesar 23,3% dipengaruhi faktor lain yang tidak diteliti.

5.3 Uji Simultan (Uji F)

Tabel 2. ANOVA

Table

Model	Sum of Squares	df	Mean Square	F	Sig.
Regression	684,520	3	228,173	26,318	0,000
Residual	207,480	31	8,321
Total	892,000	34

Interpretasi:

• Hipotesis: H₀ = Tidak ada pengaruh signifikan secara bersama-sama; H₁ = Ada pengaruh signifikan.
• Kriteria: Jika Sig. < 0,05 → H₀ ditolak.
• Hasil: Sig. = 0,000 < 0,05 → Kesimpulannya, secara bersama-sama ketiga variabel bebas berpengaruh signifikan terhadap prestasi belajar.

5.4 Uji Parsial (Uji t) dan Persamaan Regresi

Tabel 3. Coefficients

Table

Model	B	Std. Error	Beta	t	Sig.	VIF
(Constant)	12,456	2,876		4,331	0,000
Motivasi Belajar	0,382	0,112	0,412	3,411	0,002	1,872
Fasilitas Belajar	0,297	0,098	0,345	3,031	0,005	1,543
Lingkungan Sekolah	0,241	0,085	0,287	2,835	0,008	1,629

Persamaan Regresi:

Y = 12,456 + 0,382X₁ + 0,297X₂ + 0,241X₃

Interpretasi Koefisien:

• Konstanta 12,456: Jika motivasi, fasilitas, dan lingkungan bernilai nol, maka prestasi siswa tetap sebesar 12,456 poin.
• Koefisien X₁ = 0,382: Setiap kenaikan 1 poin motivasi, prestasi naik 0,382 poin dengan asumsi variabel lain tetap.
• Koefisien X₂ = 0,297: Setiap kenaikan 1 poin fasilitas, prestasi naik 0,297 poin.
• Koefisien X₃ = 0,241: Setiap kenaikan 1 poin kualitas lingkungan, prestasi naik 0,241 poin.

Uji Signifikansi Parsial:

• Jika Sig. < 0,05 → Berpengaruh signifikan.
• Hasil: Semua variabel memiliki nilai Sig. di bawah 0,05, artinya ketiganya secara individu berpengaruh positif dan signifikan terhadap prestasi belajar.

 

6. Contoh Penulisan Hasil dalam Laporan

"Berdasarkan analisis regresi linear berganda yang dilakukan, diperoleh persamaan regresi Y = 12,456 + 0,382X₁ + 0,297X₂ + 0,241X₃. Uji simultan menunjukkan nilai F hitung sebesar 26,318 dengan signifikansi 0,000 < 0,05, sehingga model regresi dinyatakan layak dan signifikan. Koefisien determinasi sebesar 0,767 menunjukkan bahwa 76,7% variasi prestasi belajar dapat dijelaskan oleh motivasi, fasilitas, dan lingkungan sekolah. Secara parsial, ketiga variabel tersebut juga berpengaruh positif dan signifikan, dengan motivasi belajar memberikan kontribusi pengaruh paling besar dibandingkan variabel lainnya."

 

7. Kesimpulan

Analisis regresi linear berganda adalah alat yang sangat bermanfaat untuk memahami hubungan antar variabel dalam penelitian. Kuncinya bukan hanya pada kemampuan menjalankan perintah di perangkat lunak, melainkan memahami syarat penggunaan dan makna dari setiap angka yang dihasilkan. Dengan mengikuti langkah-langkah sistematis seperti yang dijelaskan dalam panduan ini, peneliti dapat menyusun model regresi yang akurat dan menarik kesimpulan yang dapat dipertanggungjawabkan secara ilmiah.

 

Daftar Sitasi

Ghozali, I. (2021). Aplikasi analisis multivariat dengan program IBM SPSS 26 (Edisi ke-10). Semarang: Badan Penerbit Universitas Diponegoro.

Priyatno, D. (2020). Analisis regresi dan korelasi: Konsep, panduan, dan aplikasi menggunakan SPSS. Yogyakarta: Penerbit Andi.

Santoso, S. (2021). Menguasai analisis statistik dengan SPSS 27. Jakarta: Elex Media Komputindo.

Sujarweni, V. W. (2021). Statistika untuk penelitian: Lengkap dengan aplikasi SPSS. Yogyakarta: Pustaka Baru Press.

 

 

 

 

Jelajahi

DAFTAR ISI