Regresi Linear Sederhana dengan SPSS

Regresi Linier Sederhana dengan SPSS

Artikel ini akan mengupas contoh regresi linier sederhana dengan SPSS menggunakan data regresi yang dipakai seperti pada perhitungan korelasi. Analisis regresi linear sederhana merupakan salah satu metode regresi yang dapat dipakai sebagai alat inferensi statistik untuk menentukan pengaruh sebuah variabel bebas (independen) terhadap variabel terikat (dependen). Uji Regresi linear sederhana ataupun regresi linier berganda pada intinya memiliki beberapa tujuan, yaitu:

  1. Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai variabel bebas.
  2. Menguji hipotesis karakteristik dependensi
  3. Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas diluar jangkaun sample.

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :

  1. Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance termsebesar 0 atau dengan simbol sebagai berikut: E (U / X) = 0,
  2. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata,
  3. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05, Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation,
  4. Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis),
  5. Model regresi dapat diterangkan dengan menggunakan nilai koefisien determinasi (KD = R Square x 100%) semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik,
  6. Residual harus berdistribusi normal,
  7. Databerskala interval atau rasio,
  8. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (variabel predictor) sedang variabel lainnya variabel terikat (variabel response) Berikut ini contoh perhitungan regresi linier sederhana menggunakan software SPSS 20.

Tutorial Regresi Linear Sederhana dengan SPSS

Proses mulai dengan memilih menu Analyze, kemudian pilih Linear,

Regresi Linear SPSS
Regresi Linear Sederhana dengan SPSS

 

Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai variabel independen (bebas) lalu klik tombol OK,

Proses Regresi Linear SPSS
Proses Regresi Linear SPSS

 

Output Regresi Linear Sederhana dengan SPSS

Output SPSS akan menampilkan hasil berupa 4 buah tabel yaitu;

  1. Tabel variabel penelitian,
  2.  Ringkasan model (model summary),
  3. Tabel Anova, dan
  4. Tabel Koefisien.
Output Regresi Linear SPSS
Output Regresi Linear SPSS

Interprestasi Regresi Linear Sederhana dengan SPSS

Cara membaca output spss hasil uji regresi linier tersebut adalah :

  1. Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi variabel bebas dan variabel terikat.
  2. Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi. Pada contoh diatas nilai korelasi adalah 0,342. Nilai ini dapat diinterpretasikan bahwa hubungan kedua variabel penelitian ada di kategori lemah. Melalui tabel ini juga diperoleh nilai R Square atau koefisien determinasi (KD) yang menunjukkan seberapa bagus model regresi yang dibentuk oleh interaksi variabel bebas dan variabel terikat. Nilai KD yang diperoleh adalah 11,7% yang dapat ditafsirkan bahwa variabel bebas X1 memiliki pengaruh kontribusi sebesar 11,7% terhadap variabel Y dan 88,3% lainnya dipengaruhi oleh faktor-faktor lain diluar variabel X1.
  3. Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi. Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka model regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga, diperoleh nilai Sig. = 0,140 yang berarti > kriteria signifikan (0,05), dengan demikian model persamaan regresi berdasarkan data penelitian adalah tidak signifikan artinya, model regresi linier tidak memenuhi kriteria linieritas.
  4. Tabel keempat menginformasikan model persamaan regresi yang diperoleh dengan koefisien konstanta dan koefisien variabel yang ada di kolom Unstandardized Coefficients B. Berdasarkan tabel ini diperoleh model persamaan regresi : Y =38,256 + 0,229 X1.

Agar anda memahami artikel ini, pelajari juga tentang Uji F dan Uji T: “Uji F dan Uji T” dan “Analisis Regresi Korelasi“. Demikian telah kita bahas tutorial regresi sederhana dengan SPSS.

By Anwar Hidayat

Jasa Olah Data Aman Terpercaya
TINJAUAN IKHTISAR
Regresi
Artikel SebelumnyaPenjelasan Berbagai Jenis Uji Validitas dan Cara Hitung
Artikel BerikutnyaKORELASI REGRESI – Penjelasan dan Tutorial – Lengkap
Founder dan CEO dari Statistikian Sejak 2012. Melayani jasa bantuan olah dan analisis data menggunakan berbagai aplikasi statistik, seperti: SPSS, LISREL, STATA, Minitab, EViews, AMOS, SmartPLS, R Studio, NCSS, PASS dan Excel. Silahkan WhatsApp: 081515699060. Biaya 100 ribu sd 300 ribu Sesuai Beban. Proses 1 sd 3 Hari Tergantung Antrian. Email: anwar@statistikian.com. Nomor Aduan/Complain Layanan: 088809999079 (ANWAR HIDAYAT).
regresi-linear-sederhana-dengan-spssRegresi Linear sederhana adalah model prediksi yang digunakan pada data berskala interval atau rasio dan hanya melibatkan dua variabel, yaitu satu variabel bebas dan satu variabel terikat. Dalam artikel ini anda akan disuguhkan tutorial cara melakukannya secara detail dan mudah dipelajari oleh mahasiswa yang sedang penelitian atau sedang mempelajari ilmu statistik.

73 KOMENTAR

  1. maaf.. nilai y x1 x2 x3 darimana ya?semisal data dasar yang kita gunakan seperti yang mas contohkan pada uji validitas&reabilitas, gmn caranya? maklum baru kenal sama variabel help me! thank's

  2. Istilah mean of squares dalam ANOVA tidak lain adalah rerata kuadrat skor simpangannya yang menunjukkan variansi suatu distribusi yang diamati. Mean of squares ini diperoleh dari jumlah kuadrat skor simpanganya atau yang dikenal dengan istilah Sum of Squares dibagi dengan jumlah sampelnya.
    Sum of Squares adalah sebuah teknik statistik yang digunakan dalam analisis regresi . Sum of Squares adalah pendekatan matematis untuk menentukan penyebaran data points. Dalam analisis regresi, tujuannya adalah untuk menentukan seberapa baik serangkaian data yang dapat dipasang ke fungsi yang mungkin membantu menjelaskan bagaimana seri data yang dihasilkan. Sum of Squares digunakan sebagai cara matematis untuk menemukan fungsi yang paling sesuai dari data.
    Ada dua metode analisis regresi yang menggunakan Sum of Squares: metode kuadrat terkecil linier dan metode kuadrat terkecil non – linear. Kuadrat terkecil mengacu pada fakta bahwa fungsi regresi meminimalkan jumlah kuadrat dari varians dari titik data aktual.
    DF adalah degree of freedom atau derajat kebebasan. Pada uji F, DF 1 adalah jumlah variabel – 1, sedangkan DF 2 adalah jumlah sample – jumlah variable.
    F adalah nilai F hitung. Nilai ini untuk menjawab hipotesa, jika nilai F hitung > F tabel DF 1 dan DF 2 tertentu dan probabilitas tertentu, maka keputusan terhadap hipotesa adalah menolak H0.
    Sig. adalah nilai P value atau derajat probabilitas hasil pengujian uji F. Pada penelitian dengan derajat kemaknaan 95% maka nilai Sig < 0,05 berarti ada pengaruh variabel independen terhadap variabel dependen atau yang berarti menolak H0 dan menerima H1.

  3. mas, mau tanya soal maksud dari angka angka yang ditabel anova itu gmna ya?
    saya disuruh dosen saya untuk menambahkan penjelasan maksud dari angka angka pada tabel anova tsb.

    makasih

  4. assalamualaikum,
    pak saya mau bertanya :

    1. pak, katanya dalam penghitungan regresi linier berganda, data ordinal harus di intervalkan dulu ya?

    2. yg di intervalkan itu tiap-tiap hasil item pernyataan seperti nilai 5,,4,3,2,1 masing-masing di intervalkan

    3. atau jumlah yang menjawab 5 baru di intervalkan ,4, baru di intervalkan 3 di intervalkan ,2 di intervalkan , 1 baru di intervalkan (sari variabel x1, misalkan?)

  5. Sig Uji F > 0,05 artinya variabel-variabel bebas tidak terbukti berpengaruh secara bermakna terhadap variabel terikat. Uji regresi linear adalah upaya mencari atau membentuk model prediksi prediksi yang terbaik. Maka dengan data anda yang ada, tidak dapat membentuk model prediksi yang terbaik. Model terbaik adalah model yang bersifat BLUE (Best Linear Unbiased Estimation).

  6. Malam Pak.
    Saya mau bertanya soalnya lagi bingung banget. Hehhe

    Saya melakukan penelitian dengan menggunakan regresi linear sederhana. Setelah saya running datanya, nilai anova saya diatas 0,05. Apa itu artinya model regresi saya ga bisa di pakai?

  7. solusi apa jika menggunakan 40 responden untuk analisanya?regresi linier atau korelasi? buku refrensi yang dapat saya jadikan refrensi kira kira apa ya mas?
    trimaksih

  8. kira kira kalau ada 40 responden, analisa apa yang harus saya gunakan?regresi linier sederhana atau analisa korelasi?variabel saya ada 2.yaitu varibel X dan variabel Y.
    trimakasih

  9. Maksudnya adalah untuk menilai pengaruh dan korelasi parsial masing-masing variabel bebas terhadap variabel terikat. Nilai t adalah hasil uji t parsial yaitu pengaruh parsial variabel bebas terhadap variabel terikat. Sig adalah probabilitas dari uji t parsial. Nilai B adalah koefisien, yaitu besarnya pengaruh parsial variabel bebas. Sedangkan standart error adalah standart error dari nilai B. Standardized Coefficient adalah nilai B yang memperhatikan standart error. Selebihnya adalah nilai-nilai koefisien korelasi parsial dan koefisien regresi parsial.

  10. mas, mau tanya soal maksud dari angka-angka yang ditabel coefficient itu gimana ya?
    saya disuruh dosen untuk menambahkan penjelasan maksud dari angka-angka pada tabel coefficient tersebut. thx

  11. F Hitung jauh lebih besar f tabel itu biasa. Tapi untuk mengetahui apakah anda salah atau tidak dalam menghitung, saya tidak bisa tahu sebelum melihat dan menganalisis data anda

  12. Pak, say udh coba pake sps. Fhitung saya adalah 76,768. Kok besar sekali? Itu karena data saya yg besar atau memang salah hitung pak? Ftabel nya saya cari sendiri pake rumus dptlah 26,6. Benar gk itu pak?

  13. Regresi linear itu menguji variabel dengan variabel, jadi bukan item soal dengan item soal. Oleh karenanya anda harus menggunakan variabel. Apakah variabel itu dibentuk oleh jumlah atau rata-rata dari beberapa item soal, itu perkara lain, jadi jangan dimasukkan ke dalam logika uji regresi. melainkan dalam ranah logika desain penelitian atau lebih tepatnya definisi operasional penelitian anda.

  14. mas, mau nanya kalo ada beberapa pertanyaan yang mewakili 1 variabel independent. Bagiaman caranya?? apakah saya harus menggabungkan nilai dari 4 pertanyaan tsb, baru saya regresikan dengan variabel dependent??. kalo contoh yang mas sampaikan, kan satu lawan satu. tks

  15. ohhh… begitu mas. Terima kasih mas.
    Jadi untuk pembentukan variabel yang diwakilkan oleh beberapa pertanyaan itu. Lebih bagus dengan cara dijumlahkan atau dirata-ratakan mas??? tks

  16. Artinya variabel-variabel yang anda masukkan ke dalam model regresi, secara simultan tidak berpengaruh terhadap Variabel Terikat, dan terlalu rendah pengaruhnya sehingga menyebabkan standart error yang besar. Maka anda harus memilah variabel bebasnya, jadi hanya variabel bebas yang linear saja yang dimasukkan. dan selanjutnya gunakan metode stepwise.

  17. Pagi Mas,
    saya mau tanya, apa hasil dari penelitian regresi linear berganda harus sama dengan hasil uji T?
    Karena hasil penelitan regresi linear berganda, penelitian saya memiliki 7 variabel independen dan beberapa variabel independen berpengaruh signifikan terhadap variabel dependennya, tetapi setelah uji T, hanya 2 variabel saja yang berpengaruh signifikan terhadap variabel dependennya. yang saya bingungkan, saya melihat dibeberapa referensi skripsi hasil dari regresi linear berganda sama dengan hasil uji T, tapi mengapa hasil pengujian dari data saya berbeda? Mohon penjelasannya.

    Regards,
    Hanni

  18. sore pak,
    saya mau tanya, saya menggunakan penelitian satu variabel bila menggunakan spss apa saja yang di perlukan dalam perhitungannya selain regresi sederahana???

  19. Boleh, tetapi ada 2 regresi linear sederhana, yaitu model X1 terhadap Y dan model x2 terhadap y. Jika tidak linear, bisa ditingkatkan linearitasnya dengan transformasi atau variabel yang tidak linear dikeluarkan dari model

  20. mas.. mau tanya.. penelitian saya menggunakan 2 variabel bebas namun menggunakan regresi sederhana.. diperbolehkan atau tidak.. kemudian bagaimana saya melakukan uji linieritas apabila hasilnya tidak linier? akan berpengaruh ke mana nantinya ?

  21. Ya betul, berarti secara bersama-sama semua variabel bebas tidak memberikan pengaruh yang bermakna, tapi dalam uji t sebagai uji parsial, bisa jadi ada 1 atau lebih variabel yang berpengaruh secara parsial.

  22. Mas, mau numpang tanya..kalo hasil F test lebih bsar dr 0.05 itu kn berarti semua variabel bebas tdk berpengaruh thd variabel terikat, tapi dlm uji t ada 1 yg berpengaruh, itu bagaimana ya? Apakah ada cara untuk mengatasi? Tolong dibantu 🙂 terima kasih

  23. korelasi dan 2 regresi linear. 2 Regresi linear yang dimaksud adalah regresi linear x terhadap y1 dan regresi linear x terhadap y2. selain itu anda bisa menggunakan multivariate regresi linear.

  24. Mas mau nanya, berarti saya boleh pakek dua duanya yaa mas (regresi sederhana sama berganda). saya pakek X5 dan Y1. pertama saya pakek sederhana untuk analisis antar variable nya X dan Y. lalu saya ke berganda untuk analisis semua X terhadap Y nya. boleh mas yaa ?

  25. pada saat melakukan uji regresi linear, tekan tombol save, lalu centang unstandardized, lanjutkan uji regresi seperti biasa. Setelah itu pada dataset lihat bahwa da ariabel baru namanya RES_1, itu adalah nilai error atau biasa disebut residual.

  26. Regresi linear itu salah satu jenis model peramalan. Model peramalan regresi linear dapat digunakan untuk generalisasi atau berguna secara statistik apabila uji f terima H1 atau signifikan. Sedangkan uji t parsial, itu membuktikan apakah sebuah variabel prediktor berpengaruh terhadap variabel response di dalam model dengan memperhatikan variabel prediktor lain di dalam model peramalan tersebut.

  27. selamat siang pak,
    maaf pak saya mau tanya. di penelitian saya terdapat 3 variabel dan saya menggunakan uji regresi linear berganda, uji T dan uji F. yang membuat saya bingung hasil uji regresi linear berganda bernilai positif semua tetapi dalam uji T dan uji T semua variabelnya ditolak/ tidak terdapat pengaruh. pertanyaan saya, apakah hasil regresi linear berganda itu juga mencerminkan hasil uji T dan uji F? mohon bapak dapat membantu masalah ini.terima kasih

  28. Koefisien Kontingensi adalah uji asosiatif atau uji untuk menilai kekuatan hubungan antara 2 variabel yang berskala data nominal. Oleh karena itu, jika ingin menggunakan koefisien kontingensi, harusnya pernyataan hipotesa anda adalah "Hubungan". Silahkan baca artikel saya tentang Koefisien Kontingensi. Mungkin untuk menjawab pertanyaan anda, silahkan pelajari perihal Regresi Logistik

  29. selamat malam mas
    ingin bertanya
    kalau untuk hipotesis pengaruh implementasi standar pelayanan terhadap kesalahan pengobatan
    data nominal-nominal
    salah tidak jika saya pakai koefisien kontingensi

  30. Nilai e itu adalah error atau bisa dikatakan sebagai kesalahan dalam model. Bisa diartikan bahwa: model regresi itu untuk meramalkan nilai variabel respons berdasarkan nilai-nilai variabel predictor. Namun tingkat peramalan itu tidak seratus persen benar. Nah, selisih antara kebenaran yang 100% dengan prediksi model itulah yang disebut dengan error. Dan error itu tidak perlu dimasukkan nilainya ke dalam persamaan regresi.

  31. Linear itu apabila variabel bebas berhubungan secara linear dengan variabel terikat. Atau mungkin bahasa yang mudah dipahami adalah berhubungan (walau tidak selalu yang berhubungan itu linear), tapi setidaknya bisa menggambarkan. Untuk mengetahui lebih detail tentang linearitas, silahkan baca artikel saya tentang: Linearitas Regresi. Sedangkan metode stepwise adalah metode regresi dimana variabel bebas dimasukkan secara satu persatu ke dalam model dan yang bisa dimasukkan adalah variabel yang nilai signifikansi regresi parsialnya < 0,05, kemudian variabel yang sudah dimasukkan apabila nilai signifikansi regresi parsialnya akhirnya berubah dengan adanya penambahan variabel lainnya ke dalam model, serta perubahannya itu nilainya > 0,1 maka variabel tersebut dikeluarkan dari model.

  32. pak mau tanya ,,kalau Adjusted R negtif gimana cara supaya positif ??? dari jwbn bpk diatas katanya harus memilah variabel bebas yang linier saja. Pertanyaannya variabel bebas yg linear itu yang bagaimana pak ? sklian minta penjelasan soal metode stepwise pak .

  33. ass..mau tanya mas kalo hasil di output spssny ada Huruf E kayak gini 517E15 maksudnya apa salah atau benar pengujian saya ?

  34. Pak saya mau bertanya.. Saya sudah melakukan uji regresi sederhana dengan 2 variable dependent.
    Untuk hasil uji t untuk y1 adalah sig: 0.011 , t=3.311, a= 0.331 dan b = 0.000 dengan t table=2.04841 yang saya tanyakan kenapa konstanta untuk b hasilnya bisa 0.000 terdapat kesalahan dimana ya pak??

    Untuk hasil uji t y2 adalah sig=0.296, t=-1.118, a=3.422, dan b=7.859E-5.. Cara membacanya seperti apa ya pak??

  35. Pak sya mempunyai judul skripsi pengaru e-filing terhadap kepatuhan wajib pajak pada kanwil djp. Sampelnya kpp yg terdaftar d kanwil yg mau sya tanyakan, dospem 1 sya bilang yg sya gunakan adalah uji beda sebelum dan setelah e-filing. Tpi dospem 2 sya sya harus menggunakan analisi regresi. Jdi yg mna yg sya ikuti. Terima kasih

    • Bisa sama-sama benar, namun yang tepat adalah yang sesuai dengan bentuk hipotesisnya atau tujuan penelitiannya. Jika ingin menilai perbedaan maka gunakan uji beda. Sedangkan jika ingin membuat model peramalan maka gunakan uji regresi.

  36. Mas, mau nanya, untuk mengatasi standar error yang terlalu besar itu gimana ya? Setau saya kan standat error merupakan simpangan baku dari rata-rata masing-masing variabel. Nah angka dari variabel satu dengan yang lain kan beda jauh. Misalnya produksi ikan sebanyak 35000 kg (Y) dengan jumlah ABK 5 orang (X1) dan jumlah trip penangkapan sebanyak 35 trip (x2). Cara menyeragamkannya bagaimana ya?

    • Tidak ada masalah dengan model anda tersebut. Sebab standar error of estimate dari regresi itu nantinya dibandingkan dengan standar deviasi variabel terikat. Baik tidaknya model regresi dapat dilihat dari perbandingan antara standar error of estimate dengan standar deviasi variabel terikat. Jika standar error of estimate < standar deviasi variabel terikat maka model valid.

  37. Mas mau tanya, hasil regresi linear sederhanaku Y = -6,140 + 0,571X
    Biasanya yang menyebabkan nilai a jadi minus itu karena apa ya? dan apa benar apabila saya menjelaskan bahwa pengaruh terhadap variabel Y tetap positif? Terimakasih

    • Nilai -6,140 dalam persamaan regresi tersebut menunjukkan nilai konstanta atau intersept yang negatif. Artinya tanpa adanya variabel bebas, variabel terikat atau Y dapat berubah dengan sendirinya sebesar -6,140 satuan. Atau dengan kata lain Y akan menurun sebesar 614,0 persen. Sedangkan nilai 0,571 itu adalah nilai slope atau koefisien dari X. Artinya setiap perubahan satu satuan X maka Y akan berubah sebesar 57,1 persen.

TINGGALKAN KOMENTAR

Silakan masukkan komentar anda!
Silakan masukkan nama Anda di sini