Cara Membaca Output Regresi Pada SPSS

1.     Analisis Regresi

Melakukan analisis regresi berarti membuat garis yang dapat mewakili suatu titik-titik (data yang tersebar). Contoh :

Namun sebelum suatu analisis regresi dilakukan, terlebih dahulu harus dilakukan pengujian

asumsi klasik yang meliputi uji normalitas data, uji multikolinieritas, uji heteroskedastisitas dan

uji otokorelasi.

2.     Uji Kolmogorov Smirnov.

Dilakukan untuk menguji normalitas data atau dengan kata lain untuk melakukan pengujian

apakah suatu data terdistribusi normal atau tidak.

Data Normal jika tergambar sebagai berikut, namun untuk menggambar hal tersebut kita

senantiasa mengalami kesulitan.

Dalam menggambarkan suatu kondisi data tampilan grafis dipandang kurang memadai sehingga diperlukan suatu alat statistik yang memadai untuk menyimpulkan suatu data normal / tidak. Salah satu alat uji yang

dipandang mampu untuk menyimpulkan hal tersebut adalah uji kolmogorov smirnov. Uji ini dipandang lebih mempermudah peneliti untuk melihat normalitas data secara langsung,

maksudnya adalah bahwa sebenarnya ada pengujian normalitas data dengan menggunakan

statistika deskriptif misalnya dengan nilai rata-rata, simpangan baku, kemencengan dan

kelancipan. Namun uji normalitas data dengan statistika deskriptif ini tidak dapat memberikan

kesimpulan secara tepat mengenai normalitas data.

Uji kolmogorov Smirnov dapat langsung menyimpulkan normalitas suatu data dengan melihat

pada signifikansi nilai Z statistik. Apabila Z statistik memiliki signifikansi di atas 5% atau 1%

(0,05 atau 0,01 tergantung dekat yang mana) maka suatu data dikatakan terdistribusi secara

normal. (Berlawanan dengan pengujian lainnya, pada pengujian ini data justru disimpulkan

normal apabila tidak signifikan).

Contoh :

Hasil Uji Kolmogorov Smirnov Satu ArahNama Variabel Kolmogorov Smirnov

Z StatistikSignifikansi

X1X2X3X4Y

0,5950,5560,8311,3

0,668

0,8710,9170,4950,0680,763

Dari contoh di atas terlihat bahwa tingkat signifikansinya lebih besar dari pada 0,05 (atau 1%) maka kita menyimpulkan bahwa semua data yang ada terdistribusi secara normal.

3.     Uji Multikolinearitas

Uji ini dilakukan guna mengetahui ada tidaknya hubungan dalam variabel-variabel bebas yang

digunakan. Cara paling mudah adalah dengan menggunakan koefisien korelasi apabila koefisien

korelasi lebih besar dari 0,56 (menurut Gujarati 0,8) maka diindikasikan terdapat

multikolinieritas.

Contoh :

Variabel X1 X2 X3 X4X1 1

X2 0,391 1X3 0,408 0,339 1X4 0,480 0,283 0,327 1

Dari tabel tersebut terlihat bahwa tidak ada koefisien korelasi antara variabel bebas yang lebih

besar daripada 0,56 (atau 0,8 tergantung referensi). Sehingga disimpulkan tidak ada

multikolinier. Cara lain adalah dengan melihat VIFnya, apabila VIF melebihi angka 10 maka ada

indikasi multikolinieritas

Contoh :

Variabel VIFX1X2X3X4

1,6132,4491,9722,127

Dari tabel di atas terlihat bahwa VIF tidak ada yang melebihi angka 10 sehingga disimpulkan

tidak ada multikolinieritas

4.     Uji Heteroskedastisitas

Uji heteroskedastisitas dilakukan agar suatu persamaan regresi tidak bias.

Bias yang dimaksud disini adalah garis regresi tidak dapat mewakili pergerakan variabel terikat

secara tepat. Hal ini terjadi karena tingkat kesalahan yang terjadi semakin melebar.

Uji heteroskedastisitas dilakukan dengan meregresi absolut residual persamaan regresi dengan nilai variabel terikatnya. Cara membaca hasil uji heteroskedastisitas adalah sebagai berikut :

Hasil Uji Heteroskedastisitas

No. Keterangan Nilai t Hitung

Signifikansi

1234

X1X2X3X4

0,4440,0510,250-0,627

0,6590,9590,8040,533

Bila memiliki signifikansi di bawah 0,1 atau 10% (bisa 0,05; gunakan yang terdekat; yang

paling sering digunakan adalah 0,05) maka terjadi heteroskedastisitas. Namun hasil tersebut

menunjukkan bahwa signifikansinya berada di atas 0,05 sehingga disimpulkan tidak ada

heteroskedastisits.

 

5.     Uji Otokorelasi

Otokorelasi adalah adanya hubungan yang kuat pada periode-periode dalam satu variabel.

Uji otokorelasi dilakukan dengan uji Durbin Watson. Uji otokorelasi hanya dapat dilakukan

untuk data runtut waktu / time series. Namun sebagai pelengkap uji ini dapat disajikan

Untuk membaca hasil uji durbin watson sangat mudah caranya dengan melihat durbin watson statistiknya,apabila berada di dekat angka 2 maka tidak ada otokorelasi. Apabila durbin watson berada pada kisaran 1,5 hingga 2,5 maka disimpulkan tidak ada otokorelasi

6. Hasil Analisis Regresi

Analisis regresi berganda digunakan untuk melihat apakah variabel bebas yang digunakan dalam

memiliki pengaruh yang signifikan terhadap variabel terikat / kinerja. Dalam analisis regresi ini

uji t digunakan untuk menjawab hal tersebut. Sementara uji F digunakan untuk melihat apakah

semua variabel bebas yang digunakan secara bersama-sama berpengaruh signifikan terhadap

variabel terikat.

Berdasarkan hasil analisis yang ada dapat dilihat bahwa semua variabel bebas yang digunakan

memiliki pengaruh positif yang signifikan terhadap variabel terikat.

Contoh :

 Dari output tesebut maka persamaan regresinya adalah :

Y = 1,564 + 0,07625X1 + 0,472X2 + 0,06801X3 + 0,568X4 + E

Untuk melihat apakah suatu variabel bebas memiliki pengaruh yang signifikan / tidak dapat

dilihat dari nilai t atau dari signifikansinya. Apabila suatu variabel terikat memiliki sig lebih

kecil dari pada 0,1 atau 10% maka dapat dikatakan bahwa variabel bebas tersebut signifikan

pada tingkat 10%, bila lebih kecil dari 0,05 atau 5% maka dapat dikatakan bahwa variabel bebas

tersebut signifikan pada tingkat 5%, jika memiliki sig yang lebih kecil dari 0,01 tau 1% maka

dapat dikatakan bahwa variabel tersebut signifikan pada tingkat 1%. Apabila dinyatakan

signifikan maka hipotesis yang telah kita rumuskan dapat diterima. (Yang Umum digunakan 5%)

Berdasarkan hal tersebut maka hipotesis 1 hingga hipotesis 4 dapat diterima, dan disimpulkan

bahwa terdapat pengaruh positif yang signifikan dari x1, x2, x3 dan x4 terhadap y.

Uji F dilakukan dengan melihat nilai F hitungnya

Contoh

Dengan cara yang sama dengan uji t, maka kita dapat melihat dari nilai sig. Karena nilai F

hitung sebesar 3,559 yang memiliki tingkat sig 0,012 yang lebih kecil dari 5% (bisa pula 10%,

gunakan yang paling dekat apabila nilai sig sebesar 0,07 maka signifikan pada tingkat 10%)

maka kita dapat simpulkan bahwa semua variabel bebas secara bersama-sama berpengaruh

signifikan terhadap variabel terikat dan hipotesisnya diterima.

Sementara itu koefisien determinasi nya dapat dilihat dari nilai R squarenya

Contoh :

Nilai R square sebesar 0,554 memiliki arti bahwa kemampuan variabel bebas untuk menjelaskan

besarnya variasi dalam variabel terikat adalah sebesar 55,4% sisanya dijelaskan variabel lain

yang tidak masuk dalam persamaan.