Contoh Pembahasan Hasil Regresi Berganda yang Benar di Skripsi

Bayangkan kamu sudah berhasil mengumpulkan data, menginput semuanya ke SPSS, dan menekan tombol Analyze. Tabel-tabel penuh angka bermunculan di layar. Lalu kamu buka dokumen Word skripsi dan… terdiam. Tidak tahu harus mulai dari mana. Angka-angka itu ada, tapi bagaimana cara mengubahnya menjadi narasi pembahasan yang akademis, runtut, dan memuaskan penguji?

Situasi ini dialami oleh hampir semua mahasiswa yang mengerjakan skripsi atau tesis dengan metode kuantitatif. Regresi berganda adalah teknik analisis yang relatif sering digunakan, tetapi juga salah satu yang paling sering salah dibaca dan salah ditulis di Bab 4. Artikel ini hadir bukan untuk menjelaskan teori semata—melainkan untuk memberikan contoh pembahasan hasil regresi berganda yang bisa langsung kamu jadikan rujukan, lengkap dengan template kalimat, anotasi tabel SPSS, dan daftar kesalahan fatal yang perlu dihindari sebelum sidang.

Apa Itu Regresi Berganda dan Kapan Digunakan?

Definisi Singkat yang Perlu Kamu Pahami

Regresi berganda (multiple regression) adalah teknik statistik yang digunakan untuk menganalisis pengaruh dua atau lebih variabel independen (X) terhadap satu variabel dependen (Y) secara bersamaan. Berbeda dengan regresi sederhana yang hanya melibatkan satu variabel X, regresi berganda memungkinkan peneliti untuk melihat kontribusi masing-masing prediktor sekaligus mengendalikan variabel lainnya. Menurut Sugiyono (2019). Metode Penelitian Kuantitatif, Kualitatif, dan R&D, analisis regresi berganda digunakan ketika peneliti ingin memprediksi atau menjelaskan perubahan variabel dependen berdasarkan variasi yang terjadi pada lebih dari satu variabel independen.

Kapan kamu memilih regresi berganda dibanding regresi sederhana? Jawabannya sederhana: gunakan regresi berganda ketika hipotesis penelitianmu melibatkan lebih dari satu variabel bebas. Misalnya, jika kamu meneliti pengaruh motivasi kerja dan kompensasi terhadap kinerja karyawan—itu adalah konteks regresi berganda. Teknik ini sangat lazim digunakan di bidang manajemen, ekonomi, pendidikan, dan kesehatan masyarakat. Beberapa contoh topik yang umum:

• Manajemen/SDM: Pengaruh motivasi, kompensasi, dan lingkungan kerja terhadap kinerja karyawan
• Pemasaran: Pengaruh harga, kualitas produk, dan promosi terhadap keputusan pembelian
• Pendidikan: Pengaruh metode pembelajaran, fasilitas, dan motivasi belajar terhadap prestasi akademik
• Kesehatan masyarakat: Pengaruh pola makan, aktivitas fisik, dan stres terhadap tekanan darah

Syarat Minimal Sebelum Menjalankan Regresi Berganda

Sebelum menjalankan regresi berganda, ada beberapa syarat yang perlu dipenuhi. Pertama, skala pengukuran variabel dependen harus interval atau rasio. Kedua, hubungan antar variabel diasumsikan bersifat linier. Ketiga—dan ini yang sering dilupakan—semua asumsi klasik harus diuji dan dipenuhi terlebih dahulu. Referensi standar yang paling banyak digunakan di Indonesia untuk hal ini adalah Ghozali, I. (2018). Aplikasi Analisis Multivariate — referensi standar regresi Indonesia, yang menjadi kitab wajib hampir di setiap program studi ekonomi dan manajemen di seluruh Indonesia.

Uji Asumsi Klasik: Fondasi Sebelum Interpretasi

Banyak mahasiswa langsung "loncat" ke pembahasan hasil regresi tanpa melaporkan uji asumsi klasik terlebih dahulu. Ini adalah kesalahan yang hampir selalu ditangkap oleh penguji di sidang. Uji asumsi klasik bukan formalitas—ia adalah bukti bahwa estimator regresi yang kamu hasilkan bersifat BLUE (Best Linear Unbiased Estimator), sehingga hasil interpretasinya dapat dipercaya. Ghozali (2018) menegaskan bahwa pengujian asumsi klasik wajib dilakukan sebelum interpretasi model regresi agar koefisien yang dihasilkan tidak bias.

Untuk panduan teknis yang lebih detail tentang cara melakukan setiap uji di SPSS langkah demi langkah, kamu bisa membaca cara melakukan uji asumsi klasik di SPSS. Di sini, fokus kita adalah pada cara membaca output dan menuliskan narasinya.

Uji Normalitas

Uji normalitas memeriksa apakah residual (sisa) model regresi berdistribusi normal. Metode yang paling populer di SPSS adalah Kolmogorov-Smirnov (K-S). Kriteria keputusan: jika nilai Sig. > 0,05, maka residual berdistribusi normal.

Contoh narasi:

"Berdasarkan hasil uji normalitas menggunakan metode Kolmogorov-Smirnov, diperoleh nilai Asymp. Sig. (2-tailed) sebesar 0,142. Karena nilai tersebut lebih besar dari 0,05, maka dapat disimpulkan bahwa residual model regresi berdistribusi normal dan asumsi normalitas terpenuhi."

Uji Multikolinearitas (VIF & Tolerance)

Uji ini memeriksa apakah ada korelasi yang terlalu tinggi antar variabel independen. Output SPSS menampilkan nilai Tolerance dan VIF (Variance Inflation Factor). Kriteria: Tolerance > 0,10 dan VIF < 10 menandakan tidak ada multikolinearitas (Ghozali, 2018).

Contoh narasi:

"Hasil uji multikolinearitas menunjukkan nilai Tolerance untuk variabel X1, X2, dan X3 berturut-turut sebesar 0,712; 0,698; dan 0,734, seluruhnya di atas 0,10. Nilai VIF masing-masing sebesar 1,404; 1,432; dan 1,362, seluruhnya di bawah 10. Dengan demikian, tidak terdapat gejala multikolinearitas dalam model."

Uji Heteroskedastisitas

Uji ini memeriksa apakah varians residual konstan untuk semua nilai X. Metode Glejser di SPSS menghasilkan nilai Sig. untuk masing-masing variabel X. Jika Sig. > 0,05, maka tidak terjadi heteroskedastisitas.

Uji Autokorelasi (jika data time-series)

Uji autokorelasi relevan terutama untuk data time-series atau data panel. Gunakan nilai Durbin-Watson (DW). Nilai DW yang berada di rentang 1,65–2,35 umumnya mengindikasikan tidak ada autokorelasi (sebagai patokan praktis; nilai batas yang tepat bergantung pada tabel DW).

💡 Pro Tip: Jangan hanya menulis "uji asumsi klasik terpenuhi" tanpa menampilkan angkanya. Penguji akan selalu meminta bukti berupa nilai Sig., VIF, atau DW. Buatkan sub-tabel ringkasan asumsi klasik agar Bab 4-mu terlihat rapi dan meyakinkan.

Memahami Output Regresi Berganda di SPSS: Tabel demi Tabel

Setelah asumsi klasik terpenuhi, kamu bisa mulai membaca tiga tabel utama output regresi SPSS. Banyak mahasiswa membaca ketiga tabel ini secara acak—padahal ada urutan logis yang sebaiknya diikuti: Model Summary → ANOVA → Coefficients.

Tabel Model Summary: Seberapa Kuat Modelmu?

Tabel ini menampilkan nilai R, R Square (R²), Adjusted R Square, dan Standard Error of the Estimate.

Untuk regresi berganda, laporkan Adjusted R Square, bukan R Square biasa. Hal ini karena Adjusted R² sudah memperhitungkan jumlah variabel independen dalam model, sehingga lebih jujur dalam menggambarkan kekuatan model (Hair et al. dalam Hair et al. — Multivariate Data Analysis (referensi internasional regresi)).

Tabel ANOVA: Apakah Model Layak Digunakan?

Tabel ANOVA menjawab pertanyaan: "Apakah model regresi secara keseluruhan layak digunakan untuk menjelaskan variasi Y?" Perhatikan nilai F hitung dan kolomnya Sig.

• Jika Sig. < 0,05: Model regresi signifikan dan layak digunakan (uji F)
• Nilai F yang besar mengindikasikan bahwa variabel-variabel X secara bersama-sama memiliki pengaruh yang nyata terhadap Y

Tabel Coefficients: Pengaruh Masing-Masing Variabel

Ini adalah tabel yang paling banyak dibahas di Bab 4. Perhatikan kolom-kolom berikut:

⚠️ Catatan Penting: Nilai Sig. 0,000 di output SPSS BUKAN berarti "signifikansi sempurna" atau probabilitas nol persis. Nilai tersebut berarti p-value < 0,0005 (SPSS membulatkan ke tiga desimal). Cara penulisan yang benar dalam narasi adalah: "nilai signifikansi sebesar 0,000 (p < 0,001)", bukan "nilai signifikansi 0 persen".

Contoh Pembahasan Hasil Regresi Berganda (Narasi Lengkap)

Untuk memudahkan pemahaman, berikut adalah studi kasus fiktif realistis yang sering dijumpai di program studi manajemen:

Topik: Pengaruh Motivasi Kerja (X1), Kompensasi (X2), dan Lingkungan Kerja (X3) terhadap Kinerja Karyawan (Y) pada PT Maju Bersama.

Asumsi data output SPSS:

• Konstanta (a) = 3,214
• B untuk X1 = 0,412 (Sig. = 0,001)
• B untuk X2 = 0,338 (Sig. = 0,003)
• B untuk X3 = 0,187 (Sig. = 0,087)
• F hitung = 24,651 (Sig. = 0,000)
• Adjusted R² = 0,568

Persamaan Regresi Berganda

Persamaan regresi berganda ditulis berdasarkan nilai B (Unstandardized Coefficients) dari tabel Coefficients:

Ŷ = 3,214 + 0,412X₁ + 0,338X₂ + 0,187X₃

Contoh narasi pembahasan persamaan regresi:

"Berdasarkan hasil analisis regresi berganda menggunakan SPSS versi 25, diperoleh persamaan regresi sebagai berikut: Ŷ = 3,214 + 0,412X₁ + 0,338X₂ + 0,187X₃. Persamaan tersebut dapat diinterpretasikan sebagai berikut: (1) nilai konstanta sebesar 3,214 menunjukkan bahwa apabila variabel motivasi kerja, kompensasi, dan lingkungan kerja bernilai nol, maka kinerja karyawan diperkirakan sebesar 3,214 satuan; (2) koefisien regresi motivasi kerja (X1) sebesar 0,412 bermakna bahwa setiap peningkatan satu satuan motivasi kerja, kinerja karyawan akan meningkat sebesar 0,412 satuan dengan asumsi variabel lain konstan; (3) koefisien regresi kompensasi (X2) sebesar 0,338 menunjukkan bahwa setiap peningkatan satu satuan kompensasi, kinerja karyawan akan meningkat sebesar 0,338 satuan, ceteris paribus."

Pembahasan Uji F (Simultan)

Contoh narasi:

"Berdasarkan tabel ANOVA, diperoleh nilai F hitung sebesar 24,651 dengan nilai signifikansi 0,000 (p < 0,001). Karena nilai signifikansi lebih kecil dari 0,05, maka H0 ditolak dan Ha diterima. Artinya, variabel motivasi kerja (X1), kompensasi (X2), dan lingkungan kerja (X3) secara bersama-sama (simultan) berpengaruh signifikan terhadap kinerja karyawan (Y) pada PT Maju Bersama. Hal ini menunjukkan bahwa model regresi yang digunakan layak (goodness of fit) untuk menjelaskan variasi kinerja karyawan."

Pembahasan Uji t (Parsial) Per Variabel

Contoh narasi—variabel yang signifikan (X1: Motivasi Kerja):

"Variabel motivasi kerja (X1) memperoleh nilai t hitung sebesar [nilai t] dengan nilai signifikansi 0,001 (p < 0,05). Karena nilai signifikansi lebih kecil dari alpha 0,05, maka H0 ditolak, sehingga dapat disimpulkan bahwa motivasi kerja berpengaruh positif dan signifikan secara parsial terhadap kinerja karyawan. Hasil ini sejalan dengan teori motivasi Herzberg yang menyatakan bahwa faktor motivasional—seperti pengakuan, tanggung jawab, dan pencapaian—secara langsung mendorong peningkatan kinerja (Robbins & Judge, 2017). Temuan ini juga konsisten dengan penelitian Santoso dan Wijaya (2021) yang menemukan bahwa motivasi kerja merupakan prediktor signifikan kinerja pada perusahaan manufaktur di Jawa Timur."

Contoh narasi—variabel yang TIDAK signifikan (X3: Lingkungan Kerja):

"Variabel lingkungan kerja (X3) memperoleh nilai t hitung dengan nilai signifikansi 0,087 (p > 0,05). Karena nilai signifikansi melebihi alpha 0,05, maka H0 diterima, sehingga lingkungan kerja tidak berpengaruh signifikan secara parsial terhadap kinerja karyawan pada PT Maju Bersama. Temuan ini tidak mendukung hipotesis ketiga yang diajukan peneliti. Namun demikian, hasil ini dapat dijelaskan oleh konteks penelitian: sebagian besar responden adalah karyawan produksi yang bekerja di lingkungan terstandarisasi, sehingga variasi lingkungan kerja tidak cukup besar untuk menghasilkan perbedaan kinerja yang bermakna secara statistik. Temuan ini sejalan dengan Rahmawati (2020) yang menemukan bahwa pengaruh lingkungan kerja terhadap kinerja bersifat kondisional tergantung jenis pekerjaan."

Interpretasi Koefisien Determinasi (R²)

Contoh narasi:

"Nilai Adjusted R Square sebesar 0,568 menunjukkan bahwa variabel motivasi kerja, kompensasi, dan lingkungan kerja secara bersama-sama mampu menjelaskan sebesar 56,8% variasi kinerja karyawan pada PT Maju Bersama. Adapun sisanya sebesar 43,2% dijelaskan oleh variabel-variabel lain yang tidak dimasukkan dalam model penelitian ini, seperti gaya kepemimpinan, budaya organisasi, atau kompetensi individu karyawan. Nilai Adjusted R² ini tergolong sedang hingga cukup tinggi untuk penelitian di bidang perilaku organisasi, yang pada umumnya memiliki nilai R² antara 0,30 hingga 0,60 (Hair et al., 2019)."

Kesalahan Umum dalam Pembahasan Regresi Berganda dan Cara Menghindarinya

Setelah mengamati ratusan naskah skripsi dan tesis, ada pola kesalahan yang berulang. Mengetahui kesalahan ini bisa menyelamatkan kamu dari pertanyaan tajam di meja sidang.

Kesalahan #1: Hanya menyalin angka tanpa narasi penjelasan Menulis "B = 0,412, Sig. = 0,001" di teks tanpa penjelasan apa pun bukan pembahasan—itu hanya rekapitulasi tabel. Pembahasan yang baik selalu terdiri dari tiga lapisan: pelaporan angka → interpretasi statistik → kaitan dengan teori/penelitian terdahulu.

Kesalahan #2: Mengklaim hubungan kausalitas mutlak Regresi berganda mengukur pengaruh statistik (asosiasi yang memiliki arah), bukan membuktikan sebab-akibat eksperimental. Hindari kalimat seperti "motivasi kerja menyebabkan kinerja meningkat"—ganti dengan "motivasi kerja berpengaruh positif dan signifikan terhadap kinerja karyawan."

Kesalahan #3: Melompati uji asumsi klasik Ini adalah kesalahan yang paling sering ditangkap penguji. Jika kamu tidak dapat menunjukkan bahwa asumsi klasik terpenuhi, seluruh hasil regresimu dapat dipertanyakan validitasnya.

Kesalahan #4: Salah menginterpretasikan R² R² = 0,568 bukan berarti "penelitian berhasil 56,8%." R² adalah proporsi variansi Y yang dapat dijelaskan oleh variabel-variabel X dalam model. Ini adalah ukuran kekuatan model, bukan ukuran keberhasilan penelitian.

Kesalahan #5: Tidak mengaitkan hasil dengan teori Pembahasan yang hanya berisi angka statistik tanpa mengacu pada teori atau penelitian terdahulu terasa "mengambang" dan biasanya mendapat catatan keras dari penguji. Setiap hasil uji parsial seharusnya diikuti dengan penjelasan mengapa hasil tersebut masuk akal (atau tidak masuk akal) secara teoritis.

Kesalahan #6: Nilai Sig. 0,000 ditulis sebagai "signifikansi sempurna" Seperti yang sudah dijelaskan sebelumnya, Sig. 0,000 harus ditulis sebagai "p < 0,001" dalam narasi.

✅ Checklist Mandiri Sebelum Menyerahkan Bab 4 ke Pembimbing:

• Uji asumsi klasik sudah dilaporkan dengan nilai numeriknya
• Persamaan regresi ditulis dalam format matematis dan diinterpretasikan secara verbal
• Uji F dibahas (simultan) dan dikaitkan dengan kelayakan model
• Setiap variabel X dibahas secara parsial (termasuk yang tidak signifikan)
• Adjusted R² dilaporkan dan diinterpretasikan dengan benar
• Setiap hasil dikaitkan dengan minimal satu teori atau penelitian terdahulu
• Tidak ada klaim kausalitas mutlak yang tidak didukung desain eksperimen

Cara Mempercepat Analisis dan Pembahasan Regresi dengan Bantuan AI

Tantangan terbesar yang dihadapi mahasiswa bukan sekadar "tidak tahu cara menggunakan SPSS"—melainkan tidak tahu cara mengubah output angka menjadi narasi akademis yang koheren. Proses ini bisa memakan waktu berhari-hari, terutama ketika kamu juga harus mengaitkan hasil dengan puluhan referensi teori. Apalagi jika kamu sedang mengerjakan tesis S2 atau S3 dengan jumlah variabel yang lebih kompleks, seperti model yang melibatkan mediasi atau moderasi—yang lebih cocok dianalisis dengan pendekatan seperti panduan analisis SEM-PLS untuk skripsi.

Dari Output SPSS ke Narasi Akademik dalam Hitungan Menit

Di sinilah Risos AI bisa menjadi teman kerja yang sangat berguna. Fitur analisis data kuantitatif Risos AI dirancang untuk membantu mahasiswa tidak sekadar "menjalankan uji statistik," tetapi juga menghasilkan narasi interpretasi yang terstruktur dan akademis—mencakup uji asumsi klasik, pembahasan uji F, uji t parsial, hingga interpretasi R². Kamu tidak perlu lagi staring kosong ke layar selama berjam-jam mencari kalimat yang tepat.

Writing Studio Risos AI juga dilengkapi fitur inline assist yang bisa membantu memperkuat kalimat pembahasan agar lebih akademis, konsisten dengan gaya penulisan ilmiah, dan tidak terasa kaku. Ini sangat berguna saat kamu perlu menghubungkan hasil statistik dengan teori—bagian yang paling sering menjadi "hambatan tulis" bagi banyak mahasiswa. Untuk gambaran lebih lengkap tentang struktur penulisan yang benar, kamu juga bisa membaca cara menulis Bab 4 skripsi kuantitatif.

Persiapan Sidang Lebih Percaya Diri dengan Defense Scan

Fitur Defense Scan Risos AI adalah fitur unik yang mendeteksi potensi kelemahan argumentasi dalam naskahmu sebelum kamu duduk di depan penguji. Apakah ada klaim yang tidak didukung referensi? Apakah interpretasi R²-mu sudah benar? Apakah ada lompatan logika dalam pembahasanmu? Defense Scan membantu mengidentifikasi celah-celah ini sehingga kamu bisa masuk sidang dengan lebih percaya diri.

Jika kamu ingin mencoba, Risos AI tersedia dengan Trial Gratis 3 hari tanpa perlu kartu kredit—cukup daftar di risos.ai dan kamu sudah bisa mulai mengerjakan Bab 4. Paket Scholar Rp 99.000/bulan juga menjadi pilihan populer untuk mahasiswa aktif yang butuh akses penuh selama proses penyelesaian skripsi atau tesis.

Yang terpenting untuk selalu diingat: AI adalah co-pilot, bukan autopilot. Risos AI bisa mempercepat proses penulisan dan interpretasi, tetapi pemahaman konseptual tentang apa yang kamu teliti tetap sepenuhnya menjadi tanggung jawabmu sebagai peneliti.

Pembahasan hasil regresi berganda yang memuaskan penguji bukan soal seberapa banyak angka yang kamu tampilkan—melainkan seberapa baik kamu mampu menceritakan maknanya. Tiga lapisan wajib dalam setiap pembahasan adalah: pelaporan angka yang tepat, interpretasi statistik yang akurat, dan kaitan yang bermakna dengan teori serta penelitian terdahulu. Pastikan uji asumsi klasik selalu hadir sebelum hasil regresi, ingat bahwa variabel yang tidak signifikan pun memiliki nilai ilmiah yang perlu dibahas, dan jangan biarkan Sig. 0,000 membuatmu salah menulis narasi.

Dengan panduan di atas, kamu sudah memiliki kerangka yang cukup untuk menyelesaikan Bab 4 dengan percaya diri. Selamat mengerjakan!