Interpretasi Koefisien Model Regresi

Berdasar output di atas maka diperoleh persamaan regresi sebagai berikut:

Nilai = -179,043 + 2,28568 IQ + 0,304343 Motivasi + 3,03533 JamBelajar + e

Bila dalam artikel sebelumnya telah kita telah membahas bagaimana signifikansi pengaruh variabel IQ, Motivasi Belajar, dan Jam Belajar siswa terhadap Nilai ujian siswa, maka pada kali ini kita akan mencoba melakukan interpretasi terhadap koefisen-koefisien yang dihasilkan. Ada dua koefisien utama dalam persamaan regresi ini yaitu koeisien konstanta (intercept) dan koefisien regresi dari masing-masing variabel.

Melihat karakteristik residual (error term) yang dihasilkan juga perlu dilakukan. Hal ini berguna untuk mengetahui bagaimana besaran kontribusi variabel bebas terhadap variabel terikat. Lebih lanjut, dengan melihat karakteristik residual ini kita bisa menentukan keandalan dari persamaan regresi yang dihasilkan.

Sebelum melakukan interpretasi ada dua hal yang perlu diingat yaitu: pertama, regresi pada dasarnya dilakukan untuk memprediksi variabel terikat melalui perubahan variabel bebas; kedua, kita harus ingat sifat dasar setiap variabel yang digunakan, termasuk definisi operasional, satuan, dan skala pengukurannya. Hal ini penting untuk diperhatikan agar kita tidak salah dalam melakukan interpretasi.

Konstanta (intercept)

Besaran konstanta -179,043 menunjukkan ketika variabel IQ, Motivasi, dan Jam Belajar bernilai 0 (nol) maka hasil nilai ujian siswa sebesar -179,043. Nah, besaran nilai konstanta ini pada kenyataannya tidak masuk akal karena tidak mungkin nilai ujian bernilai negatif, kalaupun ada pengurangan nilai pada jawaban salah hasil akhirnya tidak sejauh itu. Dengan demikan nilai konstanta ini terkadang tidak mencerminkan keadaan sebenarnya karena tidak mungkin juga siswa mempunyai hasil tes IQ sebesar 0 atau tidak memiliki motivasi belajar sama sekali.

Koefisien Regresi Variabel IQ

Loading...

Koefisien regresi variabel IQ sebesar 2,28568 berarti ketika nilai tes IQ siswa naik sebesar 1 poin maka akan meningkatkan nilai ujian siswa sebesar 2,28568, dengan catatan variabel lain tidak berubah atau tetap.

Koefisien Regresi Variabel Motivasi

Koefisien regresi variabel Motivasi sebesar 0,304343 sehingga perubahan motivasi siswa secara positif akan mempengaruhi nilai ujian siswa. Secara matematis meningkatnya hasil pengukuran motivasi siswa sebesar 1 (satu) poin akan meningkatkan nilai ujian siswa sebesar 0,304343 asalkan variabel lainnya tidak berubah atau konstan. Namun, signifikansi dari pengaruh ini masih perlu dikaji lebih lanjut.

Koefisien Regresi Variabel Jam Belajar

Loading...

Koefisien regresi variabel Jam Belajar sebesar 3,03533 berati jam berlajar ini juga berpengaruh positif terhadap nilai ujian siswa. Peningkatan rata-rata belajar tiap hari selama 1 jam akan berkontribusi pada naiknya nilai ujian siswa sebesar 3,03533, dengan asumsi bahwa variabel lainnya tetap atau konstan.

Yang perlu kita lihat selanjutnya adalah apakah hasil persamaan regresi ini mampu mengestimasi nilai ujian dengan baik. Bila ingin memeriksa hal itu maka kita perlu tahu dulu apakah model regresi ini termasuk model regresi yang baik. Cara melihatnya adalah dengan memeriksa apakah model ini memenuhi persyaratan goodness of fit (GOF). Bila sudah memenuhi kriteria ini kita juga perlu memeriksa apakah asumsi-asumsi model regresi terpenuhi sehingga bisa dikatakan bahwa model tersebut tidak hanya good tetapi juga BLUE (best linier unbiased estimation).

Pembahasan GOF dan BLUE ini akan kita diskusikan di artikel selanjutnya. Namun bila Anda penasaran seberapa besar sih sebenarnya ketiga variabel independen di atas mempengaruhi Nilai ujian siswa? Jawabannya dapat kita ketahui dengan cepat melalui nilai R-Squared di atas yaitu sebesar 69,51%. Sehingga variabel lain di luar model tersebut berkontribusi sebesar 30,49%.

Mengapa bukan Adjusted R-Squared? Sebab penghitungan Ajdusted R-Squared dikebangkan untuk mengatasi kelemahan R-Squared dimana ketika ada variabel baru ditambahkan nilainya akan selalu meningkat, dengan Ajdusted R-Squared hal ini tidak terjadi, sehingga bila ada variabel baru yang ditambahkan nilai Ajdusted R-Squared tidak selalu meningkat, atau bisa jadi malah turun. Nah, fungsi Ajdusted R-Squared ini lebih pada untuk membandingkan model mana yang terbaik antara dua atau lebih model, dengan catatan jumlah variabel model yang diperbandingkan adalah sama.

One comment

Tinggalkan Balasan