Navigasi Materi

๐Ÿ“š PILIH MATERI
Bilangan Aljabar Geometri Data & Peluang Soal & Latihan STEM & Robotik Calculus Game Laboratorium Matematika

Statistika #7 (Koefisien Determinasi dan Evaluasi Model Regresi)


Paket 7 — Koefisien Determinasi dan Evaluasi Model Regresi

Statistika SMA | Kelas X–XII

Seberapa baik sebuah model regresi menjelaskan data yang kita amati?

1. Tujuan Pembelajaran

Setelah mempelajari materi ini, kamu diharapkan mampu:
  • Menjelaskan pengertian koefisien determinasi.
  • Menghitung dan menafsirkan nilai \(R^2\).
  • Menghubungkan \(R^2\) dengan koefisien korelasi Pearson \(r\).
  • Memahami residual dan jumlah kuadrat residual.
  • Mengevaluasi model regresi melalui data dan grafik residual.
  • Mengenali keterbatasan model dan hasil prediksi.

2. Apa Itu Koefisien Determinasi?

Koefisien determinasi adalah ukuran yang menggambarkan proporsi variasi variabel terikat \(Y\) yang dapat dijelaskan oleh model regresi dalam data yang dianalisis.

\[ \boxed{R^2=1-\frac{SSE}{SST}} \]

Keterangan:

  • \(R^2\) = koefisien determinasi.
  • \(SSE=\sum (y_i-\hat y_i)^2\) = jumlah kuadrat residual.
  • \(SST=\sum (y_i-\bar y)^2\) = jumlah kuadrat total.
  • \(y_i\) = nilai aktual.
  • \(\hat y_i\) = nilai prediksi model.
  • \(\bar y\) = rata-rata nilai aktual.
Untuk regresi linear kuadrat terkecil dengan konstanta (intersep), \(R^2\) umumnya berada antara 0 dan 1. Definisi ini mengukur seberapa besar penurunan jumlah kuadrat kesalahan dibandingkan model sederhana yang hanya memprediksi rata-rata \(Y\).

3. Cara Menafsirkan Nilai \(R^2\)

Misalnya, sebuah model regresi memiliki \(R^2=0{,}80\).
\[ 0{,}80\times100\%=80\% \]
Artinya, dalam data yang dianalisis, model menjelaskan 80% variasi nilai \(Y\) menurut ukuran regresi tersebut. Sisanya, yaitu 20%, tidak dijelaskan oleh model linear itu.
Nilai \(R^2\)Interpretasi umum
0Model tidak mengurangi jumlah kuadrat kesalahan dibandingkan prediksi rata-rata, pada definisi standar ini.
0,25Model menjelaskan 25% variasi \(Y\) dalam data.
0,60Model menjelaskan 60% variasi \(Y\) dalam data.
0,80Model menjelaskan 80% variasi \(Y\) dalam data.
1Model cocok sempurna dengan seluruh nilai \(Y\) yang diamati.
Penting! Nilai \(R^2\) yang tinggi tidak otomatis berarti model akurat untuk data baru. Nilai tersebut juga tidak membuktikan sebab-akibat, tidak menjamin model linear sudah tepat, dan tidak menjamin tidak ada pencilan.

4. Hubungan Koefisien Korelasi dan Determinasi

Pada regresi linear sederhana dengan intersep, koefisien determinasi sama dengan kuadrat koefisien korelasi Pearson:
\[ \boxed{R^2=r^2} \]

Contoh pertama: jika \(r=0{,}80\), maka

\[ R^2=(0{,}80)^2=0{,}64 \]

Model menjelaskan 64% variasi \(Y\) dalam data.

Contoh kedua: jika \(r=-0{,}80\), maka

\[ R^2=(-0{,}80)^2=0{,}64 \]

Koefisien determinasi tetap 0,64. Tanda negatif pada \(r\) menunjukkan arah hubungan negatif, sedangkan \(R^2\) tidak menunjukkan arah hubungan.

Hubungan \(R^2=r^2\) tersebut berlaku untuk regresi linear sederhana dengan intersep yang menggunakan pasangan data yang sama. Untuk model yang lebih kompleks, interpretasi dan rumusnya perlu disesuaikan.

5. Contoh Soal: Menghitung \(R^2\)

Sebuah model digunakan untuk memperkirakan nilai tes berdasarkan waktu belajar. Dari data yang diamati, diperoleh:
  • Jumlah kuadrat total: \(SST=250\)
  • Jumlah kuadrat residual: \(SSE=50\)

Langkah 1. Gunakan rumus koefisien determinasi.

\[ R^2=1-\frac{SSE}{SST} \]

Langkah 2. Masukkan nilai yang diketahui.

\[ R^2=1-\frac{50}{250} \] \[ R^2=1-0{,}20=0{,}80 \]

Langkah 3. Ubah menjadi persentase.

\[ 0{,}80\times100\%=80\% \]
Kesimpulan: model menjelaskan 80% variasi nilai tes pada data yang dianalisis. Sebanyak 20% variasi tidak dijelaskan oleh model tersebut. Hal ini tidak berarti 80% nilai setiap siswa disebabkan oleh waktu belajar.

6. Memahami Residual

Residual adalah selisih nilai aktual dan nilai prediksi:
\[ \boxed{e_i=y_i-\hat y_i} \]
Nilai aktual \(y\)Prediksi \(\hat y\)Residual \(e\)Makna
75705Aktual lebih tinggi 5
6570-5Aktual lebih rendah 5
70700Prediksi tepat

Residual positif berarti nilai aktual berada di atas prediksi. Residual negatif berarti nilai aktual berada di bawah prediksi.

Jumlah kuadrat residual (SSE)

Karena residual positif dan negatif dapat saling meniadakan, residual dikuadratkan sebelum dijumlahkan.

\[ SSE=\sum (y_i-\hat y_i)^2 \]

Contoh, residual suatu model adalah \(2,-1,3\).

\[ SSE=2^2+(-1)^2+3^2 \] \[ SSE=4+1+9=14 \]
SSE mengukur jumlah kuadrat kesalahan dalam satuan kuadrat dari \(Y\). Jika membandingkan model pada data \(Y\) yang sama, SSE yang lebih kecil menunjukkan kesalahan kuadrat total yang lebih kecil pada data tersebut.

7. Grafik Residual dan Evaluasi Model

Grafik residual menampilkan nilai prediksi pada sumbu horizontal dan residual pada sumbu vertikal. Grafik ini membantu memeriksa apakah model linear cukup sesuai dengan pola data.

Pola residual yang diharapkan

  • Titik tersebar relatif acak di sekitar garis residual nol.
  • Tidak terlihat pola lengkung yang jelas.
  • Lebar sebaran residual tidak berubah secara mencolok sepanjang rentang prediksi.

Pola yang perlu diperhatikan

  • Pola melengkung: hubungan mungkin tidak cukup dijelaskan oleh garis lurus.
  • Bentuk kipas: variasi kesalahan mungkin berubah pada nilai prediksi yang berbeda.
  • Titik yang jauh: mungkin terdapat pencilan atau pengamatan yang perlu diperiksa.
Grafik residual yang tampak acak mendukung penggunaan model linear, tetapi tidak membuktikan semua asumsi model telah terpenuhi. Penilaian juga perlu mempertimbangkan konteks dan kualitas pengumpulan data.

8. Laboratorium Interaktif Evaluasi Regresi

Masukkan pasangan data dalam format x,y, satu pasangan pada setiap baris. Kalkulator akan menghitung garis regresi, korelasi, koefisien determinasi, SSE, SST, dan menggambar grafik data serta residual.

Diagram pencar dan garis regresi

Grafik residual

Catatan: data yang dimasukkan digunakan untuk menghitung regresi linear kuadrat terkecil dengan intersep. Perhitungan dilakukan di peramban, tanpa mengirim data ke layanan eksternal.

9. Latihan Soal

Soal 1. Jika \(SSE=40\) dan \(SST=200\), tentukan \(R^2\).

\[ R^2=1-\frac{40}{200}=1-0{,}20=0{,}80 \] Jadi, \(R^2=0{,}80\) atau 80%.

Soal 2. Jika \(r=-0{,}70\), berapakah \(R^2\) pada regresi linear sederhana dengan intersep?

\[ R^2=(-0{,}70)^2=0{,}49 \] Jadi, koefisien determinasi adalah 49%. Tanda negatif pada \(r\) menunjukkan hubungan linear negatif.

Soal 3. Mengapa residual dikuadratkan saat menghitung SSE?

Agar residual positif dan negatif tidak saling meniadakan serta kesalahan yang lebih besar mendapat bobot lebih besar.

Soal 4. Sebuah model memiliki \(R^2=0{,}92\). Apakah ini membuktikan bahwa model akan sangat akurat untuk semua data baru?

Tidak. Nilai tersebut menunjukkan model menjelaskan 92% variasi pada data yang dievaluasi menurut ukuran \(R^2\). Akurasi pada data baru tetap perlu diuji.

Soal 5. Apa yang mungkin ditunjukkan oleh pola residual yang membentuk kurva?

Pola hubungan mungkin tidak sepenuhnya linear, sehingga model garis lurus perlu ditinjau kembali.

10. Kuis Evaluasi

Pilih satu jawaban pada setiap soal, lalu tekan tombol periksa.

1. Rumus koefisien determinasi dalam regresi dengan intersep adalah ...
2. Jika \(R^2=0{,}75\), model menjelaskan ...
3. Jika \(r=-0{,}60\), nilai \(R^2\) adalah ...
4. Residual dihitung menggunakan rumus ...
5. Pola residual yang melengkung dapat menunjukkan ...
6. Pernyataan yang tepat tentang \(R^2\) adalah ...

11. Refleksi dan Tantangan

  • Apa perbedaan koefisien korelasi \(r\) dan koefisien determinasi \(R^2\)?
  • Mengapa nilai \(R^2\) yang tinggi belum tentu menjamin prediksi yang baik?
  • Bagaimana grafik residual membantu kita mengevaluasi model?
Tantangan mini-proyek: gunakan data yang sama untuk membuat persamaan regresi, menghitung \(R^2\), dan memeriksa grafik residual. Tulis kesimpulan tentang seberapa baik model menggambarkan data dan keterbatasan yang masih ada.