ANALISIS REGRESI

A. PENDAHULUAN
Perubahan nilai suatu variabel tidak selalu terjadi dengan sendirinya,
namun perubahan nilai variabel itu dapat pula disebabkan oleh berubahnya
variabel lain yang berhubungan dengan variabel tersebut. Dalam statistik,
pola perubahan nilai sesuatu yang disebabkan oleh variabel lain
memungkinkan kita untuk membuat perkiraan (prediction) nilai variabel
tersebut dari nilai variabel yang mempengaruhinya. Teknik yang umum
digunakan untuk menganalisis hubungan antara dua atau lebih variabel
tersebut adalah analisis regresi.
Analisis regresi adalah analisis lanjutan dari analisis korelasi. Pada
dasarnya analisis regresi dan analisis korelasi keduanya mempunyai
hubungan yang sangat kuat. Setiap analisis regresi otomatis ada analisis
korelasinya, tetapi sebaliknya analisis korelasi belum tentu dapat diuji regresi
atau diteruskan dengan analisis regresi. Analisis kerelasi yang tidak
dilanjutkan dengan analisis regresi adalah analisis korelasi yang kedua
variabelnya tidak mempunyai hubungan fungsional dan sebab akibat.
Analisis regresi dapat dihitung secara manual atau dengan
menggunakan SPSS. Dalam tulisan ini, penulis akan membahas analisis
regresi beserta contohnya dalam perhitungan manual maupun dengan
menggunakan SPSS.
B. PEMBAHASAN
Analisis regresi merupakan studi ketergantungan satu atau lebih X
(variabel bebas) terhadap Y (variabel terikat), dengan maksud untuk
meramalkan nilai Y. Tujuan analisis regresi adalah mendapatkan pola
hubungan secara matematis antara X dan Y, mengetahui besarnya perubahan
variabel X terhadap Y, dan memprediksi Y jika nilai X diketahui. Sehingga
dalam suatu persamaan regresi terdapat dua macam variabel, yaitu variabel
dependen (variabel terikat, respon) dan variabel independen (variabel bebas,
prediktor).
Prinsip dasar yang harus dipenuhi dalam membangun suatu persamaan
regresi adalah bahwa antara variabel dependen dengan variabel
independennya mempunyai sifat hubungan sebab akibat (hubungan
kausalitas), baik yang didasarkan pada teori, hasil penelitian sebelumnya,
ataupun yang didasarkan pada penjelasan logis tertentu.1 Syarat-syarat regresi
antara lain data harus berbentuk interval atau rasio, data berdistribusi normal,
adanya korelasi (hubungan) antarvariabel, dan tidak terdapat korelasi
antarvariabel bebasnya (multikolinearitas) untuk regresi ganda.
Berdasarkan banyak dan jenisnya data, analisis regresi dapat dibedakan
atas:2
1. Regresi linier, yaitu regresi yang membuat diagram pencar membentuk
garis lurus. Regresi linier terdiri atas regresi linier sederhana (1 variabel
bebas) dan regresi linier berganda (lebih dari 1 variabel bebas).
2. Regresi non linier, regresi yang membuat diagram pencar tidak
membentuk garis lurus tetapi membentuk pola tertentu, meliputi parabolik,
eksponen, geometrik, logistik, dan hiperbolik.

1
Abdul Munif, Bahan Kuliah: Statistik PPS ( t.t.: t.p., t.th.), 74.
2
Ibid., 75.

1
 Penjelasan serta contoh dari masing-masing analisis regresi linier
adalah sebagai berikut:
1. REGRESI LINIER SEDERHANA
Persamaan regresi linier sederhana secara umum yaitu:

Ŷ = a + bX

Keterangan:
Ŷ = Respon (variabel terikat/dependen)
a = Constanta
b = Koefisien regresi variabel independen
X = Prediktor (variabel bebas/independen)

Di mana
𝑛(∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌) ∑ 𝑌 − 𝑏(∑ 𝑋)
𝑏= 2 𝑎=
𝑛(∑ 𝑋 2 ) − (∑ 𝑋) 𝑛

Contoh:
Diambil data dari 10 responden yang berasal dari tenaga pendidik
dan kependidikan pada suatu lembaga untuk mengetahui pengaruh insentif
(X) terhadap disiplin kerja guru (Y).
Insentif (X) 18 17 17 20 15 19 20 16 18 14
Disiplin kerja
17 15 19 17 13 14 15 17 16 13
(Y)

a. Dengan Perhitungan Manual

Langkah 1 : Menyusun Ha dan H0
Ha: Terdapat pengaruh yang signifikan antara
insentif terhadap disiplin kerja
H0: Tidak terdapat pengaruh yang signifikan antara
insentif terhadap disiplin kerja

2
Langkah 2 : Membuat tabel distribusi frekuensi
No.
X Y XY X2 Y2
Responden
1 18 17 306 324 289
2 17 15 255 289 225
3 17 19 323 289 361
4 20 17 340 400 289
5 15 13 195 225 169
6 19 14 266 361 196
7 20 15 300 400 225
8 16 17 272 256 289
9 18 16 288 324 256
10 14 13 182 196 169
Ʃ 174 156 2727 3064 2468

Langkah 3 : Mencari nilai b

𝑛(∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌)
𝑏= 2
𝑛(∑ 𝑋 2 ) − (∑ 𝑋)
10(2727) − 174 ∙ 156
𝑏=
10(3064) − (174)2
27270 − 27144
𝑏=
30640 − 30276
126
𝑏=
364
𝑏 = 0,34615385 → 0,346
Langkah 4 : Mencari nilai a
∑ 𝑌 − 𝑏(∑ 𝑋)
𝑎=
𝑛
156 − 0,34615385(174)
𝑎=
10
156 − 60,2307699
𝑎=
10
95,7692301
𝑎=
10
𝑎 = 9,57692301 → 9,577
Langkah 5 : Menentukan persamaan regresi
Ŷ = a + bX

4
 Ŷ = 9,577 + 0,346X
Langkah 6 : Menguji persamaan regresi dengan menghitung nilai
R.
𝑁 ∑ 𝑋𝑌 − ∑ 𝑋 ∑ 𝑌
𝑅=
√(𝑁 ∑ 𝑋 2 − (∑ 𝑋)2 )(𝑁 ∑ 𝑌 2 − (∑ 𝑌)2 )
10 × 2727 − 174 × 156
𝑅=
√(10 × 3064 − 1742 )(10 × 2468 − 1562 )
27270 − 27144
𝑅=
√(30640 − 30276)(24680 − 24336)
126
𝑅=
√(364)(344)
126
𝑅=
√125216
126
𝑅=
353,85872888
𝑅 = 0,3560743
Langkah 7 : Menghitung nilai F dengan rumus:
𝑅 2 (𝑛 − 𝑚 − 1)
𝐹=
𝑚(1 − 𝑅 2 )
0,35607432 (10 − 1 − 1)
𝐹=
1(1 − 0,35607432 )
0,1267889 × 8
𝐹=
1(1 − 0,1267889)
1,0143112
𝐹=
1(1 − 0,1267889)
1,0143112
𝐹=
0,8732111
𝐹 = 1,1615876

(ket: n=jumlah data, m=jumlah variabel bebas)

5
 Langkah 10 : Interpretasi.
db= N – jumlah variabel bebas – 1 = 10–1–1 =8,
dikonsultasikan dengan tabel nilai F. Pada taraf
signifikansi 5%, Fhitung=1,162 dan Ftabel=5,32, jadi
Fhitung < Ftabel sehingga Ha ditolak/H0 diterima.
Langkah 11 : Kesimpulan.
Tidak terdapat pengaruh yang signifikan antara
insentif terhadap disiplin kerja.

b. Dengan SPSS
Langkah 1 : Memasukkan definisi variabel pada variable view
dan data ke data view.
Langkah 2 : Klik menu analyze → regression → linier
Langkah 3 : Masukkan variabel insentif ke dalam kotak
independent dan variabel disiplin kerja ke dalam
kotak dependent → ok
Hasil :

Regression
Model Summary

Adjusted R Std. Error of the

Model R R Square
Square Estimate

1 .356a .127 .018 1.938

a. Predictors: (Constant), Insentif

*Bagian ini menggambarkan derajat keeratan hubungan

antarvariabel.
Analisis
 Angka R sebesar 0,356 menunjukkan bahwa korelasi/hubungan
antara insentif dengan disiplin kerja adalah rendah (karena
besarnya < 0,5).
 Adjusted R Square sebesar 0,018 menunjukkan besarnya peran

6
 atau kontribusi variabel insentif mampu menjelaskan variabel
disiplin kerja sebesar 18%, sedangkan 82% dipengaruhi oleh
faktor-faktor lain.
 Std. Error of the Estimate yang nilainya 1,938 menggambarkan
tingkat ketepatan prediksi regresi, dimana semakin kecil
angkanya maka semakin baik prediksinya.

ANOVAb

Model Sum of Squares Df Mean Square F Sig.

1 Regression 4.362 1 4.362 1.162 .313a

Residual 30.038 8 3.755

Total 34.400 9

a. Predictors: (Constant), Insentif

b. Dependent Variable: Disiplin Kerja

*Bagian ini menggambarkan tingkat signifikansi.

Analisis
 Nilai probabilitas F (F-hitung) sebesar 0,313>0,05 dengan
demikian model persamaan regresi berdasarkan data
penelitian adalah tidak signifikan, artinya model regresi linier
tidak memenuhi kriteria linieritas. Dengan kata lain, insentif
tidak berpengaruh signifikan terhadap disiplin kerja.
Coefficientsa

Unstandardized Standardized

Model Coefficients Coefficients t Sig.

B Std. Error Beta

1 (Constant) 9.577 5.622 1.703 .127

Insentif .346 .321 .356 1.078 .313

a. Dependent Variable: Disiplin Kerja

* Bagian ini menggambarkan seberapa besar koefisien regresinya.
Analisis
 Hipotesis
Ha : Insentif berpengaruh terhadap disiplin kerja.

7
  Nilai probabilitas thitung variabel insentif sebesar 0,313
menunjukkan Ha ditolak, yang berarti insentif tidak berpengaruh
terhadap disiplin kerja.
 Persamaan
Ŷ = 9,557 + 0,346X

Grafik

2. REGRESI LINIER GANDA

Regresi linier ganda berguna untuk meramal variabel dependen yang
dipengaruhi oleh dua atau lebih variabel independen.3 Dengan kata lain,
regresi linier ganda berguna untuk mencari pengaruh (hubungan
fungsional) dua variabel independen atau lebih terhadap variabel
dependennya.4
Adapun rumus yang dipakai disesuaikan dengan jumlah variabel
yang diteliti, yaitu sebagai berikut:
Untuk 2 prediktor : Ŷ = a + b1X1 + b2X2
Untuk 3 prediktor : Ŷ = a + b1X1 + b2X2 + b3X3
Untuk 4 prediktor : Ŷ = a + b1X1 + b2X2 + b3X3 + b4X4

3
Ibid., 79.
4
Hartono, Statistik:Untuk Penelitian (Yogyakarta: Pustaka Pelajar Offset, 2004), 140.

8
Maka, persamaan umum regresi linier ganda adalah:

Ŷ = a + b1X1 + b2X2 + ...... + bnXn

Keterangan:
Ŷ = Respon (variabel terikat/dependen)
a = Constanta
b1, b2, ...., bn = Koefisien regresi variabel independen 1, 2, dst.
X1, X2, ...., Xn = Prediktor (variabel bebas/independen)

Contoh:
Seorang peneliti ingin mengetahui apakah stress kerja (X1) dan
kepuasan kerja (X2) berpengaruh terhadap prestasi guru (Y). Data yang
diperoleh adalah sebagai berikut:
Responden Stress Kerja Kepuasan Kerja Prestasi Guru
1 16 20 19
2 18 24 17
3 18 21 16
4 18 19 17
5 16 21 15
6 20 11 17
7 15 19 14
8 14 22 13
9 15 20 15
10 15 19 14
11 16 21 16
12 15 19 15
13 18 23 18
14 20 11 14
15 17 17 15

a. Dengan Perhitungan Manual

Langkah 1 : Menyusun Ha dan H0
Ha: Terdapat pengaruh yang signifikan antara stress
kerja dan kepuasan kerja terhadap prestasi guru
H0: Tidak terdapat pengaruh yang signifikan antara
stress kerja dan kepuasan kerja terhadap

9
 prestasi guru
Langkah 2 : Membuat tabel distribusi frekuensi.
No. X1 X2 X12 X22 X1X2 Y Y2 X1 Y X2Y
1 16 20 256 400 320 19 361 304 380
2 18 24 324 576 432 17 289 306 408
3 18 21 324 441 378 16 256 288 336
4 18 19 324 361 342 17 289 306 323
5 16 21 256 441 336 15 225 240 315
6 20 11 400 121 220 17 289 340 187
7 15 19 225 361 285 14 196 210 266
8 14 22 196 484 308 13 169 182 286
9 15 20 225 400 300 15 225 225 300
10 15 19 225 361 285 14 196 210 266
11 16 21 256 441 336 16 256 256 336
12 15 19 225 361 285 15 225 225 285
13 18 23 324 529 414 18 324 324 414
14 20 11 400 121 220 14 196 280 154
15 17 17 289 289 289 15 225 255 255
Ʃ 251 287 4249 5687 4750 235 3721 3951 4511
Rata-
16,73 19,13 283,27 379,13 316,67 15,67 248,07 263,4 300,73
rata

Langkah 3 : Hasil perhitungan dari tabel di atas diubah ke dalam

skor deviasi.
(∑ 𝑋1 )2 2512
∑ 𝑥1 2 = ∑ 𝑋1 2 − = 4249 − = 48,93333
𝑁 15
(∑ 𝑋2 )2 2872
∑ 𝑥2 2 = ∑ 𝑋2 2 − = 5687 − = 195,73333
𝑁 15
(∑ 𝑌)2 2352
∑ 𝑦 2 = ∑ 𝑌2 − = 3721 − = 39,33333
𝑁 15
(∑ 𝑋1 )(∑ 𝑋2 ) (251)(287)
∑ 𝑥1 𝑥2 = ∑ 𝑋1 𝑋2 − = 4750 −
𝑁 15
= −52,46667
(∑ 𝑋1 )(∑ 𝑌) (251)(235)
∑ 𝑥1 𝑦 = ∑ 𝑋1 𝑌 − = 3951 −
𝑁 15
= 18,66667

10
 (∑ 𝑋2 )(∑ 𝑌) (287)(235)
∑ 𝑥2 𝑦 = ∑ 𝑋2 𝑌 − = 4511 −
𝑁 15
= 14,66667
Langkah 4 : Memasukkan data yang diperoleh ke dalam
persamaan
Ʃx1y = b1Ʃ x12 + b2Ʃ x1x2
Ʃx2y = b1Ʃ x1x2 + b2Ʃ x22
18,66667 = 48,93333b1 – 52,46667b2 ................ (1)
14,66667 = -52,46667b1 + 195,73333b2 .............. (2)
Langkah 5 : Hilangkan nilai b2 dengan persamaan.
Jika persamaan 1 dan 2 diambil dan disamakan nilai
b2-nya, dengan persamaan 2 tetap, maka persamaan 1
harus dikalikan dengan 3,73062 (195,73333:
52,46667) sehingga dapat diketahui nilai b1:
69,63825 = 182,55177b1 – 195,73333b2
14,66667 = -52,46667b1 + 195,73333b2 +
84,30492 = 130,08499b1
b1 = 0,648075 = 0,648
Langkah 6 : Mencari nilai b1.
18,66667 = 48,93333b1 – 52,46667b2
18,66667 = 48,93333 (0,648) – 52,46667b2
18,66667 = 31,7088 – 52,46667b2
52,46667b2 = 31,7088 – 18,66667
52,46667b2 = 13,04213
b2 = 13,04213/52,46667
b2 = 0,24857 = 0,249
Langkah 7 : Memasukkan nilai yang telah diketahui ke dalam
persamaan regresi.
y = b1x1 + b2x2
Y – Y< = b1(X1 – X<1<) + b2( X2 – X<2)
Y = Y< + b1(X1 – X<1<) + b2( X2 – X<2)

11
 Y = 15,67 + 0,648(X1 – 16,73) + 0,249(X2 – 19,13)
Y = 15,67 + 0,648X1 – 10,84104 + 0,249X2 – 4,7634
Ŷ = 0,65 + 0,648X1 + 0,249X2
Langkah 8 : Menguji persamaan regresi dengan menghitung nilai
R.

𝑏1 ∑ 𝑥1 𝑦 + 𝑏2 ∑ 𝑥2 𝑦
𝑅=√
∑ 𝑦2

(0,648 × 18,66667) + (0,249 × 14,66667

𝑅=√
39,33333

12,09600216 + 3,65200083
𝑅=√
39,33333

15,74800299
𝑅=√
39,33333

𝑅 = √0,40037299
𝑅 = 0,63275034
Langkah 9 : Menghitung nilai F dengan rumus:
𝑅 2 (𝑛 − 𝑚 − 1)
𝐹=
𝑚(1 − 𝑅 2 )
0,632750342 (15 − 2 − 1)
𝐹=
2(1 − 0,632750342 )
0,40037299(12)
𝐹=
2(1 − 0,40037299)
4,80447588
𝐹=
1,19925402
𝐹 = 4,00622

(ket: n=jumlah data, m=jumlah variabel bebas)

Langkah 10 : Interpretasi.
db= N – jumlah variabel bebas – 1 = 15–2–1 =12,
dikonsultasikan dengan tabel nilai F. Pada taraf

12
 signifikansi 5%, Fhitung=4,006 dan Ftabel=3,88, jadi
Fhitung > Ftabel sehingga Ha diterima/H0 ditolak.
Langkah 11 : Kesimpulan.
Terdapat pengaruh yang signifikan antara stress kerja
dan kepuasan kerja terhadap prestasi guru.

b. Dengan SPSS
Langkah 1 : Memasukkan definisi variabel pada variable view
dan data ke data view.
Langkah 2 : Klik menu analyze → regression → linier
Langkah 3 : Masukkan variabel stress kerja dan kepuasan kerja
ke dalam kotak independent dan variabel pretasi
guru ke dalam kotak dependent → ok
Hasil :

Regression
Model Summary

Adjusted R Std. Error of the

Model R R Square
Square Estimate

1 .633a .400 .300 1.402

a. Predictors: (Constant), Kepuasan Kerja, Stress Kerja

*Bagian ini menggambarkan derajat keeratan hubungan

antarvariabel.
Analisis
 Angka R sebesar 0,633a menunjukkan bahwa korelasi/hubungan
antara Prestasi Guru dengan kedua variabel independen-nya
adalah kuat (karena besarnya > 0,5).
 Adjusted R Square sebesar 0,300 menunjukkan besarnya peran
atau kontribusi variabel stress kerja dan kepuasan kerja mampu
menjelaskan variabel prestasi guru sebesar 30%, sedangkan
sisanya dipengaruhi oleh faktor lain.

13
  Std. Error of the Estimate yang nilainya 1,402 menggambarkan
tingkat ketepatan prediksi regresi, dimana semakin kecil
angkanya maka semakin baik prediksinya.

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 15.744 2 7.872 4.005 .047a

Residual 23.589 12 1.966

Total 39.333 14

a. Predictors: (Constant), Kepuasan Kerja, Stress Kerja

b. Dependent Variable: Prestasi Guru

*Bagian ini menggambarkan tingkat signifikansi.

Analisis
 Hipotesis
Ha: Stress kerja dan kepuasan kerja secara bersama-sama
berpengaruh terhadap prestasi guru.
 Nilai probabilitas5 F (F-hitung) sebesar 0,047<0,05 menjelaskan
bahwa Ha diterima.
 Artinya, model regresi ini bisa dipakai untuk memprediksi
tingkat prestasi guru. Dengan demikian model persamaan
regresi berdasarkan data penelitian adalah signifikan (model
regresi linier memenuhi kriteria linieritas). Dengan kata lain,
Stress kerja dan kepuasan kerja secara bersama-sama
berpengaruh terhadap prestasi guru.
Coefficientsa

Unstandardized Standardized

Model Coefficients Coefficients T Sig.

B Std. Error Beta

1 (Constant) .065 5.545 .012 .991

StressKerja .648 .237 .723 2.730 .018

KepuasanKerja .249 .119 .555 2.094 .058

5
Tingkat signifikansi.

14
a. Dependent Variable: PrestasiGuru

* Bagian ini menggambarkan seberapa besar koefisien regresinya.

Analisis
 Hipotesis
Ha1 : Stress kerja berpengaruh terhadap prestasi guru
Ha2 : Kepuasan kerja berpengaruh terhadap prestasi guru
 Nilai probabilitas thitung variabel stress kerja sebesar 0,018
menunjukkan Ha1 diterima, yang berarti stress kerja secara
parsial berpengaruh terhadap prestasi guru.
 Nilai probabilitas thitung variabel kepuasan kerja sebesar 0,058
menunjukkan Ha2 ditolak, yang berarti kepuasan kerja secara
parsial tidak berpengaruh terhadap prestasi guru.
 Persamaan
Ŷ = 0,65 + 0,648X1 + 0,249X2
Grafik

15
C. KESIMPULAN
1. Analisis regresi merupakan studi ketergantungan satu atau lebih X
(variabel bebas) terhadap Y (variabel terikat), dengan maksud untuk
meramalkan nilai Y.
2. Tujuan analisis regresi adalah mendapatkan pola hubungan secara
matematis antara X dan Y, mengetahui besarnya perubahan variabel X
terhadap Y, dan memprediksi Y jika nilai X diketahui.
3. Berdasarkan banyak dan jenisnya data, analisis regresi dapat dibedakan
atas: Regresi linier (regresi linier sederhana dan regresi linier berganda);
dan Regresi non linier.
4. Persamaan regresi linier sederhana secara umum yaitu: Ŷ = a + bX.
5. Persamaan umum regresi linier ganda adalah:
Ŷ = a + b1X1 + b2X2 + ...... + bnXn
6. Penghitungan analisis regresi bisa diselesaikan dengan cara manual,
maupun dengan cara yang lebih mudah yaitu menggunakan program
SPSS.

D. REFERENSI
Arikunto, Suharsimi. Manajemen Penelitian. Jakarta: Rineka Cipta, 2000.

Gaspersz, Vincent. Analisis Kuantitatif untuk Perencanaan. Bandung:

Tarsito, 1990.

Hartono. Statistik: Untuk Penelitian. Yogyakarta: Pustaka Pelajar Offset,

2004.

Munif, Abdul. Bahan Kuliah: Statistik PPS. t.t.: t.p., t.th.

Wijaya, Tony. Analisis Multivariat: Teknik Olah Data untuk Skripsi, Tesis,
dan Disertasi Menggunakan SPSS. Yogyakarta: Universitas
Atmajaya, 2010.

16