Penjelasan Uji Regresi Linear

Multiple R

(R majemuk) adalah suatu ukuran untuk mengukur tingkat (keeratan)

hubungan linear antara variabel terikat dengan seluruh variabel bebas secara
bersama-sama. Pada kasus dua variabel (satu variabel terikat dan satu
variabel bebas), besaran r (biasa dituliskan dengan huruf kecil untuk dua
variabel) dapat bernilai positif maupun negatif (antara -1 – 1), tetapi untuk
lebih dari dua variabel, besaran R selalu bernilai positif (antara 0 – 1). Nilai R
yang lebih besar (+ atau -) menunjukkan hubungan yang lebih kuat.

R Square (R2)

Dalam dunia statistik, R Square ini dikenal dengan nama Koefisien

determinasi Berganda. Penjelasan Uji Regresi Linear disini akan menjelaskan
apa sebenarnya r square itu. Koefisien determinasi berganda, fungsinya
adalah untuk mengukur kebaikan suai (goodness of fit) dari persamaan
regresi; yaitu memberikan proporsi atau persentase variasi total dalam
variabel terikat yang dijelaskan oleh variabel bebas. Nilai R 2 terletak antara 0
– 1, dan kecocokan model dikatakan lebih baik kalau R 2 semakin mendekati
1. (uraian lebih lanjut mengenai R2 lihat pembahasan di bawah).
Adjusted R Square

Suatu sifat penting R2 adalah nilainya merupakan fungsi yang tidak pernah
menurun dari banyaknya variabel bebas yang ada dalam model. Oleh
karenanya, untuk membandingkan dua R2 dari dua model, orang harus
memperhitungkan banyaknya variabel bebas yang ada dalam model. Ini
dapat dilakukan dengan menggunakan “adjusted R square”. Istilah
penyesuaian berarti nilai R2 sudah disesuaikan dengan banyaknya variabel
(derajat bebas) dalam model. Memang, R2 yang disesuaikan ini juga akan
meningkat bersamaan meningkatnya jumlah variabel, tetapi peningkatannya
relatif kecil.

Seringkali juga disarankan, jika variabel bebas lebih dari dua, sebaiknya
menggunakan adjusted R square.

Standard Error

Merupakan standar error dari estimasi variabel terikat(dalam kasus kita

adalah permintaan). Angka ini dibandingkan dengan standar deviasi dari
permintaan. Semakin kecil angka standar error ini dibandingkan angka
standar deviasi dari permintaan maka model regresi semakin tepat dalam
memprediksi permintaan.

Koefesien Korelasi
Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara dua variabel.
Besarnya koefesien korelasi berkisar antara +1 s/d -1. Koefesien korelasi menunjukkan
kekuatan (strength) hubungan linear dan arah hubungan dua variabel acak. Jika
koefesien korelasi positif, maka kedua variabel mempunyai hubungan searah. Artinya
jika nilai variabel X tinggi, maka nilai variabel Y akan tinggi pula. Sebaliknya, jika
koefesien korelasi negatif, maka kedua variabel mempunyai hubungan terbalik. Artinya
jika nilai variabel X tinggi, maka nilai variabel Y akan menjadi rendah (dan sebaliknya).
Untuk memudahkan melakukan interpretasi mengenai kekuatan hubungan antara dua
variabel penulis memberikan kriteria sebagai berikut (Sarwono:2006):
 0 : Tidak ada korelasi antara dua variabel
  >0 – 0,25: Korelasi sangat lemah
 >0,25 – 0,5: Korelasi cukup
 >0,5 – 0,75: Korelasi  kuat
 >0,75 – 0,99: Korelasi  sangat kuat
 1: Korelasi sempurna
Signifikansi
Apa sebenarnya signifikansi itu? Dalam bahasa Inggris umum, kata, “significant”
mempunyai makna penting; sedang dalam pengertian statistik kata tersebut
mempunyai makna “benar” tidak didasarkan secara kebetulan. Hasil riset dapat benar
tapi tidak penting. Signifikansi / probabilitas / α memberikan gambaran mengenai
bagaimana hasil riset itu mempunyai kesempatan untuk benar. Jika kita memilih
signifikansi sebesar 0,01, maka artinya kita menentukan hasil riset nanti mempunyai
kesempatan untuk benar sebesar 99% dan untuk salah sebesar 1%.
Secara umum kita menggunakan angka signifikansi sebesar 0,01; 0,05 dan 0,1.
Pertimbangan penggunaan angka tersebut didasarkan pada tingkat kepercayaan
(confidence interval) yang diinginkan oleh peneliti. Angka signifikansi sebesar 0,01
mempunyai pengertian bahwa tingkat kepercayaan atau bahasa umumnya keinginan
kita untuk memperoleh kebenaran dalam riset kita adalah sebesar 99%. Jika angka
signifikansi sebesar 0,05, maka tingkat kepercayaan adalah sebesar 95%. Jika angka
signifikansi sebesar 0,1, maka tingkat kepercayaan adalah sebesar 90%.
Pertimbangan lain ialah menyangkut jumlah data (sample) yang akan digunakan dalam
riset. Semakin kecil angka signifikansi, maka ukuran sample akan semakin besar.
Sebaliknya semakin besar angka signifikansi, maka ukuran sample akan semakin kecil.
Unutuk memperoleh angka signifikansi yang baik, biasanya diperlukan ukuran sample
yang besar. Sebaliknya jika ukuran sample semakin kecil, maka kemungkinan
munculnya kesalahan semakin ada.
Untuk pengujian dalam SPSS digunakan kriteria sebagai berikut:
 Jika angka signifikansi hasil riset < 0,05, maka hubungan kedua variabel
signifikan.
 Jika angka signifikansi hasil riset > 0,05, maka hubungan kedua variabel
tidak signifikan
Interpretasi Korelasi
Ada tiga penafsiran hasil analisis korelasi, meliputi: pertama, melihat kekuatan
hubungan dua variabel; kedua, melihat signifikansi hubungan; dan ketiga, melihat arah
hubungan.

Untuk melakukan interpretasi kekuatan hubungan antara dua variabel dilakukan

dengan melihat angka koefesien korelasi hasil perhitungan dengan menggunakan
kriteria sbb:
 Jika angka koefesien korelasi menunjukkan 0, maka kedua variabel tidak
mempunyai hubungan
 Jika  angka koefesien korelasi mendekati 1, maka kedua variabel mempunyai
hubungan semakin kuat
 Jika  angka koefesien korelasi mendekati 0, maka kedua variabel mempunyai
hubungan semakin lemah
 Jika angka koefesien korelasi sama dengan 1, maka kedua variabel mempunyai
hubungan linier sempurna positif.
 Jika angka koefesien korelasi sama dengan -1, maka kedua variabel mempunyai
hubungan linier sempurna negatif.
Interpretasi berikutnya melihat signifikansi hubungan dua variabel dengan didasarkan
pada angka signifikansi yang dihasilkan dari penghitungan dengan ketentuan
sebagaimana sudah dibahas di bagian 2.7. di atas. Interpretasi ini akan membuktikan
apakah hubungan kedua variabel tersebut signifikan atau tidak.

Interpretasi ketiga melihat arah korelasi. Dalam korelasi ada dua arah korelasi, yaitu
searah dan tidak searah. Pada SPSS hal ini ditandai dengan pesan two tailed.  Arah
korelasi dilihat dari angka koefesien korelasi. Jika koefesien korelasi positif, maka
hubungan kedua variabel searah. Searah artinya jika variabel X nilainya tinggi, maka
variabel Y juga tinggi. Jika koefesien korelasi negatif, maka hubungan kedua variabel
tidak searah. Tidak searah artinya jika variabel X nilainya tinggi, maka variabel Y akan
rendah.
Dalam kasus, misalnya hubungan antara kepuasan kerja dan komitmen terhadap
organisasi sebesar 0,86 dengan angka signifikansi sebesar 0 akan mempunyai makna
bahwa hubungan antara  variabel kepuasan kerja dan komitmen terhadap organisasi
sangat kuat, signifikan dan searah. Sebaliknya dalam kasus hubungan antara variabel
mangkir kerja dengan produktivitas sebesar -0,86, dengan angka signifikansi sebesar 0; 
maka hubungan kedua variabel sangat kuat, signifikan dan tidak searah.

CONTOH PADA SPSS 17

 Lihat hasil output di jendela SPSS Output Viewer dan berikan penafsiran atas
hasil perhitungan yang muncul.

Penafsiran Hasil Korelasi:

 Arti Angka Korelasi

Ada dua tanda dalam penafsiran korelasi melalui nilai koefisien, yaitu tanda (+)
dan (-) yang berhubungan dengan arah korelasi, serta menyatakan kuat tidaknya
korelasi.
 Signifikansi Hasil Korelasi
Berdasarkan nilai Signifikansi, kita bisa mengambil simpulan atas hipotesis :
H0 = Tidak ada hubungan (korelasi) antara dua variabel.
H1 = Ada hubungan (korelasi) antara dua variabel.
Uji dilakukan dua sisi / arah / tailed (ekor).
Dasar pengambilan keputusan berdasarkan probabilitas menggunakan kriteria :
 – Jika probabilitas > 0,05 (atau 0,01), maka H0 diterima.
– Jika probabilitas < 0,05 (atau 0,01), maka H0 ditolak.
Berdasarkan acuan penafsiran diatas, contoh perhitungan korelasi pearson
menggunakan data X1,X2, X3, dan Y maka salah satu tafsiran yang dapat kita berikan
adalah ;

Korelasi X1 dan Y memiliki nilai 0,342 yang dapat dikategorikan memiliki hubungan yang
lemah dan berdasarkan uji signifikasi hasilnya menunjukkan nilai 0,140 yang berarti
asosiasi kedua variabel adalah tidak signifikan

Demikian cara menghitung korelasi pearson dengan SPSS 17 dengan contoh korelasi
X1-Y. Perhitungan korelasi lainnya seperti korelasi Kendall’s tau-b ataupun korelasi
Rank Spearman dapat dilakukan dengan cara yang hampir sama dengan perhitungan
korelasi pearson. Tinggal sesuaikan saja jenis data yang dimiliki dengan metoda
perhitungan yang tepat.