Cara Membaca Output SPSS Regresi: Panduan Praktis Skripsi

Kamu buka SPSS, klik Analyze → Regression → Linear, tunggu sebentar, terus muncul output yang... penuh. Banyak banget tabelnya. Ada angka-angka yang kamu nggak tahu harus dilihat dari mana dulu. Akhirnya kamu screenshot semua, paste ke Word, terus nulis interpretasi yang setengah-setengah — dan dospem langsung coret merah di mana-mana.

Gue pernah di posisi itu. BAB 4 gue direject tiga kali bukan karena datanya salah, tapi karena cara gue membaca dan menarasikan output SPSS-nya ngawur. Gue nulis R sebagai "koefisien determinasi" (padahal yang bener R Square), dan gue skip tabel ANOVA karena nggak ngerti fungsinya. Hasilnya? Sidang proposal gue ditunda sebulan.

Makanya artikel ini gue tulis dengan satu misi: biar kamu bisa duduk di depan output SPSS regresi, tahu persis mana yang harus dibaca duluan, dan bisa menulis interpretasi yang rapi di Bab 4 — tanpa panik.

Kenapa Output SPSS Regresi Terlihat Rumit (Padahal Tidak)

Output regresi di SPSS memang dirancang untuk kebutuhan analisis yang sangat luas — dari skripsi S1 sampai penelitian doktoral. Wajar kalau tampilannya terasa "terlalu banyak" buat mahasiswa yang baru pertama kali membukanya. Tapi kebanyakan kolom yang muncul itu sebetulnya tidak perlu kamu laporkan semua. Yang perlu kamu tahu: cukup tiga tabel inti.

Apa Saja Tabel yang Muncul di Output Regresi SPSS?

Saat kamu menjalankan regresi linear berganda di SPSS, output yang keluar biasanya terdiri dari:

Kadang ada tabel tambahan seperti Variables Entered/Removed — itu bisa kamu abaikan untuk keperluan Bab 4 standar.

Urutan Membaca yang Benar

Kesalahan paling umum yang gue temukan: mahasiswa langsung loncat ke tabel Coefficients karena di situ ada nilai t dan Sig. untuk tiap hipotesis. Padahal, logika pelaporan regresi itu bertahap — dan ada alasan metodologisnya.

Urutan yang benar adalah Model Summary → ANOVA → Coefficients. Kenapa? Karena kamu perlu tahu dulu seberapa kuat modelmu (Model Summary), lalu apakah model itu secara keseluruhan signifikan (ANOVA), baru kemudian memeriksa kontribusi parsial tiap variabel (Coefficients). Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25 — referensi standar regresi Indonesia menjadikan urutan ini sebagai standar interpretasi regresi yang paling banyak dirujuk di Indonesia. Ikuti urutan ini, dan Bab 4 kamu akan punya alur yang logis — bukan loncat-loncat.

Catatan Penting: Sebelum membaca output regresi, pastikan kamu sudah menjalankan uji asumsi klasik regresi yang wajib dilakukan sebelum interpretasi — normalitas, heteroskedastisitas, multikolinearitas, dan autokorelasi. Kalau asumsinya belum terpenuhi, interpretasi output di bawah bisa tidak valid.

Tabel 1 — Model Summary: Seberapa Kuat Model Regresimu?

Tabel pertama yang kamu baca adalah Model Summary. Di sinilah kamu menemukan jawaban atas pertanyaan mendasar: "Seberapa besar variabel-variabel independenku mampu menjelaskan variabel dependenku?" Jawabannya ada di kolom R Square.

Apa Itu R Square dan Adjusted R Square?

Tampilan tabel Model Summary di SPSS kurang lebih seperti ini:

Mari kita bedah kolom per kolom:

• R — Ini adalah koefisien korelasi berganda. Nilainya berkisar 0–1 dan menunjukkan kekuatan hubungan antara semua variabel independen dengan variabel dependen. Jangan gunakan ini sebagai koefisien determinasi. Ini kesalahan yang paling sering terjadi.
• R Square — Inilah koefisien determinasi yang sesungguhnya. Nilai 0,473 berarti 47,3% variansi variabel dependen dapat dijelaskan oleh variabel-variabel independen dalam model.
• Adjusted R Square — Versi R Square yang sudah disesuaikan dengan jumlah variabel independen dan ukuran sampel. Kalau kamu punya lebih dari satu variabel independen (yang hampir pasti untuk regresi berganda), gunakan angka ini sebagai yang dilaporkan utama, karena lebih jujur soal kemampuan prediksi model (Ghozali, 2018).
• Std. Error of the Estimate — Rata-rata kesalahan prediksi. Semakin kecil, semakin baik akurasi model. Kolom ini cukup disebutkan singkat atau bisa diabaikan di laporan Bab 4 standar S1/S2.

Soal Durbin-Watson yang kadang muncul di tabel ini — itu digunakan untuk mendeteksi autokorelasi dan biasanya hanya relevan untuk data time-series. Kalau penelitianmu berbasis survei cross-sectional, kamu tidak wajib melaporkannya kecuali pembimbing meminta.

Untuk panduan interpretasi nilai R Square, konteks bidang ilmu sangat menentukan. Tapi sebagai patokan umum:

Catatan: di bidang ilmu sosial dan perilaku, nilai R Square 0,30–0,40 sudah dianggap cukup bermakna karena perilaku manusia memang dipengaruhi banyak faktor yang tidak semuanya masuk dalam model.

Contoh Interpretasi Siap Pakai untuk Bab 4

"Berdasarkan tabel Model Summary, diperoleh nilai Adjusted R Square sebesar 0,461. Hal ini menunjukkan bahwa variabel independen dalam model mampu menjelaskan 46,1% variansi variabel dependen, sedangkan sisanya 53,9% dijelaskan oleh variabel lain di luar model penelitian."

Kalimat ini langsung bisa kamu adaptasi — ganti angkanya sesuai output SPSS kamu.

Tabel 2 — ANOVA: Apakah Model Regresimu Signifikan Secara Simultan?

Setelah tahu seberapa kuat modelmu, pertanyaan berikutnya: apakah kekuatan itu signifikan secara statistik, atau hanya kebetulan? Di sinilah tabel ANOVA masuk.

Membaca Nilai F dan Signifikansi

Tabel ANOVA untuk regresi berganda biasanya tampil seperti ini:

Kolom yang benar-benar perlu kamu perhatikan cuma dua: F dan Sig.

F hitung adalah statistik uji yang membandingkan variansi yang dijelaskan oleh model dengan variansi yang tidak bisa dijelaskan (residual). Semakin besar F, semakin baik modelmu relatif terhadap kebisingan data.

Sig. adalah nilai probabilitas (nilai p). Kaidah keputusannya sederhana:

• Sig. < 0,05 → model regresi fit, artinya variabel independen secara bersama-sama (simultan) berpengaruh signifikan terhadap variabel dependen
• Sig. ≥ 0,05 → model tidak fit, dan kamu perlu evaluasi ulang variabel yang dimasukkan

Apa Artinya Jika Sig. > 0,05?

Ini situasi yang bikin panik. Kalau nilai Sig. di tabel ANOVA kamu lebih dari 0,05, itu berarti model secara keseluruhan tidak signifikan. Bisa jadi variabel independenmu memang tidak relevan menjelaskan variabel dependen, sampelmu terlalu kecil, atau ada masalah di pengukuran. Jangan lantas loncat ke uji t parsial dan pura-pura tabel ANOVA tidak ada — dospem pasti menangkap inkonsistensi itu.

Sugiyono — Metode Penelitian Kuantitatif, Kualitatif, dan R&D menegaskan bahwa uji kelayakan model (uji F) adalah prasyarat sebelum interpretasi koefisien parsial dapat dilakukan secara bermakna.

Pro Tip: Banyak mahasiswa bingung antara "tabel ANOVA di regresi" dan "ANOVA sebagai metode uji beda (one-way/two-way ANOVA)". Keduanya memang menggunakan distribusi F, tapi konteksnya berbeda. Di regresi, ANOVA dipakai untuk menguji apakah model secara simultan signifikan — bukan untuk membandingkan rata-rata kelompok. Jangan dicampuradukkan di narasi Bab 4.

Contoh kalimat interpretasi uji F:

"Berdasarkan tabel ANOVA, diperoleh nilai F hitung sebesar 21,456 dengan nilai signifikansi 0,000 < 0,05. Dengan demikian, dapat disimpulkan bahwa variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen, sehingga model regresi dinyatakan fit."

Tabel 3 — Coefficients: Pengaruh Parsial Setiap Variabel

Ini tabel yang paling banyak informasinya — dan paling sering dibaca setengah-setengah. Di sini kamu akan menemukan jawaban untuk setiap hipotesis parsial yang kamu rumuskan di Bab 2.

Unstandardized vs Standardized Coefficients: Pakai yang Mana?

Tabel Coefficients SPSS kira-kira tampil seperti ini:

Kolom B (Unstandardized Coefficients) — Ini koefisien dalam satuan asli variabelnya. Digunakan untuk menulis persamaan regresi dan menginterpretasikan arah pengaruh (positif atau negatif).

Kolom Beta (Standardized Coefficients) — Koefisien yang sudah distandarisasi sehingga satuannya sama (z-score). Gunakan ini kalau kamu ingin membandingkan kekuatan relatif antar variabel independen — variabel mana yang "paling besar" pengaruhnya. Hair et al. — standar pelaporan koefisien regresi internasional merekomendasikan pelaporan Beta untuk perbandingan antar variabel.

Cara Menulis Persamaan Regresi

Persamaan regresi ditulis dari kolom B, bukan Beta. Formatnya:

Y = a + b₁X₁ + b₂X₂ + b₃X₃

Dari contoh tabel di atas:

Y = 3,214 + 0,412X₁ + 0,298X₂ + (-0,157)X₃

atau ditulis:

Y = 3,214 + 0,412X₁ + 0,298X₂ − 0,157X₃

Artinya: jika X1 (Motivasi) naik 1 satuan, variabel dependen diprediksi naik 0,412 satuan — dengan asumsi variabel lain konstan. Persamaan ini wajib ditulis di Bab 4 sebelum kamu masuk ke interpretasi uji t.

Uji Parsial (Uji t): Menerima atau Menolak Hipotesis

Kolom t dan Sig. adalah yang kamu butuhkan untuk menguji hipotesis parsial satu per satu. Kaidahnya sama:

• Sig. < 0,05 → variabel independen berpengaruh signifikan terhadap variabel dependen (H diterima)
• Sig. ≥ 0,05 → pengaruh tidak signifikan (H ditolak)

Dari tabel contoh:

• X1 (Motivasi): Sig. 0,000 < 0,05 → berpengaruh signifikan positif (karena B = +0,412)
• X2 (Kompetensi): Sig. 0,000 < 0,05 → berpengaruh signifikan positif
• X3 (Lingkungan Kerja): Sig. 0,015 < 0,05 → berpengaruh signifikan negatif (karena B = −0,157)

Perhatikan X3 — nilai B-nya negatif. Ini bukan kesalahan, ini justru informasi penting: semakin buruk lingkungan kerja, variabel dependen (misalnya kinerja) menurun. Jangan panik melihat tanda minus, dan jangan juga mengabaikannya. Laporkan arah pengaruhnya secara eksplisit.

Kalau kamu penasaran soal perbedaan antara uji t parsial di regresi dan uji t untuk dua kelompok, baca Perbedaan uji t independen dan uji t dalam regresi — keduanya punya logika yang berbeda.

Cek Multikolinearitas dari Kolom VIF

Kolom Tolerance dan VIF (Variance Inflation Factor) digunakan untuk mendeteksi multikolinearitas — kondisi di mana variabel independen saling berkorelasi terlalu kuat satu sama lain, yang bisa membuat koefisien regresi tidak stabil.

Kaidah standar (Ghozali, 2018):

• VIF < 10** dan **Tolerance > 0,10 → tidak ada masalah multikolinearitas
• VIF > 10 → ada masalah, perlu evaluasi ulang variabel

Dari tabel contoh, semua VIF di bawah 2 — aman. Ini perlu dilaporkan singkat di Bab 4 sebagai bagian dari pembahasan hasil uji asumsi.

Pro Tip: Kalau hipotesismu bersifat satu arah (misalnya H1: "X1 berpengaruh positif terhadap Y"), secara teknis kamu bisa membagi nilai Sig. 2-tailed dari SPSS dengan 2 untuk mendapat p satu arah. Tapi di praktik skripsi S1 dan S2 di Indonesia, kebanyakan pembimbing menerima Sig. 2-tailed < 0,05 sebagai standar keputusan — kecuali ada instruksi spesifik berbeda. Konfirmasi dulu ke pembimbing sebelum kamu ambil keputusan ini.

Kesalahan Umum Mahasiswa Saat Membaca Output Regresi SPSS

Gue udah lihat banyak draft Bab 4 yang dikirim teman-teman. Kesalahan yang muncul itu-itu aja. Bukan karena orangnya tidak pintar, tapi karena tidak ada yang pernah jelasin dengan benar dari awal.

Berikut yang paling sering terjadi:

• Melaporkan R bukan R Square sebagai koefisien determinasi. R adalah korelasi berganda, bukan determinasi.
• Tidak menulis persamaan regresi di Bab 4 — padahal ini wajib dan sering jadi pertanyaan saat sidang.
• Melupakan tabel ANOVA dan langsung loncat ke uji t. Pembimbing langsung curiga apakah kamu benar-benar memahami analisis ini.
• Tidak memeriksa VIF sehingga asumsi multikolinearitas tidak pernah dibahas, padahal dospem sering menanyakannya.
• Salah menafsirkan koefisien B negatif — dikira data salah, padahal itu justru informasi tentang arah pengaruh.
• Tidak konsisten antara angka dan narasi — misalnya nulis "berpengaruh positif" padahal nilai B-nya negatif.

Checklist Sebelum Menulis Bab 4 Analisis Regresi

Sebelum mulai mengetik narasi, pastikan kamu bisa centang semua poin ini:

• Sudah menjalankan uji asumsi klasik dan hasilnya terpenuhi
• Sudah menulis persamaan regresi dari kolom B
• Sudah melaporkan Adjusted R Square (bukan R) sebagai koefisien determinasi
• Sudah membaca dan menarasikan hasil uji F dari tabel ANOVA
• Sudah menguji tiap hipotesis dari kolom t dan Sig. di tabel Coefficients
• Sudah mencatat arah pengaruh (positif/negatif) dari tanda nilai B
• Sudah memeriksa nilai VIF untuk asumsi multikolinearitas

Template Paragraf Interpretasi Output Regresi untuk Bab 4 Skripsi

Ini bagian yang paling ditunggu-tunggu. Gue kasih template yang bisa langsung kamu adaptasi — ganti angka dan nama variabelnya sesuai penelitianmu.

Struktur Penulisan yang Direkomendasikan

Urutan narasi yang paling rapi untuk Bab 4 analisis regresi berganda:

1. Tulis persamaan regresi
2. Interpretasi nilai Adjusted R Square (Model Summary)
3. Interpretasi uji F (ANOVA)
4. Interpretasi uji t per hipotesis (Coefficients)
5. Sajikan tabel ringkasan hasil pengujian hipotesis

Lihat juga Panduan lengkap menulis Bab 4 skripsi kuantitatif untuk struktur lengkap Bab 4 dari awal sampai akhir.

Contoh Narasi Siap Pakai per Bagian

[1] Persamaan Regresi:

"Berdasarkan hasil analisis regresi linear berganda yang tersaji pada tabel Coefficients, diperoleh persamaan regresi sebagai berikut: Y = 3,214 + 0,412X₁ + 0,298X₂ − 0,157X₃. Konstanta sebesar 3,214 menunjukkan bahwa apabila semua variabel independen bernilai nol, maka variabel dependen diprediksi bernilai 3,214."

[2] Model Summary:

"Nilai Adjusted R Square sebesar 0,461 menunjukkan bahwa variabel motivasi (X₁), kompetensi (X₂), dan lingkungan kerja (X₃) secara bersama-sama mampu menjelaskan 46,1% variansi variabel dependen. Sisanya sebesar 53,9% dijelaskan oleh variabel lain yang tidak dimasukkan dalam model penelitian ini."

[3] Uji F (ANOVA):

"Hasil uji F menunjukkan nilai F hitung sebesar 21,456 dengan nilai signifikansi sebesar 0,000. Karena nilai signifikansi 0,000 < 0,05, maka dapat disimpulkan bahwa variabel motivasi, kompetensi, dan lingkungan kerja secara simultan berpengaruh signifikan terhadap variabel dependen. Model regresi dalam penelitian ini dinyatakan fit."

[4] Uji t per Hipotesis:

"Variabel motivasi (X₁) memperoleh nilai t hitung sebesar 4,629 dengan signifikansi 0,000 < 0,05 dan nilai koefisien B sebesar 0,412 (positif). Dengan demikian, H₁ diterima — motivasi berpengaruh positif dan signifikan terhadap variabel dependen. Artinya, semakin tinggi motivasi, semakin tinggi pula [nama variabel dependen]."

Adaptasi template ini untuk tiap hipotesis — ubah nama variabel, nilai t, Sig., dan nilai B, serta arah pengaruhnya.

[5] Tabel Ringkasan Hasil Uji Hipotesis:

Tabel ringkasan seperti ini sangat membantu penguji sidang untuk memverifikasi hasil hipotesismu secara cepat — dan membuat Bab 4 kamu terlihat rapi dan profesional.

Kalau kamu kesulitan merangkai narasi interpretasi yang konsisten antara angka dan kalimat, fitur Writing Studio di Risos AI dilengkapi defense scan yang bisa mendeteksi apakah klaim interpretasimu sudah sesuai dengan output data — berguna banget sebelum sidang skripsi, terutama untuk memastikan tidak ada kontradiksi antara apa yang kamu tulis dan apa yang angkanya tunjukkan.

Kesimpulan

Output SPSS regresi memang terlihat intimidatif pertama kali. Tapi begitu kamu tahu urutannya — Model Summary dulu, lalu ANOVA, lalu Coefficients — semuanya jadi jauh lebih terkendali.

Yang paling penting untuk diingat:

• R Square (bukan R) adalah koefisien determinasi. Gunakan Adjusted R Square untuk regresi berganda.
• Tabel ANOVA menguji pengaruh simultan — wajib dilaporkan, tidak boleh dilewati.
• Persamaan regresi ditulis dari kolom B, dan harus ada di Bab 4 kamu.
• Sig. < 0,05 adalah kaidah keputusan utama untuk uji F maupun uji t.
• VIF < 10 berarti tidak ada masalah multikolinearitas — cantumkan ini di laporan.
• Perhatikan arah pengaruh dari tanda nilai B — positif atau negatif, keduanya punya makna.

Bab 4 yang baik bukan soal berapa banyak angka yang kamu tempel, tapi seberapa jelas kamu bisa menarasikan apa yang angka-angka itu katakan. Dan itu bisa dipelajari — seperti yang kamu lakukan sekarang.