MAKALAH ANALISIS REGRESI

UKURAN PENILAIAN KEMAMPUAN / KESESUAIAN MODEL :

R-SQUARE (R2)

KELOMPOK 4 :

ACHMAD SYAIFUL MUTAQIN ( 11.6505)

DIDCY MAI HENDRI (11.6616)
HANIN RAHMA SEPTINA (11.6687)
KIKY CLAUDIA NAWAJI (11.6746)
NIA RATRI ARUM SARI (11.6814)
RETNO SARI MUMPUNI (11.6859)
YUNITA KRISTY (11.6971)

SEKOLAH TINGGI ILMU STATISTIK

TAHUN 2013-2014

UKURAN PENILAIAN KEMAMPUAN / KESESUAIAN MODEL :

R-SQUARE (R2)
1. PENGERTIAN KORELASI (R) DAN KOEFISIEN DETERMINASI (R2)

1.1. Korelasi
Pembahasan mengenai keeratan hubungan yang diukur dari besarnya korelasi. Besarnya
korelasi dapat diukur dengan koefisien korelasi dengan simbol r untuk hubungan linier sederhana
dan indeks korelasi dengan simbol R untuk hubungan bukan linier sederhana. Koefisien korelasi r
dipakai hanya untuk menyatakan keeratan hubungan yang bersifat linier sederhana, sedangkan
indeks korelasi R untuk menyatakan keeratan hubungan dari bentuk-bentuk linier berganda dan
bentuk non linier. Indeks korelasi R sering disebut juga koefisien korelasi berganda. Selain
koefisien korelasi sederhana r, dan indeks korelasi R, terdapat juga modifikasi atau fraksi dari R,
yang disebut dengan koefisien korelasi parsial, korelasi rank, korelasi serial, dan korelasi biserial,
korelasi kotingensi, dan korelasi kanonikal. Apabila r dan R, jika dikuadratkan akan memberikan
suatu nilai tertentu yaitu r2 atau R2 yang kadang-kadang nilai r2 atau R2 keduanya diberi simbol
yang sama yaitu R2

Kedua nilai R2 disebut koefisien determinasi atau koefisien penentu atau indeks penentu.
Selanjutnya, mengenai korelasi dan modifikasinya akan dibicarakan tersendiri setelah pembahasan
regresi. Perlu ditekankan lebih luas bahwa hubungan dapat dibuat regresinya, demikian pula, tidak
semua variabel atau gejala-gejala alam dapat dicari korelasinya. Oleh karena itu, agar lebih berhati-
hati dalam menggunakan alat statistika ini dalam penarikan kesimpulan, lebih-lebih membuat suatu
keputusan yang lebih jauh. Akan tetapi, yang jelas bahwa kedua alat ukur tersebut di atas dapat
memberikan sumbangan atau pandangan yang lebih jauh terhadap masalah yang dihadapi, karena
terutama analisis regresi mempunyai prediksi yang menyakinkan apabila diuji dengan tingkat
kepercayaan yang tinggi.

1.2. R Square (R2)

Sering disebut dengan koefisien determinasi, diartikan sebagai seberapa besar kemampuan
semua variabel bebas dalam menjelaskan varians dari variabel terikatnya. Secara sederhana
koefisien determinasi dihitung dengan mengkuadratkan Koefisien Korelasi (R). Sebagai contoh,
jika nilai R adalah sebesar 0,80 maka koefisien determinasi (R Square) adalah sebesar 0,80 x 0,80 =
0,64. Berarti kemampuan variabel bebas dalam menjelaskan varians dari variabel terikatnya adalah
sebesar 64,0%. Berarti terdapat 36% (100%-64%) varians variabel terikat yang dijelaskan oleh
faktor lain. Berdasarkan interpretasi tersebut, maka tampak bahwa nilai R Square adalah antara 0
sampai dengan 1.

Penggunakan R Square (R Kuadrat) sering menimbulkan permasalahan, yaitu bahwa

nilainya akan selalu meningkat dengan adanya penambahan variabel bebas dalam suatu model. Hal
ini akan menimbulkan bias, karena jika ingin memperoleh model dengan R tinggi, seorang
penelitian dapat dengan sembarangan menambahkan variabel bebas dan nilai R akan meningkat,
tidak tergantung apakah variabel bebas tambahan itu berhubungan dengan variabel terikat atau
tidak.
1.3. Adjusted R Square

Karena adanya kelemahan dalam perhitungan R 2, banyak peneliti yang menyarankan untuk
menggunakan Adjusted R Square. Interpretasinya sama dengan R Square, akan tetapi nilai Adjusted
R Square dapat naik atau turun dengan adanya penambahan variabel baru, tergantung dari korelasi
antara variabel bebas tambahan tersebut dengan variabel terikatnya. Nilai Adjusted R Square dapat
bernilai negatif, sehingga jika nilainya negatif, maka nilai tersebut dianggap 0, atau variabel bebas
sama sekali tidak mampu menjelaskan varians dari variabel terikatnya.

Suatu sifat penting R2 adalah nilainya merupakan fungsi yang tidak pernah menurun dari
banyaknya variabel bebas yang ada dalam model. Oleh karenanya, untuk membandingkan dua
R2 dari dua model, orang harus memperhitungkan banyaknya variabel bebas yang ada dalam
model. Ini dapat dilakukan dengan menggunakan adjusted R square. Istilah penyesuaian berarti
nilai R2 sudah disesuaikan dengan banyaknya variabel (derajat bebas) dalam model. Memang,
R2 yang disesuaikan ini juga akan meningkat bersamaan meningkatnya jumlah variabel, tetapi
peningkatannya relatif kecil. Seringkali juga disarankan, jika variabel bebas lebih dari dua,
sebaiknya menggunakan adjusted R square.
2. RUMUS KOEFISIEN DETERMINASI (R2)

Koefisien Determinasi (R2)

Mengukur proporsi keragaman total dari nilai observasi Y di sekitar rataannya yang dapat
diterangkan oleh garis regresinya atau variabel bebas yg digunakan.

2 SSR SSE
R= =1
SST SST

atau
n

JK Regresi (Y Y )
i
2

R2 i 1
n
JK Total
(Y
i 1
i Y )2
3. KETERBATASAN R2

Dalam kasus tertentu, R2 tidak dapat menunjukkan apakah koefisien dan prediksi bias. Itulah
sebabnya mengapa kita harus menilai plot residual. R2 tidak menunjukkan apakah model regresi itu
sesuai. Kita dapat memilih nilai R 2 yang rendah atau tinggi untuk model yang tidak sesuai dengan
data.

Sebagaimana yang kita ketahui bahwa tidak ada ukuran tunggal yang mampu
menggambarkan kegunaan model regresi untuk aplikasi yang berbeda. Namun, koefisien
determinasi digunakan secara luas. Sayangnya, banyak terjadi kesalahpahaman yang serius. Tiga
kesalahpahaman yang umum terjadi :

Kesalahpahaman 1. Sebuah koefisien determinasi yang tinggi menunjukkan bahwa penduga dapat
diprediksi. Ini tidak selalu benar. Dalam Perusahaan Toluca[1] misalnya, kita melihat bahwa
koefisien determinasi tinggi (R2 = 0,82). Namun 90 persen penduga interval untuk bagian
berikutnya, terdiri dari 100 unit, masih melebar (332 hingga 507 jam) dan tidak cukup tepat untuk
mengatur jadwal pekerja dengan efektif.

Kesalahpahaman 2. Sebuah koefisien determinasi yang tinggi menunjukkan bahwa garis regresi
penduga cocok. Sekali lagi, ini tidak selalu benar. Gambar a menunjukkan scatter plot di mana
koefisien determinasi tinggi (R2 = 0.69). Namun fungsi regresi linier tidak akan cocok karena
hubungan regresi adalah lengkung.

Kesalahpahaman 3. Sebuah koefisien determinasi mendekati nol menunjukkan bahwa X dan Y

tidak berhubungan. Ini juga belum tentu benar. Gambar b menunjukkan scatter plot di mana
koefisien determinasi antara X dan Y (R2) adalah 0.02. Namun X dan Y adalah terkait kuat
meskipun hubungan antara kedua variabel lengkung.

Kesalahpahaman 1 muncul karena R2 hanya mengukur pengurangan relatif dari SSTO dan
tidak memberikan informasi tentang presisi mutlak untuk memperkirakan respon rata-rata atau
memprediksi pengamatan baru. Kesalahpahaman 2 dan 3 muncul karena R2 mengukur derajat
hubungan linier antara X dan Y, sedangkan hubungan regresi yang sebenarnya mungkin menjadi
lengkung.
4. CONTOH SOAL

Contoh 1:

Berikut ini data hubungan antara umur mobil dan harga jualnya :

Car Age (years) Price($100)

X Y
5 85
4 103
6 70
5 82
5 89
5 98
6 66
6 95
2 169
7 70
7 48
58 975
Sumber : Fiktif

Dari data di atas, hitung nilai R2 nya.

Jawab :

Car Age
Price ($100)
(Thn) XY X2 Y2
Y
X
5 85 425 25 7.225
4 103 412 16 10.609
6 70 420 36 4.900
5 82 410 25 6.724
5 89 445 25 7.921
5 98 490 25 9.604
6 66 396 36 4.356
6 95 570 36 9.025
2 169 338 4 28.561
7 70 490 49 4.900
7 48 336 49 2.304
58 975 4.732 326 96.129
Interpretasi :

Nilai R2 = 0,853 menjelaskan bahwa variabel X (umur mobil) mempengaruhi variabel Y (harga
mobil) sebesar 0,853 atau 85,30%.
Contoh 2 :

Berikut data jumlah barang (X) dan harga barang (Y) di suatu mall.

X (potong) Y (ribu)

3 40

10 35

11 30

15 32

22 19

22 26

23 24

28 22

28 18

35 6

197 252
Jawab :

Dari perhitungan regresi, maka di peroleh : Y =0.94X + 43.7

X Y Yr (Yr Y) (Yr Y)2 (Y - Y ) (Y - Y )2

3 40 40.88 .88 .77 14.8 219.04

10 35 34.30 -.70 .49 9.8 96.04

11 30 33.36 3.36 11.29 4.8 23.04

15 32 29.60 -2.40 5.76 6.8 46.24

22 19 23.02 4.02 16.16 -6.2 38.44

22 26 23.02 -2.98 8.88 .8 .64

23 24 22.08 -1.92 3.69 -1.2 1.44

28 22 17.38 -4.62 21.34 -3.2 10.24

28 18 17.38 -.62 .38 -7.2 51.84

35 6 10.80 4.8 23.04 -19.2 368.65

Mean: 25.2 SSE: 91.81 SST: 855.60

SSE
R2 = 1 SST

91.81
=1 855.60

= 0.89

Interpretasi :

Dari hasil perhitungan di atas, diperoleh nilai R2 = 0,89 menjelaskan bahwa jumlah barang
mempengaruhi harga jual barang tsb sebesar 0,89 atau 89 %.