Seorang mahasiswa meneliti kinerja karyawan di sebuah perusahaan. Ia menduga ada tiga hal yang menentukan: motivasi, kompensasi, dan lingkungan kerja. Dosen pembimbing bertanya satu pertanyaan yang membuatnya bingung: “Dari ketiganya, mana yang paling berpengaruh?”
Kalau ia menghitung pengaruh motivasi sendirian, lalu kompensasi sendirian, ia akan menipu diri — karyawan yang sangat termotivasi biasanya juga mendapat kompensasi yang lebih baik, jadi dua angka itu saling tumpang-tindih. Yang ia butuhkan adalah cara menimbang ketiga faktor secara bersamaan, supaya tiap angka menggambarkan pengaruh murni satu faktor setelah faktor lain diperhitungkan.
Itulah pekerjaan regresi linear berganda: satu model, beberapa variabel bebas, satu jawaban untuk “siapa yang paling menentukan”.
Dari Satu Garis ke Banyak Variabel
Regresi sederhana memasang satu garis lurus pada awan titik: makin tinggi $X$, makin tinggi (atau rendah) $Y$. Gambar di bawah adalah inti yang sudah Anda kenal — sebuah garis yang menembus titik-titik data dan melewati titik pusat rata-rata.
Bedanya: dengan dua variabel bebas, “garis” menjadi sebuah bidang di ruang tiga dimensi; dengan tiga atau lebih, ia menjadi bidang di dimensi yang tak bisa digambar. Tetapi logikanya tidak berubah sama sekali — kita tetap mencari koefisien yang membuat jumlah kuadrat residual sekecil mungkin. Yang berubah hanya jumlah koefisien yang dicari.
Model Regresi Berganda
Dengan $k$ variabel bebas, persamaannya:
$$ Y = a + b_1 X_1 + b_2 X_2 + \dots + b_k X_k + e $$Penjelasan tiap lambang:
- $Y$ = variabel terikat (yang ingin dijelaskan), misalnya kinerja karyawan.
- $X_1, X_2, \dots, X_k$ = variabel bebas (penjelas), misalnya motivasi dan kompensasi. $k$ = banyaknya variabel bebas.
- $a$ = konstanta (intersep): nilai prediksi $Y$ saat semua $X$ bernilai nol.
- $b_j$ = koefisien variabel ke-$j$. Inilah angka kunci, dibaca dengan hati-hati di paragraf berikut.
- $e$ = residual (sisa) = selisih nilai aktual dengan prediksi, $e = Y - \hat{Y} = (\text{nilai aktual} - \text{prediksi})$. Misalnya kalau seorang karyawan punya kinerja aktual 64 sedangkan model memprediksi 60, residualnya $e = 64 - 60 = 4$.
Arti koefisien parsial
Tiap $b_j$ disebut koefisien parsial (partial coefficient), dan dibacanya begini:
$b_j$ = perubahan $Y$ untuk kenaikan satu satuan $X_j$, dengan semua variabel lain dianggap tetap (ceteris paribus).
Frasa “variabel lain tetap” itu jantung regresi berganda. Bayangkan Anda ingin tahu pengaruh murni kompensasi. Anda tidak bisa sekadar membandingkan karyawan kompensasi tinggi vs rendah, sebab mereka mungkin berbeda juga dalam motivasi. Regresi berganda secara matematis “menahan” motivasi pada angka konstan, lalu mengukur: kalau hanya kompensasi yang naik satu satuan, seberapa $Y$ berubah? Itulah yang ditangkap $b_2$ — pengaruh kompensasi yang sudah dibersihkan dari pengaruh motivasi.
Bagaimana Koefisien Dihitung
Untuk dua variabel bebas, koefisien punya rumus tertutup. Semuanya memakai simpangan dari rata-rata — sama persis dengan yang Anda pelajari di variabilitas dan regresi sederhana. Tulis dulu simpangan tiap variabel:
$$ x_1 = X_1 - \bar{X}_1, \quad x_2 = X_2 - \bar{X}_2, \quad y = Y - \bar{Y} $$(huruf kecil = simpangan, huruf besar = nilai asli). Lalu koefisiennya:
$$ b_1 = \frac{(\sum x_2^2)(\sum x_1 y) - (\sum x_1 x_2)(\sum x_2 y)}{(\sum x_1^2)(\sum x_2^2) - (\sum x_1 x_2)^2} $$$$ b_2 = \frac{(\sum x_1^2)(\sum x_2 y) - (\sum x_1 x_2)(\sum x_1 y)}{(\sum x_1^2)(\sum x_2^2) - (\sum x_1 x_2)^2} $$dan konstantanya:
$$ a = \bar{Y} - b_1 \bar{X}_1 - b_2 \bar{X}_2 $$Penjelasan tiap lambang dalam rumus $b_1$ dan $b_2$:
- $\sum x_1^2$ = jumlah kuadrat simpangan $X_1$ (seberapa $X_1$ menyebar). Begitu pula $\sum x_2^2$ untuk $X_2$.
- $\sum x_1 y$ = jumlah hasil kali simpangan $X_1$ dengan simpangan $Y$ (seberapa $X_1$ dan $Y$ bergerak searah). Begitu pula $\sum x_2 y$.
- $\sum x_1 x_2$ = jumlah hasil kali simpangan dua variabel bebas (seberapa $X_1$ dan $X_2$ saling berhubungan). Suku inilah yang melakukan “pembersihan” — ia mengoreksi tumpang-tindih antara $X_1$ dan $X_2$.
Rumus ini terlihat menakutkan, tetapi isinya cuma aritmetika biasa: jumlahkan beberapa kolom, lalu kalikan-bagi. Contoh hitung di bawah memperlihatkan tiap angka muncul dari mana. Untuk tiga variabel atau lebih, rumus tertutup ini diganti perkalian matriks (lihat regresi berganda manual), tetapi logikanya identik — dan dalam praktik, SPSS yang mengerjakannya.
Contoh Hitung dari Nol
Mari hitung satu model dua-variabel sepenuhnya dengan tangan. Data sepuluh karyawan: $X_1$ = skor motivasi, $X_2$ = skor kompensasi, $Y$ = skor kinerja (semua skala puluhan).
Langkah 1 — rata-rata tiap kolom:
$$\bar{X}_1 = 38{,}8 \qquad \bar{X}_2 = 27{,}5 \qquad \bar{Y} = 57{,}5$$Langkah 2 — simpangan dan hasil kalinya. Tiap baris: simpangan dari rata-rata, lalu kuadrat dan hasil kali silang.
| $X_1$ | $X_2$ | $Y$ | $x_1$ | $x_2$ | $y$ | $x_1^2$ | $x_2^2$ | $x_1 x_2$ | $x_1 y$ | $x_2 y$ |
|---|---|---|---|---|---|---|---|---|---|---|
| 35 | 22 | 47 | −3,8 | −5,5 | −10,5 | 14,44 | 30,25 | 20,90 | 39,9 | 57,8 |
| 28 | 30 | 53 | −10,8 | 2,5 | −4,5 | 116,64 | 6,25 | −27,00 | 48,6 | −11,2 |
| 42 | 25 | 64 | 3,2 | −2,5 | 6,5 | 10,24 | 6,25 | −8,00 | 20,8 | −16,2 |
| 30 | 20 | 40 | −8,8 | −7,5 | −17,5 | 77,44 | 56,25 | 66,00 | 154,0 | 131,2 |
| 45 | 35 | 69 | 6,2 | 7,5 | 11,5 | 38,44 | 56,25 | 46,50 | 71,3 | 86,2 |
| 38 | 28 | 52 | −0,8 | 0,5 | −5,5 | 0,64 | 0,25 | −0,40 | 4,4 | −2,8 |
| 50 | 32 | 73 | 11,2 | 4,5 | 15,5 | 125,44 | 20,25 | 50,40 | 173,6 | 69,8 |
| 33 | 26 | 58 | −5,8 | −1,5 | 0,5 | 33,64 | 2,25 | 8,70 | −2,9 | −0,8 |
| 47 | 24 | 59 | 8,2 | −3,5 | 1,5 | 67,24 | 12,25 | −28,70 | 12,3 | −5,2 |
| 40 | 33 | 60 | 1,2 | 5,5 | 2,5 | 1,44 | 30,25 | 6,60 | 3,0 | 13,8 |
| Σ | 0 | 0 | 0 | 485,6 | 220,5 | 135,0 | 525,0 | 322,5 |
Perhatikan tiga kolom simpangan ($x_1, x_2, y$) yang masing-masing berjumlah nol — ini selalu terjadi dan sekaligus memeriksa kebenaran hitungan. Kelima jumlah di pojok kanan adalah semua bahan yang kita perlukan.
Langkah 3 — penyebut (sama untuk $b_1$ dan $b_2$):
$$ (\sum x_1^2)(\sum x_2^2) - (\sum x_1 x_2)^2 = (485{,}6)(220{,}5) - (135{,}0)^2 = 88\,849{,}8 $$Langkah 4 — koefisien:
$$ b_1 = \frac{(220{,}5)(525{,}0) - (135{,}0)(322{,}5)}{88\,849{,}8} = \frac{72\,225{,}0}{88\,849{,}8} \approx 0{,}813 $$$$ b_2 = \frac{(485{,}6)(322{,}5) - (135{,}0)(525{,}0)}{88\,849{,}8} = \frac{85\,731{,}0}{88\,849{,}8} \approx 0{,}965 $$Langkah 5 — konstanta:
$$ a = \bar{Y} - b_1 \bar{X}_1 - b_2 \bar{X}_2 = 57{,}5 - (0{,}813)(38{,}8) - (0{,}965)(27{,}5) \approx -0{,}575 $$Persamaan akhirnya:
$$ \hat{Y} = -0{,}575 + 0{,}813\, X_1 + 0{,}965\, X_2 $$Cara membacanya: setiap kenaikan satu satuan motivasi ($X_1$) menaikkan kinerja sekitar 0,81 poin bila kompensasi ditahan tetap; setiap kenaikan satu satuan kompensasi ($X_2$) menaikkan kinerja sekitar 0,96 poin bila motivasi ditahan tetap.
Beta Terstandar: Membandingkan dengan Adil
Lihat angka tadi: $b_2 = 0{,}965$ lebih besar dari $b_1 = 0{,}813$. Apakah berarti kompensasi lebih dominan daripada motivasi? Belum tentu — dan inilah jebakan paling sering di skripsi.
Masalahnya, $b_1$ dan $b_2$ bersatuan berbeda: satu per satuan motivasi, satu per satuan kompensasi. Membandingkan keduanya seperti membandingkan “rupiah per kilogram” dengan “rupiah per liter” — angkanya bisa diadu, artinya tidak. Variabel yang kebetulan punya skala lebih lebar akan tampak lebih “kuat” hanya karena satuannya, bukan karena pengaruhnya.
Solusinya koefisien beta terstandar (standardized beta): koefisien yang dihitung seolah semua variabel sudah diubah ke satuan yang sama (skor-z, rata-rata 0 dan simpangan baku 1). Rumus praktisnya:
$$ \beta_j = b_j \times \frac{s_{X_j}}{s_Y} $$Penjelasan tiap lambang:
- $\beta_j$ (huruf Yunani “beta”) = koefisien terstandar variabel ke-$j$ — tanpa satuan, jadi boleh dibandingkan antar variabel.
- $b_j$ = koefisien asli (dari kolom B SPSS).
- $s_{X_j}$ = standar deviasi variabel bebas ke-$j$; $s_Y$ = standar deviasi variabel terikat.
Untuk data kita ($s_{X_1} = 7{,}345$; $s_{X_2} = 4{,}950$; $s_Y = 9{,}947$):
$$ \beta_1 = 0{,}813 \times \frac{7{,}345}{9{,}947} \approx 0{,}600 $$$$ \beta_2 = 0{,}965 \times \frac{4{,}950}{9{,}947} \approx 0{,}480 $$Hasilnya terbalik: walau $b_2 > b_1$, ternyata $\beta_1 = 0{,}600 > \beta_2 = 0{,}480$. Setelah skala disetarakan, motivasi yang paling dominan, bukan kompensasi. Motivasi tadi tampak lebih kecil hanya karena skalanya lebih lebar (standar deviasinya 7,3 lawan 5,0). Inilah sebabnya variabel paling berpengaruh selalu dibaca dari Beta, bukan B.
R² Disesuaikan: Seberapa Baik Modelnya
Setelah punya persamaan, pertanyaan berikutnya: seberapa banyak variasi kinerja yang berhasil dijelaskan model? Jawabannya koefisien determinasi $R^2$ — proporsi keragaman $Y$ yang diterangkan semua variabel bebas bersama-sama (lihat koefisien determinasi untuk dasarnya). Untuk data kita, $R^2 = 0{,}829$, artinya 82,9% keragaman kinerja dijelaskan motivasi dan kompensasi.
Tetapi $R^2$ biasa punya cacat pada regresi berganda: angkanya selalu naik setiap kali variabel ditambahkan, bahkan kalau variabel itu sampah sekalipun. Tambahkan “nomor sepatu karyawan” ke model dan $R^2$ tetap naik sedikit — bukan karena nomor sepatu menjelaskan apa-apa, melainkan karena tambahan variabel selalu menempel sedikit pada keacakan data. Memakai $R^2$ biasa untuk membandingkan model berbeda-jumlah-variabel jadi tidak adil.
R² disesuaikan (adjusted $R^2$) memperbaikinya dengan memberi “denda” untuk tiap variabel tambahan:
$$ R^2_{\text{adj}} = 1 - (1 - R^2)\frac{n - 1}{n - k - 1} $$Penjelasan tiap lambang:
- $R^2$ = koefisien determinasi biasa (di sini 0,829).
- $n$ = banyaknya data (di sini 10); $k$ = banyaknya variabel bebas (di sini 2).
- $n - k - 1$ = derajat kebebasan residual. Makin banyak variabel ($k$ besar) dengan data tetap, penyebut mengecil dan denda membesar.
Untuk data kita:
$$ R^2_{\text{adj}} = 1 - (1 - 0{,}829)\frac{10 - 1}{10 - 2 - 1} = 1 - (0{,}171)\frac{9}{7} \approx 0{,}780 $$Jadi $R^2_{\text{adj}} = 0{,}780$, sedikit di bawah $R^2 = 0{,}829$. Selisih ini adalah harga kejujuran: ia memperhitungkan bahwa kita memakai dua variabel untuk menjelaskan sepuluh data. Pada regresi berganda, selalu laporkan dan tafsirkan R² disesuaikan, bukan R² biasa.
Membaca Output SPSS
SPSS menyajikan hasil di tiga tabel. Inilah seperti apa output untuk data kita.
Tabel Coefficients (paling penting)
| Model | B | Std. Error | Beta | t | Sig. |
|---|---|---|---|---|---|
| (Constant) | −0,575 | 10,150 | — | −0,057 | 0,956 |
| Motivasi ($X_1$) | 0,813 | 0,233 | 0,600 | 3,495 | 0,010 |
| Kompensasi ($X_2$) | 0,965 | 0,345 | 0,480 | 2,796 | 0,027 |
Cara membaca tiap kolom:
- B — koefisien skala asli. Dipakai untuk menulis persamaan: $\hat{Y} = -0{,}575 + 0{,}813 X_1 + 0{,}965 X_2$.
- Beta — koefisien terstandar. Dipakai untuk membandingkan kekuatan antar variabel. Beta motivasi (0,600) > Beta kompensasi (0,480) → motivasi paling dominan.
- t — nilai uji t tiap variabel, yaitu $t = B / \text{Std. Error}$. Untuk motivasi: $0{,}813 / 0{,}233 \approx 3{,}50$. Makin jauh dari nol, makin yakin koefisien itu bukan kebetulan.
- Sig. — nilai-p uji t. Aturan baku: Sig. < 0,05 → variabel berpengaruh signifikan. Motivasi (0,010) dan kompensasi (0,027) keduanya signifikan; konstanta (0,956) tidak — dan itu wajar, konstanta jarang dimaknai.
Tabel Model Summary
| R | R Square | Adjusted R Square | Std. Error of the Estimate |
|---|---|---|---|
| 0,910 | 0,829 | 0,780 | 4,668 |
Baca Adjusted R Square = 0,780: motivasi dan kompensasi bersama menjelaskan sekitar 78% keragaman kinerja (setelah dikoreksi jumlah variabel). Sisanya, 22%, ditentukan faktor lain di luar model.
Tabel ANOVA (uji F simultan)
| Model | Sum of Squares | df | Mean Square | F | Sig. |
|---|---|---|---|---|---|
| Regression | 737,946 | 2 | 368,973 | 16,931 | 0,002 |
| Residual | 152,554 | 7 | 21,793 | ||
| Total | 890,500 | 9 |
Tabel ini menjawab pertanyaan berbeda dari Coefficients. Uji t (di Coefficients) menguji tiap variabel satu per satu; uji F (di ANOVA) menguji seluruh model sekaligus: apakah motivasi dan kompensasi bersama-sama berpengaruh? Nilai $F = 16{,}931$ dengan Sig. = 0,002 < 0,05 berarti model secara keseluruhan signifikan — layak dipakai. Kalau Sig. uji F ini ≥ 0,05, seluruh model gugur, dan koefisien individual tak perlu lagi ditafsirkan.
Menyusun Kesimpulan
Dengan semua angka di tangan, kesimpulan skripsi ditulis begini:
“Hasil regresi menunjukkan model secara simultan signifikan (F = 16,931; Sig. = 0,002 < 0,05). Secara parsial, motivasi berpengaruh positif dan signifikan terhadap kinerja (B = 0,813; Sig. = 0,010), demikian pula kompensasi (B = 0,965; Sig. = 0,027). Berdasarkan koefisien Beta terstandar, motivasi (Beta = 0,600) merupakan variabel paling dominan, melampaui kompensasi (Beta = 0,480). Model menjelaskan 78% keragaman kinerja (Adjusted R² = 0,780).”
Perhatikan tiga keputusan yang seluruhnya bersumber dari tabel: signifikansi keseluruhan dari uji F, signifikansi tiap variabel dari Sig. uji t, dan variabel paling dominan dari Beta (bukan B).
Bereksperimen Sendiri
Atur koefisien Beta tiap variabel, tandai mana yang signifikan, lalu amati bagaimana batang terpanjang menentukan variabel paling dominan — dan kenapa Beta, bukan B, yang dipakai untuk membandingkan.
Cek Pemahaman
1. Sebuah model regresi berganda menghasilkan $\hat{Y} = 12 + 2{,}5\,X_1 + 0{,}004\,X_2$, dengan Beta: $X_1 = 0{,}31$ dan $X_2 = 0{,}68$. Kedua variabel signifikan. Manakah variabel yang paling berpengaruh, dan mengapa angka B-nya bisa menyesatkan?
Lihat jawaban
$X_2$ paling berpengaruh, karena Beta-nya lebih besar (0,68 > 0,31). Angka B menyesatkan karena bergantung satuan: $B_1 = 2{,}5$ tampak jauh lebih besar dari $B_2 = 0{,}004$, padahal itu cuma akibat skala. Misalnya kalau $X_2$ adalah pendapatan dalam rupiah (angkanya jutaan), koefisien per-rupiah memang wajar sangat kecil — tetapi sumbangannya pada $Y$ justru terbesar. Hanya Beta (terstandar, tanpa satuan) yang sah untuk membandingkan kekuatan antar variabel.
2. Anda menambahkan satu variabel bebas baru ke model. Setelah ditambah, R Square naik dari 0,72 menjadi 0,74, tetapi Adjusted R Square turun dari 0,70 menjadi 0,69. Apa artinya, dan sebaiknya variabel itu dipertahankan?
Lihat jawaban
R² biasa selalu naik tiap variabel ditambah, jadi kenaikan 0,72 → 0,74 tidak membuktikan apa-apa. Yang bermakna: Adjusted R² turun (0,70 → 0,69). Itu sinyal bahwa variabel baru menyumbang lebih sedikit daripada “denda” yang dikenakan untuk menambahnya — sumbangannya tidak sepadan. Sebaiknya variabel itu dikeluarkan; ia hanya menambah kerumitan tanpa menambah daya jelas yang nyata. (Periksa juga Sig. uji t variabel itu — kemungkinan besar ≥ 0,05.)
3. (transfer) Seorang peneliti melaporkan: “Karena $B$ untuk ukuran perusahaan (2,1) jauh lebih besar daripada $B$ untuk leverage (0,3), ukuran perusahaan adalah penentu utama nilai perusahaan.” Selain soal B-vs-Beta, satu hal lagi perlu dicek sebelum klaim ini sah. Apa itu?
Lihat jawaban
Cek signifikansinya (Sig. uji t) lebih dulu. Sebelum membandingkan kekuatan dua variabel, keduanya harus terbukti signifikan (Sig. < 0,05). Kalau leverage ternyata Sig. = 0,40, ia tidak berpengaruh signifikan sama sekali — membandingkan kekuatannya dengan ukuran perusahaan jadi tak bermakna, entah pakai B atau Beta. Urutan yang benar: (1) cek uji F simultan, (2) cek Sig. uji t tiap variabel, baru (3) bandingkan Beta variabel-variabel yang signifikan. Peneliti itu melompat langsung ke langkah 3 dengan ukuran yang salah pula (B).
Kesalahan Umum
Membandingkan B antar variabel berskala beda. Untuk menentukan variabel paling berpengaruh, pakai Beta (terstandar), bukan B. B bergantung satuan masing-masing variabel — variabel berskala lebar tampak palsu lebih kuat. Pada contoh kita, $b_2 > b_1$ tetapi $\beta_1 > \beta_2$: kesimpulannya terbalik kalau salah pilih.
Lupa frasa “variabel lain tetap”. Tiap koefisien adalah pengaruh murni satu variabel saat yang lain ditahan konstan, bukan pengaruh total mentah. Menafsirkannya seolah variabel lain tidak ada akan keliru.
Memakai R Square biasa, bukan Adjusted. Pada regresi berganda, R Square naik otomatis tiap variabel ditambah. Laporkan Adjusted R Square yang adil; pakai juga ia (bukan R²) untuk membandingkan model berbeda jumlah variabel.
Membandingkan kekuatan variabel yang tidak signifikan. Variabel dengan Sig. ≥ 0,05 disimpulkan tidak berpengaruh signifikan — jangan masukkan ke perbandingan “paling dominan”. Cek signifikansi dulu, baru bandingkan Beta yang signifikan saja.
Melewati uji asumsi klasik. Sebelum menafsirkan koefisien, regresi berganda wajib lolos uji multikolinearitas (variabel bebas jangan saling terlalu berkorelasi) dan asumsi lain. Lihat ringkasan dan urutan uji asumsi klasik untuk urutannya.
Dipakai di Dunia Nyata
- Mayoritas skripsi manajemen dan akuntansi. Menguji pengaruh beberapa faktor (motivasi, kompensasi, kepemimpinan, lingkungan) terhadap satu hasil (kinerja, kepuasan, loyalitas). Format “uji parsial + uji simultan + variabel dominan” adalah pola baku Bab 4.
- Analisis penentu kinerja keuangan. Riset memodelkan profitabilitas atau nilai perusahaan sebagai fungsi ukuran perusahaan, leverage, dan pertumbuhan secara bersamaan — tiap koefisien parsial memisahkan satu pengaruh dari lainnya.
- Model prediksi praktis. Memperkirakan penjualan dari belanja iklan, harga, dan musim sekaligus; atau memperkirakan harga rumah dari luas, lokasi, dan umur bangunan.
- Evaluasi kebijakan dan SDM. Menimbang faktor mana (pelatihan, insentif, beban kerja) yang paling layak diprioritaskan ketika anggaran terbatas — Beta terstandar langsung menjawab “mana yang paling menggerakkan hasil”.
Lanjutan
- Membaca Output Regresi (Uji t & Uji F) — detail kedua uji yang baru saja kita pakai.
- Koefisien Determinasi (R² & Adjusted R²) — dasar di balik angka daya jelas model.
- Variabel Dummy dalam Regresi — memasukkan variabel kategori (jenis kelamin, divisi) sebagai variabel bebas.
Fondasi dan prasyarat:
- Regresi Linear Sederhana — versi satu-variabel, tempat ide garis terbaik dan residual bermula.
- Regresi Berganda Manual (lengkap) — perhitungan matriks penuh untuk tiga variabel atau lebih.
- Uji Multikolinearitas (VIF & Tolerance) — syarat penting sebelum koefisien parsial bisa dipercaya.
Reference
- Ghozali, I. (2018), Aplikasi Analisis Multivariate dengan Program IBM SPSS 25.
- Hair, J. F., et al. (2019), Multivariate Data Analysis, 8th ed.