Pertemuan 15 · Bab 4 · Statistika 2 Satuan Kredit Semester · Program Studi Diploma Empat Manajemen Proyek Konstruksi

Regresi Linear Berganda

Pertemuan 14 menggunakan satu prediktor. Pertemuan 15 memperluas model menjadi dua atau lebih variabel prediktor untuk menjelaskan satu variabel hasil. Mahasiswa belajar membaca koefisien parsial, membedakan R² dan adjusted R², mengevaluasi uji F keseluruhan model, memeriksa multikolinearitas, serta membuat prediksi terbatas menggunakan IBM SPSS Statistics.

Beberapa Prediktor Koefisien Parsial Persamaan Model R² Adjusted R² Uji F Tolerance Faktor Inflasi Varians (Variance Inflation Factor) Residual Prediksi Terbatas IBM SPSS Statistics 340 menit Formatif 0%

Target Pertemuan 15: mahasiswa mampu membangun dan menginterpretasikan regresi linear berganda, membaca koefisien parsial, R² dan adjusted R², uji F, signifikansi setiap prediktor, serta mendeteksi multikolinearitas dasar dan membatasi prediksi sesuai konteks data.

Sinkronisasi Rencana Pembelajaran Semester

Kemampuan Akhir yang Direncanakan: Membangun dan menginterpretasikan regresi linear berganda.
Waktu: TM 100 + PT 120 + BM 120 = 340 menit
Penilaian: Formatif 0%
Referensi RPS: 1,4,5

Tujuan belajar Pertemuan 15

Pertemuan 15 mempunyai 4 tujuan utama. Materi tidak masuk ke stepwise regression, interaksi, regresi hierarkis, atau model nonlinier agar beban belajar tetap proporsional.

1
Menjelaskan konsep regresi dengan beberapa prediktor dan perbedaannya dari regresi sederhana. 2
Membentuk dan menginterpretasikan persamaan serta koefisien parsial. 3
Mengevaluasi R², adjusted R², uji F, dan multikolinearitas. 4
Menginterpretasikan output IBM SPSS Statistics dan membuat prediksi terbatas.

Prinsip utama: koefisien setiap prediktor dibaca sebagai hubungan dengan variabel hasil ketika prediktor lain di dalam model dipertahankan konstan secara statistik. Ini tidak otomatis berarti hubungan kausal.

Cara belajar Pertemuan 15 agar tetap ringan

Tentukan satu hasil. Apa variabel yang ingin dijelaskan atau diprediksi?

Pilih prediktor secara substantif. Jangan memasukkan variabel hanya karena tersedia.

Baca model keseluruhan. Periksa R², adjusted R², dan uji F.

Baca tiap prediktor. Interpretasikan koefisien B, nilai-p, dan interval kepercayaan.

Periksa multikolinearitas dan residual. Pastikan model dapat diinterpretasikan secara wajar.

Siklus Pertemuan 15: masalah → beberapa prediktor → model → koefisien parsial → kualitas model → diagnosis → prediksi.

Peta materi Pertemuan 15

Tujuan Pembelajaran 1 · Beberapa Prediktor Tujuan Pembelajaran 2 · Persamaan & Koefisien Parsial Tujuan Pembelajaran 3 · Kualitas Model & Multikolinearitas Tujuan Pembelajaran 4 · IBM SPSS Statistics & Prediksi

Beberapa Prediktor → Persamaan → Koefisien Parsial → R²/Adjusted R² → Diagnosis → Prediksi

Pertemuan 15 adalah kelanjutan langsung dari regresi linear sederhana. Fokusnya bukan menambah sebanyak mungkin variabel, tetapi membangun model yang masuk akal secara substantif, dapat diinterpretasikan, dan tidak berlebihan.

TUJUAN PEMBELAJARAN 1

Menjelaskan konsep regresi dengan beberapa prediktor dan perbedaannya dari regresi sederhana

↑ Kembali ke Tujuan Belajar

Rujukan utama: Montgomery & Runger · Santoso · Ghozali

1.1 Mengapa menggunakan lebih dari satu prediktor?

Masalah proyek jarang ditentukan oleh satu faktor saja. Produktivitas, biaya, atau keterlambatan dapat berkaitan dengan tenaga kerja, pengalaman, ketersediaan material, cuaca, peralatan, dan faktor lain.

Contoh Manajemen Proyek Konstruksi

Variabel hasil: keterlambatan aktivitas (hari).

Prediktor: keterlambatan material, jumlah tenaga kerja, dan intensitas gangguan cuaca.

1.2 Regresi sederhana vs berganda

Aspek	Regresi sederhana	Regresi berganda
Jumlah prediktor	1	2 atau lebih
Persamaan	satu slope	satu koefisien untuk setiap prediktor
Interpretasi utama	hubungan X dengan Y	hubungan tiap X dengan Y dengan prediktor lain dikendalikan secara statistik
Masalah tambahan	lebih sederhana	multikolinearitas dan kompleksitas model

1.3 Persamaan umum

ŷ = b₀ + b₁X₁ + b₂X₂ + ... + bₖXₖ

Setiap koefisien mempunyai interpretasi bersyarat pada prediktor lain yang ada dalam model.

1.4 Prediktor harus dipilih karena alasan substantif

Jangan memasukkan semua variabel yang tersedia hanya untuk mengejar R² yang lebih tinggi. Model yang terlalu kompleks dapat sulit diinterpretasikan, tidak stabil, dan memiliki performa buruk pada data baru.

1.5 Variabel prediktor kategorik

Prediktor kategorik dapat dimasukkan melalui pengkodean indikator/dummy. Namun pada Pertemuan 15 fokus utama adalah memahami model dengan prediktor numerik atau dummy sederhana yang sudah disiapkan dengan benar.

1.6 Regresi tetap bukan bukti sebab-akibat

Menambahkan banyak prediktor dapat membantu mengendalikan sebagian perbedaan statistik, tetapi tidak otomatis menghilangkan confounding, bias pengukuran, reverse causality, atau masalah desain penelitian.

Latihan Tujuan Pembelajaran 1

Mengapa model keterlambatan proyek dengan prediktor keterlambatan material, tenaga kerja, dan cuaca tidak otomatis membuktikan bahwa ketiga faktor tersebut menyebabkan keterlambatan?

Jawaban: karena regresi observasional tetap dipengaruhi desain data, variabel yang tidak diukur, kemungkinan arah hubungan terbalik, dan confounding. Model menunjukkan asosiasi parsial/prediksi dalam data, bukan bukti kausal otomatis.

↑ Kembali ke Tujuan Belajar

TUJUAN PEMBELAJARAN 2

Membentuk dan menginterpretasikan persamaan serta koefisien parsial

↑ Kembali ke Tujuan Belajar

Rujukan utama: Montgomery & Runger · Santoso · Ghozali

2.1 Contoh persamaan

Keterlambatan prediksi = 8,5 + 0,70(Material) − 0,35(Tenaga Kerja) + 1,20(Cuaca)

2.2 Interpretasi koefisien parsial

Koefisien	Interpretasi
Material = +0,70	setiap kenaikan 1 satuan keterlambatan material berkaitan dengan kenaikan rata-rata keterlambatan hasil 0,70 hari, dengan tenaga kerja dan cuaca dipertahankan konstan secara statistik.
Tenaga Kerja = −0,35	setiap kenaikan 1 pekerja berkaitan dengan penurunan rata-rata keterlambatan 0,35 hari, dengan prediktor lain dalam model dipertahankan konstan secara statistik.
Cuaca = +1,20	setiap kenaikan 1 satuan indeks gangguan cuaca berkaitan dengan kenaikan rata-rata keterlambatan 1,20 hari, dengan prediktor lain dikendalikan secara statistik.

2.3 Intercept

Intercept 8,5 adalah prediksi ketika seluruh prediktor bernilai 0. Seperti pada regresi sederhana, nilai ini hanya memiliki makna substantif jika kondisi semua prediktor = 0 memang masuk akal dan berada dalam ruang data.

2.4 Unstandardized B

Gunakan Unstandardized B untuk:

membentuk persamaan dalam satuan asli;
menghitung prediksi;
menginterpretasikan perubahan hasil per satu unit prediktor.

2.5 Standardized Beta

Standardized Beta menyatakan koefisien pada skala standar dan dapat membantu melihat kekuatan asosiasi parsial dalam satuan standar. Namun Beta bukan ukuran kepentingan kausal dan dapat berubah ketika struktur korelasi antar prediktor berubah.

Jangan membandingkan besarnya Unstandardized B antar prediktor yang memiliki satuan berbeda lalu menyimpulkan prediktor terbesar adalah “paling penting”.

2.6 Uji setiap koefisien

Hipotesis nol untuk prediktor j: βⱼ = 0

Nilai-p pada tabel Coefficients menilai evidence bahwa koefisien parsial populasi berbeda dari nol, dengan prediktor lain tetap berada dalam model.

2.7 Interval kepercayaan koefisien

Interval kepercayaan membantu melihat rentang nilai koefisien yang masih masuk akal berdasarkan data dan model. Interval yang lebar menandakan estimasi yang kurang presisi.

Latihan Tujuan Pembelajaran 2

Dalam model biaya proyek, koefisien durasi = 2,4. Apa arti yang benar jika biaya diukur dalam juta rupiah dan durasi dalam hari?

Jawaban: setiap tambahan satu hari durasi berkaitan dengan kenaikan rata-rata biaya prediksi sekitar 2,4 juta rupiah, dengan prediktor lain yang berada dalam model dipertahankan konstan secara statistik.

↑ Kembali ke Tujuan Belajar

TUJUAN PEMBELAJARAN 3

Mengevaluasi R², adjusted R², uji F, dan multikolinearitas

↑ Kembali ke Tujuan Belajar

Rujukan utama: Montgomery & Runger · Santoso · Ghozali

3.1 R²

R² menunjukkan proporsi variasi variabel hasil dalam data/model yang dijelaskan secara bersama-sama oleh seluruh prediktor.

R² = variasi yang dijelaskan model / variasi total

3.2 Mengapa adjusted R² penting?

Menambahkan prediktor hampir tidak pernah menurunkan R², bahkan jika prediktor baru hanya memberi informasi kecil. Adjusted R² memberikan penalti terhadap jumlah prediktor sehingga lebih berguna untuk menilai apakah penambahan variabel benar-benar meningkatkan model secara proporsional.

Jika R² naik tetapi adjusted R² hampir tidak berubah atau justru turun, prediktor tambahan mungkin tidak memberi kontribusi yang sebanding dengan kompleksitas model.

3.3 Uji F keseluruhan model

Hipotesis nol: β₁ = β₂ = ... = βₖ = 0

Uji F menilai apakah model dengan seluruh prediktor memberikan peningkatan penjelasan dibanding model yang hanya menggunakan intercept.

Uji F signifikan tidak berarti semua prediktor individual signifikan. Baca tabel Coefficients untuk mengevaluasi setiap prediktor.

3.4 Multikolinearitas

Multikolinearitas terjadi ketika dua atau lebih prediktor membawa informasi yang sangat tumpang tindih. Akibatnya:

koefisien dapat menjadi tidak stabil;
galat baku membesar;
tanda/besar koefisien dapat berubah ketika prediktor lain masuk atau keluar;
interpretasi kontribusi parsial menjadi sulit.

3.5 Tolerance dan Faktor Inflasi Varians

Tolerance = 1 − R² prediktor terhadap prediktor lain

Faktor Inflasi Varians = 1 / Tolerance

Faktor Inflasi Varians yang makin besar menunjukkan inflasi varians koefisien akibat tumpang tindih prediktor. Nilai seperti 5 atau 10 sering digunakan sebagai pedoman praktis, tetapi bukan batas universal.

Jangan menghapus prediktor hanya karena melewati satu angka batas. Pertimbangkan teori, tujuan model, korelasi prediktor, ukuran sampel, dan stabilitas koefisien.

3.6 Asumsi regresi tetap berlaku

hubungan linear antara prediktor dan hasil secara kondisional;
independensi residual;
homoskedastisitas residual;
normalitas residual untuk inferensi klasik pada sampel kecil;
tidak ada observasi sangat berpengaruh;
tidak ada multikolinearitas berat yang merusak estimasi.

3.7 Periksa model, bukan hanya angka

Model yang memiliki R² tinggi tetapi residual berpola kuat atau koefisien tidak stabil belum tentu merupakan model yang baik.

Latihan Tujuan Pembelajaran 3

Model memiliki R² = 0,72 dan adjusted R² = 0,49 setelah banyak prediktor ditambahkan. Apa sinyal yang perlu diperhatikan?

Jawaban: selisih yang cukup besar antara R² dan adjusted R² dapat menandakan model terlalu kompleks relatif terhadap informasi/ukuran sampel. Periksa kontribusi prediktor, multikolinearitas, dan stabilitas model.

↑ Kembali ke Tujuan Belajar

TUJUAN PEMBELAJARAN 4

Menginterpretasikan output IBM SPSS Statistics dan membuat prediksi terbatas

↑ Kembali ke Tujuan Belajar

Rujukan utama: Montgomery & Runger · Santoso · Ghozali

4.1 Jalur IBM SPSS Statistics

Buka Analyze → Regression → Linear.

Masukkan variabel hasil ke Dependent.

Masukkan dua atau lebih prediktor ke Independent(s).

Gunakan metode Enter untuk pembelajaran dasar agar prediktor dimasukkan sesuai rancangan substantif.

Pada Statistics, tampilkan Estimates, Model fit, interval kepercayaan, dan Collinearity diagnostics.

Gunakan Plots/Save untuk memeriksa residual, nilai prediksi, dan observasi berpengaruh bila diperlukan.

4.2 Mengapa metode Enter diprioritaskan?

Untuk pembelajaran dasar, metode Enter membuat mahasiswa mengetahui prediktor apa yang dimasukkan berdasarkan alasan substantif. Prosedur otomatis seperti stepwise tidak menjadi fokus Pertemuan 15.

4.3 Urutan membaca output

Output	Yang dibaca
Model Summary	R² dan adjusted R²
ANOVA	F dan nilai-p model keseluruhan
Coefficients	B, galat baku, Beta, t, nilai-p, interval kepercayaan
Collinearity Statistics	Tolerance dan Faktor Inflasi Varians
Residual diagnostics	linearitas, homoskedastisitas, normalitas residual, observasi berpengaruh

4.4 Contoh output hipotetik

Komponen	Nilai
R²	0,68
Adjusted R²	0,64
Nilai-p uji F	< 0,001
B Material	0,70 (nilai-p = 0,002)
B Tenaga Kerja	−0,35 (nilai-p = 0,031)
B Cuaca	1,20 (nilai-p = 0,008)
Faktor Inflasi Varians tertinggi	2,4

Model secara keseluruhan memberikan evidence statistik yang kuat. Sekitar 68% variasi hasil pada data dijelaskan oleh prediktor bersama-sama, dengan adjusted R² sebesar 0,64. Setiap koefisien diinterpretasikan sebagai hubungan parsial dengan prediktor lain dalam model dipertahankan konstan secara statistik.

4.5 Prediksi

Prediksi diperoleh dengan memasukkan nilai seluruh prediktor ke dalam persamaan.

Persamaan:

ŷ = 8,5 + 0,70X₁ − 0,35X₂ + 1,20X₃

Untuk X₁ = 4, X₂ = 10, X₃ = 2:

ŷ = 8,5 + 0,70(4) − 0,35(10) + 1,20(2) = 10,2

4.6 Prediksi harus berada dalam ruang data yang masuk akal

Pada regresi berganda, ekstrapolasi tidak hanya berarti satu prediktor berada di luar rentang, tetapi juga kombinasi prediktor dapat berada pada kondisi yang tidak pernah diamati.

Model dari proyek gedung kecil tidak otomatis dapat digunakan untuk memprediksi megaproyek dengan kombinasi tenaga kerja, nilai kontrak, dan kondisi lapangan yang jauh berbeda.

4.7 Kalkulator regresi berganda dua prediktor

Kalkulator ini menggunakan dua prediktor untuk membantu memahami koefisien parsial. Masukkan X₁, X₂, dan Y dalam urutan kasus yang sama. Pisahkan nilai dengan titik koma (;) atau baris baru; gunakan koma sebagai tanda desimal. Kalkulator menghitung koefisien, R², adjusted R², F, korelasi antar prediktor, Tolerance, Faktor Inflasi Varians, dan satu prediksi. Nilai-p tetap dibaca dari IBM SPSS Statistics.

Prediktor X₁ Prediktor X₂ Variabel hasil Y

X₁ untuk prediksi X₂ untuk prediksi

4.8 Cara menulis hasil

“Regresi linear berganda digunakan untuk memodelkan keterlambatan aktivitas berdasarkan keterlambatan material, jumlah tenaga kerja, dan gangguan cuaca. Model signifikan secara keseluruhan (nilai-p uji F < 0,001), dengan R² = 0,68 dan adjusted R² = 0,64. Keterlambatan material memiliki koefisien B = 0,70 (nilai-p = 0,002), yang berarti setiap kenaikan satu satuan keterlambatan material berkaitan dengan kenaikan rata-rata keterlambatan hasil 0,70 hari dengan prediktor lain dipertahankan konstan secara statistik. Diagnosis multikolinearitas tidak menunjukkan nilai Faktor Inflasi Varians yang ekstrem. Interpretasi dibatasi sebagai asosiasi/prediksi, bukan bukti kausal.”

4.9 Kesalahan yang harus dihindari

memasukkan sebanyak mungkin prediktor tanpa dasar substantif;
menyatakan prediktor dengan Beta terbesar pasti “paling penting” secara kausal;
mengabaikan multikolinearitas;
menganggap uji F signifikan berarti semua prediktor signifikan;
menggunakan R² sebagai satu-satunya ukuran kualitas model;
membuat prediksi pada kombinasi prediktor yang jauh di luar data;
menyamakan asosiasi parsial dengan sebab-akibat.

4.10 Evidence yang harus dihasilkan

alasan substantif pemilihan prediktor;
persamaan regresi linear berganda;
R² dan adjusted R²;
F dan nilai-p model keseluruhan;
B, nilai-p, dan interval kepercayaan tiap prediktor;
Tolerance dan Faktor Inflasi Varians;
pemeriksaan residual/asumsi;
satu prediksi yang berada dalam ruang data;
batas interpretasi dan klaim kausal.

Latihan integrasi Tujuan Pembelajaran 4

Model memiliki R² = 0,81, adjusted R² = 0,62, dan beberapa prediktor memiliki Faktor Inflasi Varians sangat tinggi. Apakah model dapat langsung disebut sangat baik karena R² tinggi?

Jawaban: tidak. Selisih R² dan adjusted R² serta multikolinearitas tinggi menunjukkan model perlu dievaluasi. Periksa jumlah prediktor, ukuran sampel, redundansi prediktor, kestabilan koefisien, dan diagnostik residual.

↑ Kembali ke Tujuan Belajar

Rangkuman Pertemuan 15

Tujuan Pembelajaran 1

Beberapa prediktor: model menggunakan dua atau lebih variabel untuk menjelaskan satu hasil.

Tujuan Pembelajaran 2

Koefisien parsial: tiap B dibaca dengan prediktor lain dalam model dipertahankan konstan secara statistik.

Tujuan Pembelajaran 3

Kualitas model: baca R², adjusted R², F, residual, Tolerance, dan Faktor Inflasi Varians.

Tujuan Pembelajaran 4

Interpretasi: gabungkan model keseluruhan, koefisien individual, diagnosis, prediksi, dan batas kausalitas.

Kalimat kunci Pertemuan 15: regresi berganda bukan sekadar menambah prediktor; tujuan utamanya adalah membangun model yang masuk akal, stabil, dapat diinterpretasikan, dan digunakan secara terbatas.

Beban kegiatan Pertemuan 15

Tatap muka / terbimbing	100 menit
Penugasan terstruktur	120 menit
Belajar mandiri	120 menit
Total	340 menit
Penilaian	Formatif 0%

Latihan formatif Pertemuan 15

tentukan satu variabel hasil dan sedikitnya dua prediktor yang memiliki alasan substantif;
jelaskan alasan memasukkan setiap prediktor;
jalankan regresi linear berganda dengan metode Enter pada IBM SPSS Statistics;
tulis persamaan dan interpretasikan koefisien parsial;
laporkan R², adjusted R², F, nilai-p model, dan nilai-p koefisien;
periksa Tolerance, Faktor Inflasi Varians, dan residual;
buat satu prediksi pada kombinasi prediktor yang masih masuk akal;
jelaskan batas model dan batas klaim kausal.

Asesmen formatif: 0%. Bobot ini mengikuti keputusan restrukturisasi Pertemuan 15 sebagai materi wajib regresi linear berganda dan akan dikunci saat Rencana Pembelajaran Semester direvisi.

Kriteria Latihan Formatif Pertemuan 15

Kriteria	Fokus evidence Pertemuan 15
Pemahaman masalah dan data	hasil, prediktor, unit observasi, dan tujuan model ditetapkan dengan tepat
Pemilihan metode statistik	prediktor dipilih secara substantif dan model berganda digunakan secara tepat
Perhitungan/analisis	persamaan, R², adjusted R², F, koefisien, multikolinearitas, dan residual dianalisis benar
Interpretasi	koefisien parsial, signifikansi, dan diagnosis model dijelaskan dengan benar
Kesimpulan berbasis bukti	prediksi dan klaim dibatasi oleh model, ruang data, dan desain penelitian
Komunikasi data	output, persamaan, tabel koefisien, diagnosis, dan narasi disajikan jelas

Checklist penguasaan Pertemuan 15

0 dari 4 tujuan tercapai 0%

Tujuan Pembelajaran 1 — Saya dapat menjelaskan konsep regresi dengan beberapa prediktor. Tujuan Pembelajaran 2 — Saya dapat membentuk dan menginterpretasikan persamaan serta koefisien parsial. Tujuan Pembelajaran 3 — Saya dapat mengevaluasi R², adjusted R², uji F, dan multikolinearitas. Tujuan Pembelajaran 4 — Saya dapat membaca output IBM SPSS Statistics dan membuat prediksi terbatas.

Checklist ini tersimpan hanya pada browser/perangkat dan bukan progres atau nilai resmi pada sistem pembelajaran.

Daftar Pustaka Pertemuan 15

Montgomery, D. C., & Runger, G. C. (2018). Applied Statistics and Probability for Engineers (7th ed.). Wiley.
Santoso, S. (2018). Menguasai Statistik dengan SPSS 25. Jakarta: Elex Media Komputindo.
Ghozali, I. (2021). Aplikasi Analisis Multivariate dengan Program IBM SPSS 26 (Edisi 10). Semarang: Badan Penerbit Universitas Diponegoro.

Daftar pustaka pada halaman ini identik dengan kode referensi pada Rencana Pembelajaran Semester terbaru.

↑ Kembali ke bagian utama

Jembatan ke Pertemuan 16

Pertemuan 15 menutup rangkaian metode statistik inti. Pertemuan 16 menjadi Proyek Ujian Akhir Semester Terintegrasi: mahasiswa menerima kasus/dataset, melakukan audit data, memilih metode yang sesuai, menjalankan analisis, menginterpretasikan output, dan menyusun kesimpulan berbasis bukti.

Data → Audit → Pilih Metode → Analisis → Interpretasi → Kesimpulan → Proyek Akhir

↑ Lihat kembali Tujuan Belajar Pertemuan 15