Cara R Kuadrat Dihitung (Rumus, Input, dan Keterbatasan)

Jawaban langsung: apa itu R kuadrat?

R kuadrat (sering ditulis R²) adalah angka yang menggambarkan seberapa banyak variasi dalam target yang diamati (variabel dependen) diperhitungkan oleh serangkaian prediksi yang cocok (output model). Dalam bentuknya yang paling umum, R² dihitung dari dua kuantitas:

• Variasi total dalam data yang diamati
• Variasi residual (tidak dapat dijelaskan) setelah menggunakan prediksi yang cocok

Interpretasi, secara sederhana: jika variasi residual kecil dibandingkan dengan variasi total, R² lebih tinggi; jika variasi residual besar, R² lebih rendah.

Mekanisme: rumus dan setiap input yang diperlukan

1) Tentukan data

Untuk menghitung R², Anda memerlukan kumpulan nilai yang diamati dan nilai cocok (prediksi) yang sesuai.

• Nilai yang diamati: (y_1, y_2, \dots, y_n)
• Nilai cocok (prediksi): (\hat{y}_1, \hat{y}_2, \dots, \hat{y}_n)
• Rata-rata sampel dari nilai yang diamati: (\bar{y} = \frac{1}{n}\sum_{i=1}^{n} y_i)

Di mana (n) adalah jumlah titik data yang Anda evaluasi.

2) Hitung jumlah kuadrat

R² menggunakan jumlah kuadrat berdasarkan perbedaan dari rata-rata dan perbedaan dari prediksi yang cocok.

• Jumlah kuadrat total (variasi di sekitar rata-rata): [ \mathrm{SST} = \sum_{i=1}^{n} (y_i - \bar{y})^2 ]

• Jumlah kuadrat residual (variasi yang tersisa setelah pencocokan): [ \mathrm{SSE} = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 ]

3) Hitung R kuadrat

Dalam definisi yang paling umum: [ R^2 = 1 - \frac{\mathrm{SSE}}{\mathrm{SST}} ]

Ini membutuhkan (\mathrm{SST} > 0). Jika semua (y_i) yang diamati identik, maka (\mathrm{SST}=0) dan R² tidak terdefinisi secara bermakna dalam bentuk ini.

4) Pilihan praktis utama: pada data mana (\hat{y}) dihitung?

Rumus itu sendiri tidak menentukan apakah (\hat{y}) berasal dari:

• data yang sama yang digunakan untuk mencocokkan model (in-sample), atau
• data terpisah yang tidak digunakan selama pencocokan (out-of-sample)

Menggunakan nilai cocok in-sample sering kali meningkatkan kinerja untuk model yang fleksibel. Menggunakan prediksi out-of-sample umumnya memberikan gambaran yang lebih realistis tentang seberapa baik hubungan tersebut digeneralisasi, tetapi dapat menurunkan R² bahkan ketika model tersebut berguna secara arah.

Bukti atau contoh: perhitungan konkret (dengan asumsi eksplisit)

Asumsikan Anda memiliki (n=3) nilai yang diamati (y) dan sebuah model yang menghasilkan nilai cocok (\hat{y}) untuk tiga titik yang sama.

Misalkan:

• (y = [2,\ 4,\ 6])
• (\hat{y} = [2,\ 5,\ 5])

Langkah 1: hitung rata-rata [ \bar{y} = (2+4+6)/3 = 4 ]

Langkah 2: hitung (\mathrm{SST}) [ \mathrm{SST} = (2-4)^2 + (4-4)^2 + (6-4)^2 = 4 + 0 + 4 = 8 ]

Langkah 3: hitung (\mathrm{SSE}) [ \mathrm{SSE} = (2-2)^2 + (4-5)^2 + (6-5)^2 = 0 + 1 + 1 = 2 ]

Langkah 4: hitung R² [ R^2 = 1 - 2/8 = 1 - 0.25 = 0.75 ]

Berdasarkan perhitungan ini, 0,75 menunjukkan bahwa variasi residual adalah seperempat dari variasi total (untuk pengaturan evaluasi ini).

Keterbatasan dan mode kegagalan: apa yang bisa salah dari R kuadrat

R² banyak digunakan, tetapi bukan jaminan kegunaan. Beberapa keterbatasan material dapat menyebabkannya menyesatkan.

1) Overfitting saat dievaluasi in-sample

Jika model fleksibel dan Anda menghitung R² menggunakan nilai cocok pada dataset yang sama dengan yang dipelajarinya, kesalahan residual mungkin menjadi sangat kecil secara artifisial. Ini dapat menghasilkan R² yang tinggi bahkan ketika model tidak menangkap hubungan yang stabil.

2) Ketidakcocokan nonlinier

R² mengukur seberapa baik nilai prediksi cocok dengan nilai yang diamati melalui residual. Ini tidak memastikan bahwa hubungan yang mendasarinya memiliki struktur tertentu (misalnya, linearitas) kecuali pendekatan pemodelan Anda menerapkan struktur tersebut.

Sebuah model dapat menunjukkan R² sedang atau tinggi sementara masih tidak tepat untuk ekstrapolasi di luar rentang data, karena R² bersifat deskriptif untuk set evaluasi, bukan hukum universal.

3) Efek skala dan prapemrosesan

Karena SST dan SSE bergantung pada skala (y), langkah-langkah prapemrosesan (seperti differencing, normalisasi, atau transformasi) dapat mengubah R². Dua analis yang bekerja dengan transformasi berbeda dapat berakhir dengan nilai R² yang berbeda bahkan jika “kualitas” kecocokan sebanding.

4) R² bisa tidak terdefinisi atau tidak intuitif

• Jika (\mathrm{SST}=0), rumusnya rusak.
• Tergantung pada bagaimana prediksi dihasilkan dan apakah Anda menggunakan definisi alternatif (seperti varian yang disesuaikan), nilainya bisa kurang intuitif daripada “persentase yang dijelaskan.”

5) Hubungan vs. kausalitas

R² mengukur seberapa dekat prediksi melacak pengamatan. Ini tidak menetapkan mengapa hubungan itu ada. Bahkan dengan R² yang tinggi, asosiasi tersebut dapat mencerminkan pendorong bersama, artefak data, atau pola kebetulan.

Verifikasi dan pertanyaan berikutnya: cara memeriksa secara independen R kuadrat yang dilaporkan

Jika Anda melihat R² yang dilaporkan, Anda dapat memverifikasi perhitungan dengan memeriksa fakta-fakta ini, tanpa mengandalkan klaim tentang kinerja masa depan:

1. Konfirmasi ukuran dataset evaluasi (n).
2. Dapatkan nilai yang diamati (y_i).
3. Identifikasi nilai cocok/prediksi (\hat{y}_i) yang digunakan untuk menghitung kesalahan residual.
4. Hitung ulang (\bar{y}), SST, SSE, dan kemudian (R^2 = 1 - \mathrm{SSE}/\mathrm{SST}).

Jika penyedia atau kalkulator tidak menyatakan (\hat{y}) mana yang digunakan (in-sample vs out-of-sample) dan prapemrosesan apa yang diterapkan, R² yang dilaporkan masih terdefinisi secara matematis, tetapi perbandingan antar pengaturan menjadi tidak pasti.

Pertanyaan lanjutan yang berguna adalah bagaimana R² berbeda ketika dihitung untuk konsep terkait (misalnya, menggunakan pembagian evaluasi atau bentuk pemodelan yang berbeda), karena pilihan-pilihan tersebut mengubah apa yang sebenarnya diukur oleh R².