- variabel bebas : yaitu variabel yang mempengaruhi atau disebut juga variabel independent
- variabel terikat : yaitu variabel yang dipengarui atau disebut juga variabel dependent
- contoh judul penelitian :
- pengaruh pemberian asi pada bayi terhadap kecerdasan anak. (dari judul ini, maka variabel bebas nya: pemberian asi, dan variabel terikatnya: kecerdasan anak)
- pengaruh gaya kepemimpinan dan tata ruang kantor terhadap efisiensi kerja di PT Rahmadi Putra (variabel bebasnya ada dua yaitu gaya kepemimpinan, dan tata ruang kantor, sedangkan variabel terikatnya: efisiensi kerja)
Jumlah variabel bebas (independen) umumnya tidak dibatasi harus satu, dua atau tiga. Tetapi hal tersebut disesuaikan dengan kemampuan peneliti. Semakin banyak variabel bebasnya, maka akan semakin rumit, baik proses penelitiannya maupun olah datanya. Untuk variabel terikat biasanya hanya satu. Sehingga persamaan regresi yang umum adalah sebagai berikut :
Y=a+bX
Y= variabel terikat
a= konstanta
b= koefisien regresi
X= variabel bebas
B. Data penelitian
Data penelitian secara umum dikelompokkan menjadi 4 tingkatan:
1. data nominal : data kategori, yaitu data angka yang hanya merupakan simbol saja. Misal data jenis kelamin, pria=1, wanita=2. angka 1 dan 2 bukan angka sebenarnya. Jadi tidak dapat disimpulkan bahwa wanita lebih baik dari pria atau sebaliknya. Contoh lain data agama, islam=1, nasrani=2, yahudi=3. bukan berarti agama yahudi yang terbaik. Ciri data nominal, data ini tidak bisa digunakan untuk perhitungan matematis. Jadi misal islam+nasrani=1+2=3 jadi yahudi, bukan seperti ini. Ini tidak berlaku pada data nominal.
2. data ordinal : data kategori, tetapi antara data satu dan yang lainnya memiliki perbedaan, misal peringkat kelas, peringkat 1 tentu lebih baik dari peringkat 2 dan peringkat 3 dan seterusnya. Data jenis ini juga tidak bisa digunakan untuk perhitungan matematis. Angka 1, 2, 3, dst adalah simbol, tetapi diketahui bahwa angka peringkat 1 tentu lebih baik. Faham? He he he Atau contoh lain data tentang kepuasan menggunakan produk (sangat puas, puas, tidak puas).
3. data interval : data berjarak, antar kategori dapat diketahui selisihnya. Data ini juga tidak dapat dibandingkan atau dijumlahkan. Duh, gimana ya njelasinnya… emmm contoh aja ya: misal data suhu air atau suhu apa lah (misal air A=100 derajat, air B=200 derajat, air C=0 derajat. Bukan berarti air B 2 kali lebih panas dari air A, bukan berarti air C tidak memiliki suhu). Contoh lain tentang hasil belajar (A nilainya 40, B= 70, C= 80, D=0. bukan berarti kepandaian A hanya setengahnya C. Juga bukan berarti D tidak punya pengetahuan sama sekali)
4. data rasio : data angka numerik, bisa dilakukan operasi matematika, merupakan data hasil pengukuran, dapat diketahui selisihnya, dapat dibandingkan. Misalnya lama pendidikan SD 6 tahun, SMP 3 tahun, SMA 3 tahun, Sarjana 4 tahun. Jadi lama nya sekolah SD adalah dua kali lamanya sekolah SMP. Contoh lain tentang tinggi siswa, tentang jumlah gaji, dan lain-lain.
itu saja sedikit pengantar pendukungnya, kenapa saya menjelaskan masalah diatas, karena penting untuk pengetahuan sebelum melakukan analisis regresi. Karena analisis regresi membutuhkan data dengan syarat-syarat tertentu, antara lain datanya harus normal, supaya data normal dapat diakali dengan memperbanyak jumlah sampel. Data bersifat interval atau rasio dan sebagainya.
Langsung saja misalnya kita melakukan penelitian tentang pengaruh tinggi badan terhadap jarak lompatan pada olah raga lompan jauh misalnya. Dari judul ini, kita ingin menguji apakan tinggi badan seseorang itu mempengaruhi jarak lompatan atau tidak.
Misalnya kita punya data tujuh Orang Mahasiswa, kita akan meng-entry data ketujuh mahasiswa tersebut seperti pada pengenalan olah data SPSS di artikel sebelumnya. untuk datanya misalnya ssb:
Sebagai tambahan, yang perlu disesuaikan hanya bagian “name” isikan nama variabel nya, disingkat saja lebih mudah, tetapi tidak boleh didahului dengan angka, misal 1a, 1b, 1c seperti itu tidak boleh. Harus huruf dulu, misal ada angka ya boleh, tapi tidak didepan, misalnya A1, A2, A3 seperti ini boleh. Contoh penelitian kita tadi kan variabelnya tinggi badan dan jarak lompatan, misal tinggi badan saya tulis TB, jarak lompatan saya tulis JL. Pada bagian “type” karena tinggi dan jarak adalah angka2 nanti datanya, maka saya pilih “numerik”. Kolom “decimal” digunakan untuk mengatur berapa angka dibelakang koma. Selanjutnya pada “label” anda boleh tulis lengkap nama variabelnya, misal “tinggi badan” dan “jarak lompatan” seperti ini tampilannya :
Kemudian entry datanya sehingga tampilanya menjadi seperti berikut:
Pilih ‘Analyze’-‘Regression’-‘Linier’ kemudian Klik. Sehingga muncul tampilan berikut. 
- perhatikan pada bagian yang saya kotaki saja, disana ada dua variabel yang tadi kita susun yaitu “tinggi badan [TB] dan jarak lompatan [JL]” klik tinggi badan, kemudian masukkan ke kolom dependent, caranya klik panah disamping kolom tersebut. Sehingga tampilan seperti berikut ini:
Kemudian klik “Statistik” untuk menampilkan ukuran statistik yang dibutuhkan. Beri tanda centang yang dipilih, congkreng yang anda inginkan.- Kemudian klik “continue” untuk kembali ke jendela sebelumnya. Setelah itu klik “plot” digunakan untuk menentukan grafik histogram dan normal plot.
- Masukkan DEPENDNT ke X, dan ZRESID ke Y, kemudian beri tanda centang pada histogram dan normal probability plot. Klik “continue”.
- Selanjutnya klik “OK” dan tunggu spss sedang memproses data anda.
Tabel descriptive statistic: menjelaskan bahwa yang dianalisis ada dua variabel, yaitu tinggi badan dan jarak lompatan. Juga disebutkan mean dan standar deviasi nya, N=7 berarti jumlah data yang kita olah ada 7 data/kasus.
- Tabel corelation: menunjukkan tingkat hubungan, tampilan ini sama persis ketika kita melakukan uji korelasi, tetapi pada uji korelasi biasanya ada keterangannya. Nah pembacaan tabel ini adalah disana terdapat “pearson correlation” berarti menggunakan korelasi pearson, kenapa otomatis begitu? Karena spss tahu jenis data nya rasio. Korelasi tinggi badan vs jarak lompatan = 0,971. (catatan: besarnya nilai korelasi antara -1 s/d +1). Sehingga angka 0,971 termasuk korelasi yang tinggi/signifikan. Pada “sig(1-tailed)” sebesar =0.000 ini dibandingkan dengan taraf signifikansi 5% = 0,05. jika sig(1-tailed) lebih kecil dari 0,05 maka terdapat korelasi yang signifikan. Sebaliknya jika angka sig(1-tailed) lebih besar dari 0,05 maka korelasi tidak signifikan. Hasil analisis diatas berarti ada korelasi yang signifikan.
- Tabel variable entered/removed. Menjelaskan apakah ada variabel yang di hapus atau dimasukkan ke analisis. Disana variable removed tidak ada, berarti tidak ada data yang dihapus, berarti semua variabel dianalisis begitu maksudnya.
- Tabel model summary: menjelaskan besarnya presentase pengaruh variabel bebas terhadap variabel terikat. Lihat pada R square=0,943 yang berarti variabel tinggi badan mempengaruhi sebesar 94,3% terhadap variabel jarak lompatan, sedangkan 5,7% (100%-94,3%) dipengaruhi oleh faktor lain.
- Pada tabel anova, dapat diketahui apakah var bebas dapat menjelaskan variasi var terikatnya. Berdasarkan angka F =82,841 dibandingkan dengan F tabel pada df pembilang=1, df penyebut=6 diperoleh angka 5,99 untuk 5%, dan 13,74 untuk 1%. Cara pengambilan keputusan, jika F hitung > F tabel, maka var bebas dapat menjelaskan variasi var terikat.
- Tabel coefisien: digunakan untuk membuat persamaan regresi. Dengan mengambil angka pada kolom B, pada constant= -7.087 dan tinggi badan=0,064 berarti persamaan regresi nya: Y = -7,087 + 0,064 X
- Output berikutnya hanya grafik saja, merupakan gambaran penyebaran data dalam bentuk grafik, tidak perlu saya lampirkan disini gambarnya.