Menilai Goodnes of Fit Suatu Model

Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari goodness of fit-
nya. Secara statistik, setidaknya ini dapat diukur dari nilai koefisien determinasi, nilai statistik F
dan nilai statistik t. Perhitungan statistik disebut signifikan secara statistik apabila nilai uji
statistiknya berada dalam daerah kritis (daerah dimana H0 ditolak). Sebaliknya disebut tidak
signifikan bila nilai uji statistiknya berada dalam daerah dimana H0 diterima.
a. Koefisien Determinasi
Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model
dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan
satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan
variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel
independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi
variabel dependen. Secara umum koefisien determinasi untuk data silang (cross section) relatif
rendah karena adanya variasi yang besar antara masing-masing pengamatan, sedangkan untuk data
runtun waktu (time series) biasanya mempunyai nilai koefisien determinasi yang tinggi.
Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah
variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen,
maka R2 pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan
terhadap variabel dependen. Oleh karena itu banyak peneliti menganjurkan untuk menggunakan
nilai adjusted R2 pada saat mengevaluasi mana model regresi terbaik. Tidak seperti R2, nilai
adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model.
Dalam kenyataan nilai adjusted R2 dapat bernilai negatif, walaupun yang dikehendaki
harus bernilai positif. Menurut Gujarati (2003) jika dalam uji empiris didapat nilai adjusted R 2
negatif, maka nilai adjusted R2 dianggap bernilai nol. Secara matematis jika nilai R2 = 1, maka
adjusted R2 = R2 = 1 sedangkan jika nilai R2 = 0, maka adjusted R2= (1 - k)/(n - k). Jika k > 1,
maka adjusted R2 akan bernilai negatif.
b. Uji Signifikansi Keseluruhan dari Regresi Sample (Uji Statistik F)
Tidak seperti uji t yang menguji signifikansi koefisien parsial regresi secara individu
dengan uji hipotesis terpisah bahwa setiap saat koefisien regresi secara individu dengan uji
hipotesis terpisah bahwa setiap koefisien regresi sama dengan nol. Uji F menguji joint hipotesa
bahwa b1, b2, dan b3 secara bersama-sama sama dengan nol atau :
H0 : b1 = b2 = ...... = bk = 0
HA : b1 ≠ b2 ≠ ...... ≠ bk ≠ 0
Uji hipotesis seperti ini dinamakan uji signifikansi secara keseluruhan terhadap garis
regresi yang diobservasi maupun estimasi, apakah Y berhubungan linear terhadap X1, X2, dan
X3. Apakah joint hipotesis dapat diuji dengan signifikasi b1, b2, dan b3 secara individu.
Jawabannya tidak. Alasannya dalam uji signifikansi individu terhadap parsial koefisien regresi
diasumsikan bahwa setiap uji signifikansi berdasarkan sample (independen) yang berbeda. Jadi
menguji signifikansi b2 dengan hipotesis b2=0 diasumsikan pengujian ini berdasarkan sample
yang berbeda ketika kita akan menguji b3 dengan hipotesis b3=0. Sementara itu ketika kita
menguji joint hipotesis dengan sample yang sama akan menyalahi asumsi prosedur pengujian.
Untuk menguji hipotesis ini digunakan statistik F dengan kriteria pengambilan keputusan
sebagai berikut:
 Quick look: bila nilai F lebih besar daripada 4 maka H0 dapat ditolak pada derajat
kepercayaan 5%., Dengan kata lain kita menerima hipotesis alternatif, yang menyatakan
bahwa semua variabel independen secara serentak dan signifikan mempengaruhi variabel
dependen.
 Membandingkan nilai F hasil perhitungan dengan nilai F menurut tabel. Bila nilai F hitung
lebih besar dari nilai F tabel, maka H0 ditolak dan H1 diterima.
c. Uji Signifikansi Paramater Individual (Uji Statistik t)
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel
penjelas/independen secara individual dalam menerangkan variasi variabel dependen. Hipotesis
nol (H0) yang hendak diuji adalah apakah suatu parameter (bi) sama dengan nol, atau :
H0 : bi = 0
Artinya apakah suatu variabel independen bukan merupakan penjelas yang signifikan
terhadap variabel dependen. Hipotesis alternatifnya (H1) parameter suatu variabel tidak sama
dengan nol, atau:
HA : bi≠ 0
Artinya, variabel tersebut merupakan penjelas yang signifikan terhadap variabel dependen.
Cara melakukan uji t adalah sebagai berikut:
 Quick look: bila jumlah degree of freedom (df) adalah 20 atau lebih, dan derajat
kepercayaan sebesar 5%, maka H0 yang menyatakan bi = 0 dapat ditolak bila nilai t lebih
besar dari 2 (dalam nilai absolut). Dengan kata lain kita menerima hipotesis alternatif, yang
menyatakan bahwa suatu variabel independen secara individual mempengaruhi variabel
dependen.
 Membandingkan nilai statistik t dengan titik kritis menurut tabel. Apabila nilai statistik t
hasil perhitungan lebih tinggi dibandingkan nilai t tabel, kita menerima hipotesis alternatif
yang menyatakan bahwa suatu variabel independen secara individual mempengaruhi
variabel dependen.
Kasus:
Seorang peneliti ingin meneliti apakah Kinerja Karyawan (Y) dipengaruhi oleh variabel Struktur
Organisasi (X1), Budaya Organisasi (X2) dan Kepemimpinan (X3). Hubungan antar variabel dapat
digambarkan dalam model berikut:
 X1

X2 X2

X3

Kasus tersebut secara matematis dapat ditulis:

Y = b0 + b1X1 + b2X2 + b3X3 + e
Langkah-Langkah:
1. Masukkan data X1, X2, X3 dan Y yang terdapat pada lampiran.
2. Pilih menu Analize kemudian submenu Regression, lalu pilih Linear.

3. Tampak di layar menu Linear Regression

  Pada kotak Dependent isikan variabel Y
 Pada kotak Independent isikan variabel X1, X2 dan X3
 Pada kotak Method pilih Enter
 Abaikan yang lain lalu pilih Ok

4. Hasil output
Regression
Variables Entered/Removedb
Model Variables Variables
Entered Removed Method
d

X3, X1, X2a

i

1 . Enter
m
e
n
s
i
o
n
0

a. All requested variables entered.

b. Dependent Variable: Y

Dari tabel Variables Entered/Removed diketahui bahwa semua variabel masuk dalam
penghitungan, tidak ada variabel yang dikeluarkan atau tidak dimasukkan dalam
penghitungan

Model Summary
Model Adjusted R Std. Error of the
R R Square Square Estimate
d

a
i

1 ,710 ,504 ,474 1,319

m
e
n
s
i
o
n
0

a. Predictors: (Constant), X3, X1, X2

Dari tabel Model Summary besarnya adjusted R2 adalah 0,474. Hal ini berarti 47,4%
variasi variabel dependen (Y) dapat dijelaskan oleh variasi dari ketiga variabel
independen (X1,X2,X3) sedangkan sisanya dijelaskan oleh sebab-sebab lain di luar
model.
Uji Signifikansi Simultan (Uji F)
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 88,275 3 29,425 16,925 ,000a
Residual 86,929 50 1,739
Total 175,204 53
a. Predictors: (Constant), X3, X1, X2
b. Dependent Variable: Y

Dari uji ANOVA atau Uji F diperoleh nilai F hitung sebesar 16,925 dengan signifikansi
0,000. Nilai signifikansi yang dipersyaratkan diterima adalah lebih kecil dari 0,05.
Karena 0,000 < 0,05, maka dapat dikatakan bahwa variabel X1, X2 dan X3 secara
bersama-sama (simultan) berpengaruh terhadap variabel Y.
Uji Signifikansi Parsial (Uji t)
Coefficientsa
Model Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
1 (Constant) 8,910 2,218 4,017 ,000
X1 ,016 ,202 ,015 ,080 ,937
X2 ,498 ,196 ,505 2,537 ,014
X3 ,342 ,143 ,284 2,387 ,021
a. Dependent Variable: Y

Pada tabel Coefficients dapat dilihat apakah hasil penghitungan memberikan nilai yang
signifikan atau tidak signifikan dengan persyaratan nilai signifikansi yang diterima
adalah lebih kecil dari 0,05. Dari kolom signifikansi dapat diperoleh informasi bahwa
variabel X1 memberikan hasil yang tidak signifikan (0,937 > 0,05), variabel X2
memberikan hasil yang signifikan (0,014 < 0,05) dan variabel X3 memberikan hasil yang
signifikan (0,021 < 0,05). Dengan demikian dapat disimpulkan bahwa kinerja karyawan
(Y) dipengaruhi oleh budaya organisasi (X2) dan kepemimpinan (X3).
Untuk menginterpretasikan koefisien variabel bebas (independen) dapat menggunakan
unstandardized coefficients maupun standardized coefficients.
Standardized Beta Coefficients
Apabila masing-masing koefisien variabel independen distandarisasi terlebih dahulu,
maka akan diperoleh koefisien yang tidak ada konstantanya karena garis regresi
melewati titik pusat (titik origin). Standardized beta dapat digunakan untuk
mengeliminasi ukuran unit (kg, cm, liter, dsb.) yang berbeda dari masing-masing
variabel independen. dengan persamaan matematis:
Y = 0,15X1 + 0,505X3 + 0,284X3
Unstandardized Beta Coefficients
Unstandardized beta dapat digunakan bila data yang digunakan adalah berskala rasio
murni, dan memiliki nilai nol mutlak. Selain itu Unstandardized beta dapat digunakan
bila satuan pengukuran adalah sama, misalnya semua dalam Rupiah (Rp), liter, cm dan
berbagai satuan lainnya.