Koefisien determinasi (R²) adalah ukuran seberapa besar variasi variabel terikat yang dapat dijelaskan oleh variabel-variabel bebas dalam model regresi. Nilainya berkisar antara 0 dan 1. R² = 0,40 berarti model menjelaskan 40% variasi variabel terikat.
Angka ini hampir selalu muncul di Bab 4 skripsi dan tesis kuantitatif, tetapi sering ditafsirkan berlebihan. Artikel ini menjelaskan arti R², perbedaannya dengan Adjusted R², cara membaca output SPSS, patokan nilainya, dan cara menghitung sumbangan efektif setiap variabel.
Artikel ini bagian dari seri Materi Statistik IDTesis. Jika Anda belum familier dengan regresi, baca dulu analisis regresi.
Apa Arti Koefisien Determinasi?
Kinerja 100 karyawan pasti berbeda-beda. Ada yang tinggi, ada yang rendah. Pertanyaannya: seberapa banyak dari perbedaan itu yang bisa dijelaskan oleh perbedaan motivasi, kompensasi, dan lingkungan kerja mereka? Jawabannya adalah R².
Pada contoh di atas, R² = 0,403. Artinya, 40,3% variasi kinerja dapat dijelaskan oleh ketiga variabel bebas. Sisanya, 59,7%, berasal dari hal lain di luar model: variabel yang tidak diteliti, kesalahan pengukuran, dan variasi acak.
Perhatikan kata “dijelaskan”. R² menunjukkan seberapa baik model cocok dengan data, bukan bukti sebab-akibat. Perbedaan ini dibahas di artikel regresi vs korelasi.
Rumus Koefisien Determinasi
R² dihitung dari tabel ANOVA regresi:
R² = Jumlah Kuadrat Regresi / Jumlah Kuadrat Total = 1 ? (Jumlah Kuadrat Residual / Jumlah Kuadrat Total)
Jumlah kuadrat total mengukur seluruh variasi Y. Jumlah kuadrat regresi adalah bagian yang dijelaskan model, sedangkan jumlah kuadrat residual adalah bagian yang tidak dijelaskan. Angka di bawah berasal dari data ilustrasi yang sama dengan artikel uji t dan uji F ?.
| Sumber | Jumlah kuadrat | df |
|---|---|---|
| Regression | 1.391,835 | 3 |
| Residual | 2.063,165 | 96 |
| Total | 3.455,000 | 99 |
R² = 1.391,835 / 3.455,000 = 0,403.
Pada regresi linier sederhana (satu variabel bebas), R² sama dengan kuadrat korelasi Pearson. Misalnya, korelasi Motivasi dengan Kinerja r = 0,594, sehingga jika Motivasi diregresikan sendirian, R² = 0,594² = 0,353.
Membaca Output Model Summary di SPSS
Nilai R² ada di tabel Model Summary, yang muncul otomatis saat Anda menjalankan Analyze ? Regression ? Linear.
| Kolom | Nilai | Artinya |
|---|---|---|
| R | 0,635 | Korelasi antara nilai aktual dan nilai prediksi Y; akar dari R² |
| R Square | 0,403 | Koefisien determinasi |
| Adjusted R Square | 0,384 | R² yang disesuaikan dengan jumlah variabel bebas dan sampel |
| Std. Error of the Estimate | 4,636 | Rata-rata besar kesalahan prediksi, dalam satuan Y |
Std. Error of the Estimate sering dilewatkan, padahal berguna. Pada contoh, prediksi kinerja rata-rata meleset sekitar 4,6 poin dari nilai aktual, pada skala kinerja yang rata-ratanya 35,3.
Adjusted R²: Mengapa Perlu?
R² punya satu kelemahan: nilainya tidak pernah turun ketika variabel bebas ditambahkan, bahkan jika variabel itu tidak ada hubungannya dengan Y. Adjusted R² memperbaikinya dengan memberi “hukuman” untuk setiap variabel tambahan:
Adjusted R² = 1 ? (1 ? R²) × (n ? 1) / (n ? k ? 1)
dengan n adalah jumlah sampel dan k jumlah variabel bebas. Pada contoh: 1 ? (1 ? 0,403) × 99/96 = 0,384.
Untuk melihat bedanya, kami menambahkan lima variabel berisi angka acak ke model yang sama:
| Model | Jumlah variabel bebas | R² | Adjusted R² |
|---|---|---|---|
| Motivasi, Kompensasi, Lingkungan Kerja | 3 | 0,403 | 0,384 |
| Ditambah 5 variabel acak | 8 | 0,417 | 0,366 |
R² naik, seolah-olah model membaik, padahal kelima variabel tambahan hanyalah angka acak dan tidak satu pun signifikan. Adjusted R² justru turun, sehingga lebih jujur menggambarkan kualitas model. Karena itu, Adjusted R² dipakai ketika membandingkan model dengan jumlah variabel bebas yang berbeda.
Berapa Nilai R² yang Baik?
Tidak ada satu patokan untuk semua bidang. Untuk penelitian perilaku, patokan yang sering dirujuk diturunkan dari Cohen (1988): R² sekitar 0,02 tergolong kecil, 0,13 sedang, dan 0,26 besar. Dengan patokan ini, R² = 0,403 pada contoh sudah tergolong besar.
Konteks penelitian sangat menentukan:
- Data kuesioner tentang perilaku manusia jarang menghasilkan R² sangat tinggi, karena perilaku dipengaruhi banyak hal.
- Data runtun waktu ekonomi sering menghasilkan R² di atas 0,9. Angka setinggi itu perlu diwaspadai, karena dua variabel yang sama-sama naik mengikuti waktu bisa tampak berhubungan kuat padahal tidak (Granger & Newbold, 1974). Periksa juga uji autokorelasi ?.
- SEM PLS memakai patokan R² yang berbeda. Penjelasannya ada di artikel R Square, f Square, dan Q Square ?.
R² yang rendah tidak berarti penelitian gagal. Jika tujuan penelitian adalah menguji pengaruh variabel tertentu, yang utama adalah hasil uji hipotesisnya. R² menunjukkan bahwa masih ada faktor lain yang bisa diteliti selanjutnya.
Sumbangan Efektif dan Sumbangan Relatif
Banyak skripsi diminta menjelaskan “berapa persen sumbangan setiap variabel” terhadap R². Caranya memakai koefisien Beta (Standardized Coefficients) dari tabel Coefficients dan korelasi setiap variabel bebas dengan Y:
- Sumbangan efektif (SE) = Beta × r × 100%. Jumlah SE semua variabel sama dengan R².
- Sumbangan relatif (SR) = SE / R². Jumlah SR semua variabel sama dengan 100%.
| Variabel | Beta | r dengan Kinerja | Sumbangan efektif | Sumbangan relatif |
|---|---|---|---|---|
| Motivasi | 0,466 | 0,594 | 27,7% | 68,7% |
| Kompensasi | 0,235 | 0,426 | 10,0% | 24,8% |
| Lingkungan Kerja | 0,092 | 0,281 | 2,6% | 6,5% |
| Total | 40,3% | 100% |
Ukuran ini dikenal dalam literatur sebagai ukuran Pratt (Thomas dkk., 1998). Ada dua hal yang perlu diingat:
- Variabel yang tidak signifikan tidak perlu ditafsirkan sumbangannya. Pada contoh, Lingkungan Kerja tidak signifikan (p = 0,284), sehingga angka 2,6% sebaiknya tidak disebut sebagai “pengaruh”.
- Sumbangan bisa bernilai negatif jika tanda Beta berbeda dengan tanda korelasinya. Hal ini biasanya terjadi karena multikolinearitas ? atau efek penekan (suppressor). Dalam kondisi itu, sumbangan efektif tidak bisa ditafsirkan sebagai persentase.
Menghitung dan menafsirkan sumbangan efektif sering membingungkan, apalagi jika ada variabel yang tidak signifikan. Jika Anda butuh teman diskusi untuk membaca hasilnya, tim IDTesis bisa membantu.
Contoh Penulisan Koefisien Determinasi di Bab 4
Nilai koefisien determinasi (R²) sebesar 0,403 dengan Adjusted R² sebesar 0,384. Artinya, motivasi, kompensasi, dan lingkungan kerja secara bersama-sama menjelaskan 40,3% variasi kinerja karyawan, sedangkan 59,7% sisanya dijelaskan oleh faktor lain di luar model penelitian ini. Sumbangan efektif terbesar berasal dari motivasi (27,7%), diikuti kompensasi (10,0%). Lingkungan kerja tidak dibahas sumbangannya karena tidak berpengaruh signifikan.
Angka di atas hanya contoh. Ganti dengan hasil analisis Anda sendiri.
Kesalahan yang Sering Terjadi
- Menyebut R² sebagai “besar pengaruh”. R² menunjukkan seberapa besar variasi yang dijelaskan, bukan bukti sebab-akibat.
- Menambah variabel hanya untuk menaikkan R². Seperti terlihat pada contoh, R² pasti naik walaupun variabel tambahannya tidak bermakna.
- Membandingkan R² dari model dengan variabel terikat berbeda, misalnya Y asli dan Y hasil transformasi data logaritma. Keduanya tidak bisa dibandingkan langsung.
- Mengira sisa R² sepenuhnya berasal dari “variabel lain”. Sebagian sisa itu juga berasal dari kesalahan pengukuran dan variasi acak.
Pertanyaan yang Sering Diajukan
Apa beda R, R², dan Adjusted R²?
R adalah korelasi antara nilai aktual dan nilai prediksi. R² adalah kuadratnya, yaitu proporsi variasi yang dijelaskan. Adjusted R² adalah R² yang sudah dikoreksi dengan jumlah variabel bebas dan ukuran sampel.
Mana yang dilaporkan, R² atau Adjusted R²?
Laporkan keduanya. Untuk regresi berganda, banyak pembimbing meminta Adjusted R² sebagai acuan utama, terutama jika jumlah variabel bebas cukup banyak dibanding sampel.
Bisakah Adjusted R² bernilai negatif?
Bisa, jika R² sangat kecil sementara jumlah variabel bebas banyak. Artinya model hampir tidak menjelaskan apa-apa. Dalam laporan, nilai negatif biasanya ditafsirkan sama dengan nol.
R² saya kecil, tetapi uji F signifikan. Apakah itu mungkin?
Mungkin, terutama pada sampel besar. Uji F menunjukkan bahwa model lebih baik daripada tanpa variabel bebas sama sekali, sedangkan R² menunjukkan seberapa banyak yang dijelaskan. Keduanya menjawab pertanyaan yang berbeda.
Apakah R² perlu diuji asumsi dulu?
R² bisa dihitung tanpa syarat, tetapi uji F dan uji t yang menyertainya baru bisa dipercaya jika model memenuhi uji asumsi klasik.
Butuh Teman Diskusi untuk Membaca Hasil Regresi?
Bingung menafsirkan R², Adjusted R², atau sumbangan efektif di Bab 4? Tim IDTesis bisa menemani Anda membaca output SPSS dengan teliti dan menuliskannya dengan bahasa yang tepat. Ceritakan dulu kondisinya lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Analisis Regresi · Uji t dan Uji F ? · Uji Asumsi Klasik
Referensi
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
- Granger, C. W. J., & Newbold, P. (1974). Spurious regressions in econometrics. Journal of Econometrics, 2(2), 111–120.
- Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill/Irwin.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
- Thomas, D. R., Hughes, E., & Zumbo, B. D. (1998). On variable importance in linear regression. Social Indicators Research, 45(1–3), 253–275.
