R Square Adalah: Cara Membaca Koefisien Determinasi & Adjusted R²

R Square (Koefisien Determinasi) Adalah

R Square (R²), atau koefisien determinasi, adalah ukuran seberapa besar proporsi variasi variabel dependen (Y) yang bisa dijelaskan oleh variabel independen (X) dalam model regresi — nilainya berkisar 0 sampai 1 (atau 0%-100%).

R² biasanya muncul bersamaan dengan output regresi linear berganda atau regresi linear sederhana — memahami cara membacanya penting sebelum menyimpulkan seberapa baik model penelitianmu.

Cara Membaca

R² = 0,65 berarti 65% variasi Y dijelaskan oleh variabel independen dalam model, sisanya 35% dijelaskan faktor lain di luar model (termasuk error). Semakin tinggi R², semakin baik model menjelaskan variasi data — tapi R² tinggi tidak otomatis berarti model "benar" secara kausal, ia hanya mengukur kecocokan statistik.

Beda R² dan Adjusted R²

R² biasa selalu naik (atau minimal tetap) setiap kali variabel independen baru ditambahkan ke model, bahkan kalau variabel itu sebenarnya tidak relevan — sifat matematis ini membuat R² bisa menyesatkan saat membandingkan model dengan jumlah variabel berbeda. Adjusted R² mengoreksi ini dengan memperhitungkan jumlah variabel independen dan ukuran sampel, sehingga hanya naik kalau variabel baru benar-benar menambah daya jelas model secara proporsional.

Contoh perbandingan: model dengan 2 variabel independen menghasilkan R² = 0,60. Setelah menambahkan variabel ketiga yang sebenarnya tidak relevan, R² naik jadi 0,61 — kelihatan lebih baik. Tapi Adjusted R² justru turun dari 0,58 jadi 0,57, menandakan variabel ketiga itu tidak sepadan dengan "biaya" kompleksitas model tambahan.

Berapa Nilai yang Dianggap Baik?

Tidak ada ambang universal — sangat tergantung bidang ilmu. Di ilmu sosial/perilaku, R² di atas 0,25 kadang sudah dianggap cukup baik karena perilaku manusia dipengaruhi banyak faktor yang sulit seluruhnya masuk model; di ilmu fisik/teknik, R² di bawah 0,90 mungkin dianggap kurang memadai. Konteks bidang penelitianmu lebih menentukan daripada angka mutlak.

Kesalahan Umum

1. Menganggap R² tinggi membuktikan hubungan kausal. R² hanya mengukur kecocokan statistik, bukan bukti bahwa X benar-benar menyebabkan Y — kausalitas butuh desain penelitian yang mendukung, seperti penelitian eksperimen.
2. Membandingkan R² dari model dengan jumlah variabel berbeda tanpa memakai Adjusted R². Ini membuat model yang lebih kompleks selalu "menang" secara R² biasa, meski variabel tambahannya tidak relevan.
3. Menganggap R² rendah otomatis berarti model gagal/tidak berguna. Di ilmu sosial, R² 0,25-0,30 pada topik kompleks seperti perilaku konsumen bisa jadi sudah bermakna secara praktis, tergantung konvensi bidang tersebut.