Cara membaca output SPSS

Membaca output SPSS dalam uji regresi linier berganda

YANG DIPERLUKAN UNTUK REGRESI LINEAR BERGANDA

uji asumsi untuk regresi dapat dikelompokkan atas :

1. Uji asumsi dasar regresi : Uji normalitas, Uji linearitas, Uji homogenitas
2. Uji asumsi klasik regresi : Uji multikolinearitas. Uji heteroskedastisitas, Uji autokorelasi
 Uji Normalitas (Test of normality) digunakan untuk mengetahui apakah populasi data
berdistribusi normal atau tidak. Biasanya digunakan untuk data berskala ordinal, interval atau
pun rasio. Uji yang biasa digunakan adalah uji Liliefors melalui nilai pada Kolmogorov Smirnov.
(See this Uji Liliefors)
H0 : Sampel berasal dari populasi berdistribusi normal
H1 : Sampel tidak berasal dari populasi berdistribusi normal

Shapiro Wilk
Untuk menentukan apakah data anda berdistribusi normal menggunakan shapiro wilk, maka pada
SPSS cukup anda lihat nilai Sig. pada kolom Shapiro-Wilk. Nilai sig itu berarti signifikansi atau boleh
disebut p value atau nilai probabilitas. Pada contoh di atas nilainya sebesar 0,710 lebih dari 0,05,
maka dapat dikatakan data berdistribusi Normal atau yang berarti menerima H0.

Lilliefors
Hampir sama dengan shapiro wilk di atas, cara interprestasinya adalah dengan melihat nilai Sig. pada
kolom Kolmogorov-Smirnova. Pada contoh di atas nilainya 0,200 lebih dari 0,05, maka data
berdistribusi Normal atau yang berarti menerima H0.

 Uji Linearitas (Test of Linearity) digunakan untuk mengetahui apakah dua variabel
mempunyai hubungan yang linear atau tidak secara signifikan. Pada SPSS diperoleh melalui
ANOVA dengan memilih icon “Test for Linearity”.
H0: Model regresi linier
H1: Model regresi tidak linier

Dari output di atas dapat diketahui bahwa nilai signifikansi pada Linearity sebesar 0,006. Karena
signifikansi kurang dari 0,05 maka dapat disimpulkan bahwa antara variabel kecemasan dan optimisme
terdapat hubungan yang linear
 Cara membaca output SPSS
 Uji Homogenitas (Test of Homogenity) digunakan untuk mengetahui apakah beberapa varian
populasi data adalah sama atau tidak. Pada SPSS diperoleh melalui ANOVA dengan memilih
Test of Homogenity, dan hasilnya bisa dilhat dari nilai Levene Test dimana semakin kecil
nilainya maka semakin besar homogenitasnya.
H0 : Variansi pada tiap kelompok sama (homogen)
H1 : Variansi pada tiap kelompok tidak sama (tidak homogen)
 Jika nilai signifikansi < 0,05, maka dikatakan bahwa varian dari dua atau lebih kelompok
populasi data adalah tidak sama.
 Jika nilai signifikansi > 0,05, maka dikatakan bahwa varian dari dua atau lebih kelompok
populasi data adalah sama.

 Uji Multikolinearitas (Test of Multicolinearity) digunakan untuk mengetahui ada atau

tidaknya hubungan linear antar variabel independen dalam model regresi. Pada SPSS diperoleh
melalui Linear Regression dengan memilih icon Collinearity diagnostics, dan hasilnya ada pada
kolom VIF yang memiliki nilai kurang dari 5 maka tidak terdapat multikolinearitas.

Standar Error Uji Multikolinearitas

Dalam tabel coefficient dapat anda perhatikan bahwa nilai standar error kurang dari satu,
yaitu X1 = 0,121 dan X2 = 0,118 dimana keduanya kurang dari satu. Serta nilai koefisien beta
juga kurang dari satu dimana X1 = 0,624 dan X2 = 0,407. Maka dapat dikatakan bahwa nilai
standar error rendah dan multikolinearitas tidak terdeteksi. Selanjutnya pastikan lagi dengan
nilai rentang upper dan lowerbound confidence interval, apakah lebar atau sempit. Berikut
hasilnya:

VIF dan Tolerance Uji Multikolinearitas

Perhatikan pada tabel coefficient di atas, bahwa nilai rentangnya sempit, yaitu pada X1 =
0,865 sampai dengan 1,156. Sedangkan pada X2 juga kebetulan hasilnya sama yaitu X2 =
0,865 sampai dengan 1,156. Karena rentangnya sempit maka multikolinearitas tidak
terdeteksi.
 Cara membaca output SPSS

 Uji Heteroskedastisitas (Test of Heteroskedasticity) digunakan untuk mengetahui ada atau

tidaknya ketidaksamaan varian dari residual pada model regresi. Pada SPSS diperoleh
melalui Bivariate Correlation.
Ada beberapa metode pengujian yang bisa digunakan diantaranya yaitu Uji Park, Uji Glesjer,
Melihat pola grafik regresi, dan uji koefisien korelasi Spearman.

a) Uji Park

Metode uji Park yaitu dengan meregresikan nilai logaritma natural dari residual kuadrat (Lne 2)
dengan variabel independen (X1 dan X2).Kriteria pengujian adalah sebagai berikut:
Ho : tidak ada gejala heteroskedastisitas
H1 : ada gejala heteroskedastisitas
Ho diterima bila Signifikansi > 0,05 berarti tidak terdapat heteroskedastisitas dan Ho ditolak bila
Signifikansi < 0,05 yang berarti terdapat heteroskedastisitas

Dari output di atas dapat diketahui bahwa nilai signifikansi ketiga variabel
independen lebih dari 0,05. Dengan demikian dapat disimpulkan bahwa tidak terjadi
masalah heteroskedastisitas pada model regresi.

 Uji Autokorelasi (Test of Autocorrelation) digunakan untuk mengetahui ada atau tidaknya
korelasi antara satu residual pengamatan dengan residual pengamatan lainnya pada model
regresi. Pada SPSS diperoleh melalui Linear Regression dengan memilih icon Durbin-Watson.
Autokorelasi artinya adanya korelasi dini antar anggota sampel (observasi) pada suatu variabel
yang tersusun berdasarkan rangkaian waktu atau ruang (Gujarati, 2002, h.201). Secara
konvensional dapat dikatakan bahwa suatu Durbin Watson mendekati dua atau lebih. Aturan
keputusannya adalah jika nilai DW lebih kecil dari minus dua (-2), maka bisa diartikan terjadi
gejala autokorelasi positif. Jika nilai DW lebih besar dari dua (2), maka bias diartikan terjadi
gejala autokorelasi negatif. Sedangkan jika nilai DW antara minus dua (-2) sampai dua (+2),
maka dapat diartikan tidak terjadi gejala autokorelasi.


Dari hasil output di atas didapat nilai DW yang dihasilkan dari model regresi adalah 1,387.
Sedangkan dari tabel DW dengan signifikansi 0,05 dan jumlah data (n) = 18, seta k = 2 (k adalah
jumlah variabel independen) diperoleh nilai dL sebesar 1,046 dan dU sebesar 1,535 (lihat
lampiran). Karena nilai DW (1,387) berada pada daerah antara dL dan dU, maka tidak
menghasilkan kesimpulan yang pasti (berada di daerah keragu-raguan).

 Cara membaca output SPSS
YANG DIPERLUKAN UNTUK REGRESI LINEAR BERGANDA

1. Uji Reliabilitas
Menunjukkan sejauh mana suatu alat pengukur dapat dipercaya atau di andalkan. Reliabilitas
konsistensi alat pengukur dalam mengukur gejala yang sama. Suatu kuisioner dikatakan reliable dapat
dilihat dari nilai Chronbach Alpha, jika lebih besar dari 0.6 maka dapat dikatakan bahwa item
kuisioner reliable

2. Uji Validitas

Validitas merupakan suatu ukuran yang menunjukkan sejauh mana suatu instrument dapat
mengumpulkan data secara tepat dan sesuai dengan variable yang di teliti. Jika r hitung lebih besar
dari r table atau sig lebih kecil dari α=0.05 maka instrument yang digunakan valid

Tabel. Hasil Analisis Bivariate Pearson

Dari hasil analisis didapat nilai korelasi

antara skor item dengan skor total. Nilai ini
kemudian kita bandingkan dengan nilai r
tabel, r tabel dicari pada signifikansi 0,05
dengan uji 2 sisi dan jumlah data (n) = 12,
maka didapat r tabel sebesar 0,576 (lihat pada
lampiran tabel r).

Berdasarkan hasil analisis di dapat nilai

korelasi untuk item 1, 9 dan 10 nilai kurang
dari 0,576. Karena koefisien korelasi pada
item 1 (0.534 sig=0.074),
item 9 (0.292 sig=0.357)
item 10 (0.027 sig=0.934),
nilainya kurang dari 0,576 maka dapat
disimpulkan bahwa item-item tersebut tidak
berkorelasi signifikan dengan skor total
( dinyatakan tidak valid) sehingga harus
dikeluarkan atau diperbaiki. Sedangkan pada
item-item lainnya nilainya lebih dari 0,576
dan dapat disimpulkan bahwa butir instrumen
tersebut valid.

3. Koefisien Determinasi (R2)

Koefisien Determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam
menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah di antara nol dan satu.
Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi
variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen
memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variable dependen.
(Ghozali, 2004). Pada analisis regresi Ajusted R Square (koefisien determinasi yang disesuaikan)
digunakan jika banyaknya variable bebas (x) lebih dari 1.

4. Uji Simultan (uji F)

 Cara membaca output SPSS
Pada table Anova menghasilkan sig = 000 (lebih kecil dari α=0.05) atau F hitung lebih besar dari F
table maka dapat di simpulkan bahwa variable bebas (eksogen) secara simultan (bersama-sama)
memberikan pengaruh yang nyata/signifikan terhadap variable endogen.

5. Uji Partial (uji t)

Pada uji partial dapat diketahui setiap variable bebas nyata atau tidak. Jika sig kurang dari α atau t
hitung lebih besar dibandingkan dengan t table maka dapat dikatakan bahwa variable bebas tersebut
secara parsial memberikan pengaruh yang nyata/signifikan terhadap variable terikat

6. Regresi Linier Berganda

Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung dan memprediksi
variabel tergantung dengan menggunakan variabel bebas. Gujarati (2006) mendefinisikan analisis
regresi sebagai kajian terhadap hubungan satu variabel yang disebut sebagai variabel yang
diterangkan (the explained variabel) dengan satu atau dua variabel yang menerangkan (the
explanatory). Variabel pertama disebut juga sebagai variabel tergantung(independen/Y) dan variabel
kedua disebut juga sebagai variabel bebas(dependen/ X.

7. Uji Autokorelasi (Durbin Watson)

8. Residual

Residual adalah selisih antara nilai observasi dengan nilai prediksi; dan absolut adalah nilai
mutlaknya. sum of square dalam analisis regresi ada 2, yakni sum of square regression dan sum of
square residual.

 sum of square regression menghitung nilai total varian yang terbentuk akibat dari nilai Y
prediksi (total varian Y prediksi/estimasi hasil regresi)
 sum of square residual menghitung nilai total varian yang terbentuk akibat dari nilai sisa
antara Y aktual (hasil penelitian) dengan Y prediksi (estimasi hasil regresi)

sedangkan Mean of Square menunjukkan rata2 varian yang dihitung per variabel (Mean of Square
Regression) dan menunjuk rata2 varian per data Y (mean square residual
Df = dk = degree of freedom = derajat kebebasan, besarnya tergantung dari peluang perbandingan.
Jika untuk sum of square regression, peluang perbandingannya adalah antar variabel, sehingga df/dk-
nya = k-1
Jika untuk sum of square residual, peluang perbandingannya adalah antar data Y sehingga df/dk-nya =
n-k-1
Sehingga mean of square dapat dihitung dari sum of square dibagi dengan df/dk
mean of square regression = sum of square regression/k-1
mean of square residual = sum of square residual/n-k-1
Dan akhirnya F hitung dapat dikalkulasi = mean of square regression/mean of square residual

9. Persyaratan Regresi

a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05
b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika
angka standard Error of Estimate < Standard Deviation
c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi
signifikan jika T hitung > T table (nilai kritis)
d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi
atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku untuk regresi linier
berganda dengan variabel bebas lebih dari satu.
e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB) sebesar <
1 dan > 3
f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r 2
semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model
regresi semakin baik. Nilai r2
 Cara membaca output SPSS
mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai r 2
maksimal sebesar 1. Jika Nilai r2
sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh variasi
dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika r 2
sama dengan 0, maka tidak ada hubungan linier antara X dan Y.
g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
h. Data harus berdistribusi normal
i. Data berskala interval atau rasio
j. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (disebut
juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung (disebut juga
sebagai variabel response)

10. Skala

Pengertian Data adalah kumpulan fakta. Sedangkan fakta adalah segala sesuatu yang tertangkap oleh
indra manusia. Contoh: 'di daerah pegunungan kita dapat merasakan hawa udara yang dingin', maka
'di daerah pegunungan' merupakan data tempat, dan 'hawa udara yang dingin' merupakan data
temperatur (walaupun tidak diukur). Contoh lain: 'Ayah sangat menyukai nasi goreng', maka bila
diuraikan 'ayah', 'sangat menyukai' dan 'nasi goreng' didapatkan 3 variabel data yang berbeda. Data
yang tertangkap indra manusia boleh jadi akan dicatat untuk berbagai keperluan, tetapi seringkali data
tidak dicatat, hanya dipikirkan/diingat atau dibicarakan, itupun disebut sebagai data.

Tipe Data Statistik

Secara garis besar data hasil pencatatan dapat digolongkan menjadi 2 jenis/tipe yaitu: data yang bukan
berupa angka (disebut juga data kualitatif) dan data yang berupa angka (data kuantitatif).

a. Data Nominal atau Skala Nominal.

Misal: data jenis kelamin, tempat tinggal, suku atau ras, dan agama. Dalam praktek statistik,
karena variabel nominal mempunyai nilai data yang sederajat, maka untuk melakukan analisis
terhadap data nominal biasanya kita melakukan konversi dari data nominal menjadi data
katagorik yaitu data tersebut dikategorikan menjadi angka. Misalnya kita mempunyai data jenis
kelamin yaitu laki-laki dan perempuan, maka Laki-laki dikategorikan sebagai "1" dan
Perempuan dikategorikan sebagai "2". Data nominal tidak memiliki tingkatan. Dalam hal ini
penggunaan angka 1 dan 2 hanya sebagai lambang atau tanda, tidak dapat diartikan bahwa laki-
laki lebih rendah atau lebih tinggi derajatnya daripada perempuan, demikian pula sebaliknya
tidak dapat diartikan bahwa perempuan lebih rendah atau lebih tinggi derajatnya daripada laki-
laki.

b. Data Ordinal atau Skala Ordinal.

Contoh penerapan, berdasarkan hasil pengukuran melalui jajak pendapat atau wawancara,
diperoleh data tentang sikap atau pendapat sekelompok orang terhadap kebijakan tertentu yang
sedang diberlakukan pemerintah. Ada yang menyatakan 'sangat setuju', 'setuju', 'netral', tidak
setuju' atau 'sangat tidak setuju.' Jarak antara pernyataan 'sangat setuju' dengan 'setuju' dan
antara 'setuju' dengan 'netral' tidak jelas besar perbedaannya dan belum tentu sama.

Data ordinal juga tidak dapat dilakukan operasi matematika seperti penambahan, pengurangan,
perkalian dan pembagian. Dalam praktek statistik, untuk melakukan analisis terhadap data
ordinal, dilakukan konversi dari data ordinal menjadi data katagorik (dikategorikan menjadi
angka). Contoh: pernyataan 'sangat setuju' dikategorikan sebagai '5', 'setuju' dikategorikan
sebagai '4', 'netral' dikategorikan sebagai '3', tidak setuju' dikategorikan sebagai '2' dan 'sangat
tidak setuju' dikategorikan sebagai '1.'

c. Data Interval atau Skala Interval.

Data interval dianggap memiliki level yang lebih tinggi daripada data nominal dan ordinal.
Data jenis ini memiliki tingkatan dengan interval/jarak tertentu yang tetap, tetapi data ini tidak
 Cara membaca output SPSS
memiliki titik nol mutlak. Misalnya: Temperatur suatu zat cair dikatakan sebagai 'sangat panas'
bila suhunya antara 100-119 derajat Celcius, 'panas' bila suhunya antara 80-99 derajat Celsius,
'cukup panas' bila suhunya antara 60-79 derajat Celsius, dan 'kurang panas' bila suhunya antara
40-59 derajat Celsius. Karena tidak punya nilai nol mutlak maka bila suhu zat cair tersebut nol
derajat Celsius, bukan berarti bahwa zat cair tersebut tidak mempunyai panas/suhu.

d. Data Rasio atau Skala Rasio.

Data (variabel) jenis ini memiliki tingkat pengukuran yang paling tinggi diantara jenis data atau
skala pengukuran lainnya. Data rasio merupakan data berupa angka dalam arti sebenarnya,
dapat dilakukan operasi matematika (penjumlahan/pengurangan/perkalian/pembagian) dan
mempunyai titik nol dalam arti sesungguhnya. Contoh penerapan: dalam pengukuran tinggi dan
berat benda, jumlah produksi, jumlah murid. Misalnya jumlah murid yang hadir di suatu kursus
bahasa Inggris pada hari Senin sebanyak 20 murid, hari Selasa sebanyak 10 murid, dan hari
Rabu sebanyak 0 murid. Pada hari Rabu dikatakan yang hadir sebanyak nol murid, karena
memang tidak ada murid yang hadir pada hari tersebut. Selain itu jenis data ini memiliki sifat
rasio, dalam contoh di atas, jumlah murid yang hadir pada hari senin sebanyak 2 kali jumlah
murid yang hadir pada hari selasa, dst.

11. Standardized Variables vs Unstandardized Variables

Koefisien parameter dalam penelitian ini menggunakan beta unstandardized coefficient karena nilai
konstantanya menunjukkan nilai yang signifikan yaitu sebesar (signifikan pada level 0,05 atau 5%)
sedangkan beta standardized coefficient menunjukkan dominasi variable.

12. Std. Error

Std. Error harus lebih kecil dari standart deviasi atau derajat semu.

13. Non Multikolonieritas

Non Multikololinieritas berarti antara variable independen dalam model regresi tidak saling
berhubungan sempurna atau mendekati sempurna. Dilihat dari VIF lebih kecil dari 5 maka dapat
dikatakan tidak terjadi multikolonieritas.

Adapun output dari regresi linier berganda tersebut adalah sebagai berikut:

Output pertama tabel Variables Entered/Removed. Tabel ini memberikan kita informasi tentang
variabel apa saja yang dimasukkan dan dikeluarkan.
 Kolom model meberikan informasi bahwa hanya ada 1 (satu) model regresi yang dihasilkan.
 Cara membaca output SPSS
 Kolom variables Entered memberi informasi tentang variabel apa saja yang dimasukkan dalam
model regressi (Integritas Auditor, Independensi Auditor, dan Kompetensi Auditor).
 Kolom variables removed memberitahu kita tentang variabel-variabel yang dibuang atau
dipindahkan. Dibuangnya suatu variabel bisa dikarenakan terjadi masalah dalam proses
pengolahan data (bisa karena tidak terpenuhi uji asumsi klasik maupun varian data yang
bermasalah), dalam output kali ini kolom variables removed kosong karena tidak ada variabel
yang dibuang.
 Kemudian kolom Method ini memperlihatkan metode yang digunakan dalam pengolahan data
yaitu Enter.
Kemudian output selanjutnya yaitu: Table Model Summary

table Model Summary, disini kita bisa memperoleh informasi tentang besarnya pengaruh dari
seluruh variabel independen terhadap variabel dependen.

 disimbolkan dengan R (korelasi). Seperti yang terlihat dalam tabel model summary nilai pada
kolom R adalah 0,720 artinya pengaruh variabel kompetensi auditor, integritas auditor, dan
independensi auditor terhadap kualitas audit adalah 72,0% (0,720 x 100%), Namun nilai tersebut
bisa dikatakan "terkontaminasi" oleh berbagai nilai pengganggu yang mungkin menyebabkan
kesalahan pengukuran, untuk itu SPSS memberikan alternatif nilai

 R Square sebagai perbandingan akurasi pengaruhnya. Terlihat bahwa nilai R Square sebesar
0,518 yang artinya 51,8%. Nilai ini lebih kecil dari nilai R akibat adanya penyesuaian namun
demikian sebagai catatan nilai tersebut tidak serta merta lebih kecil dari R namun juga kadang
lebih besar.

 Untuk lebih akuratnya prediksi pengaruh kita juga dapat berpatokan pada nilai Adjusted R
Square yaitu nilai R Square tadi yang sudah lebih disesuaikan dan lazimnya ini yang paling
akurat. Terlihat bahwa nilai Adjusted R Square-nya sebesar 0,470 atau 47,0% pengaruh variabel
independen terhadap variabel dependen.

 Kolom selanjutnya pada tabel Model Summary memperlihatkan tingkat keakuratan model regresi
dapat dilihat pada kolom Standard Error of The Estimate, disitu tertera angka 1,95573. Nilai
ini semakin mendekati angka 0 (nol) semakin akurat, dengan angka sebesar itu maka dapat
dikatakan model yang terbentuk akurat sebesar 98,04427% (1,95573 x 100%).

Selanjutnya
 Cara membaca output SPSS
Uji Koefisien Regresi Secara Bersama-sama (Uji F)
Uji ini digunakan untuk mengetahui apakah variabel independen (X 1,X2….Xn) secara bersama-sama
berpengaruh secara signifikan terhadap variabel dependen (Y)
Ho : Tidak ada pengaruh secara signifikan antara x1,x2 dan x3secara bersama-sama terhadap Y
H1 : Ada pengaruh secara signifikan antara x1,x2 dan x3secara bersama-sama terhadap Y

Outputnya table ANOVA

 pertama lihat nilai Sig. (Signifikansi). Pada tabel anova nilai sig. tertera sebesar 0,000 maka
dengan gampang kita bisa menyimpulkan bahwa variabel integritas auditor, kompetensi auditor
dan indpendensi auditor berpengaruh secara bersama-sama terhadap kualitas audit. Hal ini
dengan mengikuti taraf sig. 0,05 sebagai nilai cut off dari nilai signifikansi. Artinya jika nilai
probabilitas (signifikansi) dibawah 0,05 maka seluruh variabel independen berpengaruh
terhadap variabel dependen dan begitupun sebaliknya/ tolak Ho.

 kedua dengan membandingkan F-Hitung dan F-Tabel, F-hitung adalah nilai F yang dihasilkan
dalam tabel Anova yaitu sebesar 10,752. cara mencari F-Tabel yaitu dengan terlebih dahulu
menghitung jumlah df (degree of fredom)nya, nah df untuk uji ini ada dua yaitu df1 dan df2
rumus yang digunakan yaitu df1=k-1 dan df2=n-k dimana n adalah jumlah sampel, k jumlah
variabel bebas.
maka jumlah df1= 3-1= 2 dan df2 = 34-3=31. Selanjutnya kita buka buku statistik lalu cari tabel
distribusi F pada tingkat sig. 0,05 kurang lebih seperti ini:
 Cara membaca output SPSS

Dengan df1 sebesar 2 dan df2 sebesar 31 maka kita dapat tarik garis vertikal horizontal dan
mendapatkan angka F tabel sebesar 3,304817 atau 3,305. Nilai ini kita bandingkan dengan nilai F-
Hitung tadi, jika nilai F tabel lebih kecil dari F Hitung maka kesimpulannya seluruh variabel
independen berpengaruh terhadap variabel dependen dan begitu pula sebaliknya. Dalam kasus kita
nilai F-Tabel 3,305 masih lebih kecil dari F-Hitung 10,752 maka kesimpulannya variabel
independensi auditor, kompetensi auditor dan integritas auditor berpengaruh secara bersama-
sama terhadap hasil audit.

Uji Koefisien Regresi Secara Parsial (Uji t)

Uji ini digunakan untuk mengetahui apakah dalam model regresi variabel independen (X 1, X2,
…..Xn) secara parsial berpengaruh signifikan terhadap variabel dependen (Y).

Ho : Secara parsial tidak ada pengaruh signifikan antara x1 dengan Y.

H1 : Secara parsial ada pengaruh signifikan antara antara x1 dengan Y. dst

Dari hasil analisis regresi output dapat disajikan sebagai berikut:

 Cara membaca output SPSS
tabel Coeficient. Tabel ini berguna untuk melihat pengaruh variabel secara parsial (individu) caranya
ada dua,

 pertama dengan cara melihat nilai sig. pada setiap variabel, jika nilai sig. nya lebih kecil dari
0,05 maka kesimpulannya berpengaruh semakin kecil sig. maka semakin berpengaruh.
Sig X1 = 0.01 tolak Ho
Sig X2= 0.71 terima Ho
Sig X3=0.00 tolak Ho

 kedua dengan cara membandingkan nilai t-hitung dangan t-tabel, t hitung adalah nilai pada
kolom t yang dihasilkan SPSS pada tabel coefficient sedangkan nilai t-tabel ini yang masih
harus kita cari. Cara mencari nilai t-tabel yaitu dengan terlebih dahulu menghitung nilai df,
rumus yang digunakan berbeda dengan pada tabel anova yaitu df = n-k-1 yang dengan
demikian terhitung df=34-3-1=30. Setelah mendapat nilai df maka selanjutnya buka buku
statistik yang paling belakang cari tabel distribusi t yang penampakannya kurang lebih seperti
ini:

Dari tabel dengan df sebesar 30 pada sig. 0,05 kita dapat memperoleh nilai t-tabel 1,697261 atau
1,697. Nilai ini dibandingkan dengan nilai t hitung setiap variabel dengan kriteria, apabila nilai t tabel
lebih kecil dari nilai t hitung maka kesimpulannya variabel tersebut berpengaruh terhadap variabel
dependennya.
Dari tabel Coefficient tersebut kita juga bisa menyusun Persamaan Model Regresi dengan melihat
nilai-nilai pada kolom Coeficien B, yang dalam kasus ini model yang terbentuk:
Y; -7,881 + 0,302X1 + 0,228X2 + 0,690 X3