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.

05 atau 0.495 .556 X3 0. simpangan baku. Salah satu alat uji yang dipandang mampu untuk menyimpulkan hal tersebut adalah uji kolmogorov smirnov. Apabila Z statistik memiliki signifikansi di atas 5% atau 1% (0. maksudnya adalah bahwa sebenarnya ada pengujian normalitas data dengan menggunakan statistika deskriptif misalnya dengan nilai rata-rata. Uji kolmogorov Smirnov dapat langsung menyimpulkan normalitas suatu data dengan melihat pada signifikansi nilai Z statistik. pada pengujian ini data justru disimpulkan normal apabila tidak signifikan).01 tergantung dekat yang mana) maka suatu data dikatakan terdistribusi secara normal. Uji ini dipandang lebih mempermudah peneliti untuk melihat normalitas data secara langsung.Dalam menggambarkan suatu kondisi data tampilan grafis dipandang kurang memadai sehingga diperlukan suatu alat statistik yang memadai untuk menyimpulkan suatu data normal / tidak.831 Signifikansi 0. (Berlawanan dengan pengujian lainnya.871 0.595 X2 0. Contoh : Hasil Uji Kolmogorov Smirnov Satu Arah Nama Variabel Kolmogorov Smirnov Z Statistik X1 0.917 0. Namun uji normalitas data dengan statistika deskriptif ini tidak dapat memberikan kesimpulan secara tepat mengenai normalitas data. kemencengan dan kelancipan.

8) maka diindikasikan terdapat multikolinieritas. Cara paling mudah adalah dengan menggunakan koefisien korelasi apabila koefisien korelasi lebih besar dari 0.56 (atau 0. Sehingga disimpulkan tidak ada multikolinier.763 Dari contoh di atas terlihat bahwa tingkat signifikansinya lebih besar dari pada 0.668 0. apabila VIF melebihi angka 10 maka ada indikasi multikolinieritas Contoh : Variabel X1 X2 X3 X4 VIF 1. 3.068 Y 0.X4 1. Uji Heteroskedastisitas Uji heteroskedastisitas dilakukan agar suatu persamaan regresi tidak bias. .972 2. Contoh : Variabel X1 1 X2 X3 X4 X2 X3 X4 0. Uji Multikolinearitas Uji ini dilakukan guna mengetahui ada tidaknya hubungan dalam variabel-variabel bebas yang digunakan.8 tergantung referensi).339 0.56 (menurut Gujarati 0.127 Dari tabel di atas terlihat bahwa VIF tidak ada yang melebihi angka 10 sehingga disimpulkan tidak ada multikolinieritas 4.327 1 X1 Dari tabel tersebut terlihat bahwa tidak ada koefisien korelasi antara variabel bebas yang lebih besar daripada 0.449 1.3 0.05 (atau 1%) maka kita menyimpulkan bahwa semua data yang ada terdistribusi secara normal. Cara lain adalah dengan melihat VIFnya.408 0.391 0.480 1 0.613 2.283 1 0.

Hal ini terjadi karena tingkat kesalahan yang terjadi semakin melebar. Uji otokorelasi dilakukan dengan uji Durbin Watson. gunakan yang terdekat.250 -0.804 0. 5. Uji heteroskedastisitas dilakukan dengan meregresi absolut residual persamaan regresi dengan nilai variabel terikatnya.1 atau 10% (bisa 0. Namun sebagai pelengkap uji ini dapat disajikan . Uji otokorelasi hanya dapat dilakukan untuk data runtut waktu / time series.659 0.627 Signifikansi 0.959 0.051 0. Uji Otokorelasi Otokorelasi adalah adanya hubungan yang kuat pada periode-periode dalam satu variabel.05) maka terjadi heteroskedastisitas. yang paling sering digunakan adalah 0. Namun hasil tersebut menunjukkan bahwa signifikansinya berada di atas 0.Bias yang dimaksud disini adalah garis regresi tidak dapat mewakili pergerakan variabel terikat secara tepat.444 0.533 Bila memiliki signifikansi di bawah 0.05. 1 2 3 4 Keterangan X1 X2 X3 X4 Nilai t Hitung 0. Cara membaca hasil uji heteroskedastisitas adalah sebagai berikut : Hasil Uji Heteroskedastisitas No.05 sehingga disimpulkan tidak ada heteroskedastisits.

Hasil Analisis Regresi Analisis regresi berganda digunakan untuk melihat apakah variabel bebas yang digunakan dalam memiliki pengaruh yang signifikan terhadap variabel terikat / kinerja. Berdasarkan hasil analisis yang ada dapat dilihat bahwa semua variabel bebas yang digunakan memiliki pengaruh positif yang signifikan terhadap variabel terikat.Untuk membaca hasil uji durbin watson sangat mudah caranya dengan melihat durbin watson statistiknya. Contoh : Dari output tesebut maka persamaan regresinya adalah : Y = 1. Dalam analisis regresi ini uji t digunakan untuk menjawab hal tersebut. (Yang Umum digunakan 5%) . jika memiliki sig yang lebih kecil dari 0.apabila berada di dekat angka 2 maka tidak ada otokorelasi.472X2 + 0.1 atau 10% maka dapat dikatakan bahwa variabel bebas tersebut signifikan pada tingkat 10%.01 tau 1% maka dapat dikatakan bahwa variabel tersebut signifikan pada tingkat 1%.5 hingga 2.564 + 0.07625X1 + 0. bila lebih kecil dari 0. Apabila durbin watson berada pada kisaran 1.568X4 + 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. Apabila dinyatakan signifikan maka hipotesis yang telah kita rumuskan dapat diterima.5 maka disimpulkan tidak ada otokorelasi 6.05 atau 5% maka dapat dikatakan bahwa variabel bebas tersebut signifikan pada tingkat 5%.06801X3 + 0. Sementara uji F digunakan untuk melihat apakah semua variabel bebas yang digunakan secara bersama-sama berpengaruh signifikan terhadap variabel terikat.

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. Uji F dilakukan dengan melihat nilai F hitungnya Contoh Dengan cara yang sama dengan uji t. x2.Berdasarkan hal tersebut maka hipotesis 1 hingga hipotesis 4 dapat 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. Karena nilai F hitung sebesar 3. .012 yang lebih kecil dari 5% (bisa pula 10%.4% sisanya dijelaskan variabel lain yang tidak masuk dalam persamaan. maka kita dapat melihat dari nilai sig. x3 dan x4 terhadap y. gunakan yang paling dekat apabila nilai sig sebesar 0.559 yang memiliki tingkat sig 0. dan disimpulkan bahwa terdapat pengaruh positif yang signifikan dari x1.