Regresi Linear Sederhana (Baca Output SPSS)

Hipotesis skripsi Anda berbunyi: “motivasi berpengaruh terhadap kinerja”. Kuesioner sudah disebar, data sudah masuk, dan Anda menekan tombol Analyze → Regression di SPSS. Sedetik kemudian layar penuh tabel: angka-angka di kolom B, Sig., R, R Square, sederet baris bernama Coefficients dan ANOVA.

Pertanyaannya sekarang bukan “bagaimana menjalankan SPSS” — itu mudah. Pertanyaannya: angka mana yang harus saya baca, dan apa artinya untuk hipotesis saya? Inilah titik banyak mahasiswa tersangkut. Mereka bisa menghasilkan output, tetapi bingung menerjemahkannya jadi kalimat kesimpulan.

Regresi linear sederhana adalah alat yang mencari satu garis lurus terbaik yang menggambarkan bagaimana kinerja (Y) berubah saat motivasi (X) berubah. Output SPSS hanyalah laporan tentang garis itu. Begitu Anda paham apa yang sebenarnya dilaporkan, semua angka jatuh ke tempatnya.

Apa yang Sebenarnya Dicari Regresi

Bayangkan data Anda sebagai titik-titik di bidang: sumbu mendatar nilai X (motivasi), sumbu tegak nilai Y (kinerja). Titik-titik itu tidak persis sejajar, tetapi punya kecenderungan: makin tinggi X, cenderung makin tinggi Y. Regresi menarik satu garis lurus yang paling pas menembus awan titik itu.

Kemiringan dan posisi garis inilah yang dilaporkan SPSS lewat dua angka: konstanta dan koefisien. Sebelum membaca output, kita kenali dulu kedua angka itu lewat persamaannya.

Model Regresi Sederhana

Regresi sederhana memodelkan satu variabel terikat ($Y$) dari satu variabel bebas ($X$) dengan garis lurus:

$$ \hat{Y} = a + bX $$

Penjelasan tiap lambang:

• $\hat{Y}$ (dibaca “Y-topi”) = nilai $Y$ yang diprediksi garis untuk sebuah $X$. Topi (^) menandai “ini hasil prediksi”, bukan nilai aktual.
• $X$ = nilai variabel bebas, mis. skor motivasi seseorang.
• $a$ = konstanta (intercept), yaitu nilai $\hat{Y}$ saat $X = 0$ — tempat garis memotong sumbu tegak.
• $b$ = koefisien (slope / kemiringan), yaitu perubahan $\hat{Y}$ untuk setiap kenaikan satu satuan $X$. Inilah angka yang menjawab hipotesis “X berpengaruh terhadap Y”.

Contoh konkret: kalau garisnya $\hat{Y} = 1,2 + 1,3X$, maka untuk seseorang dengan motivasi $X = 5$, prediksi kinerjanya $\hat{Y} = 1,2 + 1,3 \times 5 = 7,7$. Naikkan motivasi satu satuan ke $X = 6$, prediksi kinerja naik menjadi $1,2 + 1,3 \times 6 = 9,0$ — persis naik $1,3$, sebesar nilai $b$.

Nilai aktual versus prediksi: residual

Garis tidak melewati setiap titik dengan sempurna. Untuk sebuah orang, kinerja yang sebenarnya ($Y$) bisa sedikit di atas atau di bawah kinerja yang diprediksi garis ($\hat{Y}$). Selisih itu disebut sisa atau residual:

$$ e = y - \hat{y} = (\text{nilai aktual} - \text{nilai prediksi}) $$

Polosnya: kalau kinerja aktual seseorang $y = 8$ tetapi garis memprediksi $\hat{y} = 7,7$, maka residualnya $e = 8 - 7,7 = +0,3$ (aktual lebih tinggi $0,3$ dari prediksi). Kalau aktual di bawah garis, $e$ bernilai negatif.

Garis regresi bukan ditarik sembarangan: SPSS memilih $a$ dan $b$ yang membuat jumlah kuadrat residual ($\sum e^2$) sekecil mungkin. Itu sebabnya metodenya disebut kuadrat terkecil. Anda tidak perlu menghitungnya manual — tetapi tahu bahwa garis = kompromi terbaik atas semua titik membuat output SPSS masuk akal.

Menghitung b dan a (Supaya Tahu Asal Angkanya)

Sebelum percaya pada SPSS, ada baiknya melihat satu kali bahwa angka di outputnya bukan dari kotak ajaib. Rumus koefisien:

$$ b = \frac{n\sum XY - \sum X \sum Y}{n\sum X^2 - (\sum X)^2}, \qquad a = \bar{Y} - b\bar{X} $$

Di sini $n$ = banyak data, $\sum$ artinya “jumlahkan untuk semua data”, $\bar{X}$ dan $\bar{Y}$ = rata-rata X dan Y. (Penurunan lengkap rumus ini ada di versi manual.)

Contoh dari nol. Lima responden, $X$ = skor motivasi, $Y$ = skor kinerja: $(2,4),\ (3,5),\ (4,6),\ (5,8),\ (6,9)$.

Hitung lima jumlah yang diperlukan (kolom $XY$ dan $X^2$ dihitung per baris, lalu dijumlahkan):

Dengan $n = 5$, masukkan ke rumus $b$:

$$ b = \frac{5(141) - (20)(32)}{5(90) - 20^2} = \frac{705 - 640}{450 - 400} = \frac{65}{50} = 1,3 $$

Rata-ratanya $\bar{X} = 20/5 = 4$ dan $\bar{Y} = 32/5 = 6,4$, sehingga konstanta:

$$ a = \bar{Y} - b\bar{X} = 6,4 - 1,3(4) = 6,4 - 5,2 = 1,2 $$

Persamaan regresinya: $\hat{Y} = 1,2 + 1,3X$. Angka 1,2 dan 1,3 inilah yang akan muncul di kolom B output SPSS — tidak lebih, tidak kurang.

Mengecek residual contoh ini

Sekarang isi tiap $\hat{Y} = 1,2 + 1,3X$ dan hitung $e = y - \hat{y}$ untuk membuktikan garis tidak lewat tiap titik dengan sempurna:

Residualnya kecil-kecil (terbesar hanya $-0,4$) — tanda garis ini sangat pas dengan datanya. Jumlah kuadrat residual $\sum e^2 = 0,2^2 + 0,1^2 + 0,4^2 + 0,3^2 + 0^2 = 0,30$, dan tidak ada garis lurus lain yang bisa membuatnya lebih kecil.

Membaca Output SPSS

SPSS menghasilkan beberapa tabel sekaligus. Tiga yang wajib Anda baca, dengan angka dari contoh di atas:

Tabel Coefficients (yang paling penting)

Cara membacanya, kolom demi kolom:

• Kolom B memberi nilai $a$ dan $b$ langsung. Baris (Constant) = $a = 1,2$; baris Motivasi = $b = 1,3$. Dari sini Anda tulis persamaan: $\hat{Y} = 1,2 + 1,3X$.
• Std. Error = ketidakpastian taksiran koefisien (makin kecil makin teliti). Jarang dilaporkan di skripsi, tetapi dipakai SPSS untuk menghitung kolom berikutnya.
• Kolom t = nilai uji-t, yaitu $t = B / \text{Std. Error}$. Untuk X: $t = 1,3 / 0,1 = 13,0$. Makin jauh t dari nol, makin kuat bukti bahwa koefisien sebenarnya bukan nol.
• Kolom Sig. = nilai-p uji-t (peluang melihat koefisien sebesar ini kalau X sebenarnya tidak berpengaruh). Inilah angka penentu: Sig. < 0,05 berarti X berpengaruh signifikan terhadap Y. Di sini Sig. baris Motivasi = 0,001 < 0,05 → motivasi signifikan.

Perhatikan baris (Constant): Sig.-nya 0,066 (di atas 0,05). Itu tidak masalah — kita umumnya tidak menguji signifikansi konstanta; yang menjawab hipotesis adalah baris variabel X.

Tabel Model Summary

• R = kekuatan hubungan X dan Y, nilainya 0 sampai 1 (untuk regresi sederhana, R sama dengan koefisien korelasi antara X dan Y). R = 0,991 berarti hubungan sangat kuat.
• R Square ($R^2$) = proporsi variasi Y yang dapat dijelaskan oleh X. R Square = 0,983 berarti 98,3% variasi kinerja dijelaskan oleh motivasi; sisanya 1,7% oleh faktor lain di luar model. (Rincian di Koefisien Determinasi (R²).)

Tabel ANOVA

Tabel ANOVA menguji kecocokan model secara keseluruhan lewat uji-F. Sig. uji-F = 0,001 < 0,05 berarti model layak. Untuk regresi sederhana (hanya satu X), uji-F selalu sejalan dengan uji-t pada X — bahkan $F = t^2$ ($13^2 = 169$) dan kedua Sig.-nya identik (0,001). Jadi pada regresi sederhana, cukup laporkan salah satunya.

Visualisasi Interaktif

Geser titik data di bawah ini dan amati bagaimana garis regresi, koefisien, dan “output” SPSS-nya berubah secara langsung.

Yang bisa dicoba:

1. Geser titik sehingga makin membentuk garis lurus — perhatikan R Square mendekati 1 dan residual mengecil.
2. Buat satu titik melenceng jauh — lihat garis tertarik ke arahnya dan R Square turun.
3. Susun titik menurun (X naik, Y turun) — perhatikan tanda $b$ berubah menjadi negatif.

Interpretasi untuk Skripsi

Tiga unsur yang harus muncul dalam kalimat hasil: arah (tanda $b$), besar (nilai $b$), dan signifikansi (Sig. < 0,05). Dari contoh:

“Persamaan regresi yang diperoleh adalah $\hat{Y} = 1{,}2 + 1{,}3X$. Koefisien motivasi sebesar 1,3 bernilai positif, artinya setiap kenaikan satu satuan motivasi meningkatkan kinerja sebesar 1,3 satuan. Nilai t sebesar 13,0 dengan Sig. 0,001 < 0,05 menunjukkan pengaruh tersebut signifikan, sehingga hipotesis diterima. Nilai R Square 0,983 menunjukkan motivasi menjelaskan 98,3% variasi kinerja.”

Bandingkan dengan kalimat yang keliru dan sering muncul:

“Karena Sig. 0,001, maka motivasi tidak berpengaruh." — Salah arah baca: Sig. kecil justru berarti signifikan (berpengaruh).

Cek Pemahaman

1. Sebuah output SPSS regresi sederhana (X = harga, Y = penjualan) memberi B (Constant) = 50, B (Harga) = −2, dan Sig. baris Harga = 0,03. Tuliskan persamaannya dan simpulkan pengaruh harga terhadap penjualan.

Lihat jawaban

Persamaan: $\hat{Y} = 50 - 2X$. Koefisien harga $b = -2$ bernilai negatif, artinya setiap kenaikan satu satuan harga menurunkan prediksi penjualan sebesar 2 satuan. Karena Sig. = 0,03 < 0,05, pengaruh negatif itu signifikan: harga berpengaruh negatif dan signifikan terhadap penjualan, hipotesis diterima.

2. (Transfer) Dengan persamaan $\hat{Y} = 1{,}2 + 1{,}3X$ dari contoh, prediksikan kinerja seorang karyawan yang skor motivasinya $X = 7$. Lalu jika kinerja aktualnya ternyata $y = 11$, berapa residualnya dan apa artinya?

Lihat jawaban

Prediksi: $\hat{y} = 1{,}2 + 1{,}3 \times 7 = 1{,}2 + 9{,}1 = 10{,}3$. Residual: $e = y - \hat{y} = 11 - 10{,}3 = +0{,}7$. Residual positif berarti kinerja aktual karyawan ini 0,7 satuan lebih tinggi daripada yang diprediksi garis dari motivasinya — ia berkinerja sedikit di atas perkiraan model.

3. (Transfer) Dua skripsi melaporkan regresi sederhana. Skripsi A: R Square = 0,15, Sig. = 0,002. Skripsi B: R Square = 0,80, Sig. = 0,21. Pada skripsi mana variabel X dinyatakan berpengaruh signifikan, dan apa beda makna R Square dengan signifikansi?

Lihat jawaban

Signifikansi ditentukan oleh Sig., bukan R Square. Skripsi A signifikan (Sig. 0,002 < 0,05) walau R Square-nya kecil; Skripsi B tidak signifikan (Sig. 0,21 > 0,05) walau R Square-nya besar. Maknanya beda: Sig. menjawab “apakah ada pengaruh”, sedangkan R Square menjawab “seberapa besar variasi Y yang dijelaskan”. Skripsi A: pengaruh nyata tetapi X hanya menjelaskan sebagian kecil variasi (15%). Skripsi B: hubungan tampak kuat di sampel ini, tetapi belum cukup bukti pengaruhnya nyata di populasi (mungkin karena sampel kecil).

Kesalahan Umum

Membaca koefisien dari kolom yang salah. Persamaan dibaca dari kolom B (Unstandardized Coefficients), bukan kolom Beta (Standardized). Beta hanya dipakai bila ingin membandingkan kekuatan relatif antar-variabel di regresi berganda.

Salah arah membaca Sig. Untuk pengaruh X, Sig. < 0,05 berarti signifikan (hipotesis diterima). Banyak yang membalik logikanya. Catatan: ini berlawanan dengan uji asumsi klasik (mis. uji normalitas), di mana Sig. > 0,05 justru yang diharapkan.

Mengabaikan tanda koefisien. Tanda $b$ menentukan arah pengaruh. $b$ positif = X menaikkan Y; $b$ negatif = X menurunkan Y. Melaporkan “berpengaruh” tanpa menyebut arah adalah kesimpulan setengah jadi.

Menafsirkan konstanta berlebihan. Konstanta $a$ adalah nilai $\hat{Y}$ saat $X = 0$, yang sering tak bermakna nyata (motivasi = 0 tidak realistis). Fokuskan tafsir pada koefisien $b$, bukan $a$.

Menyamakan R Square dengan signifikansi. R Square besar tidak otomatis berarti signifikan, dan sebaliknya — keduanya menjawab pertanyaan berbeda (lihat Cek Pemahaman no. 3).

Melewati uji asumsi klasik. Sebelum koefisien layak ditafsirkan, uji asumsi klasik (normalitas residual, dll.) harus lolos. Tanpa itu, nilai Sig. bisa menyesatkan.

Dipakai di Dunia Nyata

• Skripsi satu variabel bebas. Menguji pengaruh satu faktor terhadap satu hasil — mis. harga terhadap penjualan, kompensasi terhadap kepuasan kerja, kualitas layanan terhadap loyalitas.
• Peramalan sederhana. Memprediksi nilai $\hat{Y}$ dari satu prediktor, mis. memperkirakan permintaan dari anggaran iklan.
• Studi pendahuluan. Sebelum menyusun model regresi berganda, regresi sederhana memberi gambaran awal arah dan kekuatan tiap hubungan.
• Praktik konsultasi. Estimasi cepat hubungan dua variabel dari data pasar atau keuangan, sebagai pemeriksaan awal sebelum model yang lebih rumit.

Lanjutan

• Membaca Output Regresi (Uji t, F, R²) — perdalam tiap tabel output.
• Koefisien Determinasi (R²) — makna dan keterbatasan R Square.
• Regresi Linear Berganda — langkah berikutnya dengan lebih dari satu variabel bebas.

Fondasi:

• Regresi Linear Sederhana — hitung manual dari nol — penurunan rumus $b$ dan $a$.
• Korelasi — asal nilai R pada output.
• Ringkasan Uji Asumsi Klasik — syarat sebelum menafsirkan koefisien.

Reference

• Ghozali, I. (2018), Aplikasi Analisis Multivariate dengan Program SPSS.
• Sugiyono (2019), Metode Penelitian Kuantitatif.