Forum Akademik – Secara sederhana, R Square menggambarkan ukuran seberapa baik model regresi bisa menjelaskan variasi variabel dependen (Y) berdasarkan variabel independen (X). Pada dasarnya nilai R Square berkisar antara 0 hingga 1, yang berarti:
- 0 → model sama sekali tidak menjelaskan Y.
- 1 → model menjelaskan Y secara sempurna.
Misalnya R² = 0,70 → artinya 70% variasi Y dijelaskan oleh X, sisanya 30% dijelaskan faktor lain di luar model. Dengan nilai yang lebih tinggi menunjukkan kecocokan model yang lebih baik dengan data. Namun meskipun nilai R Square yang tinggi mungkin tampak menjanjikan, namun bisa jadi hanya ilusi statistik. Hal itu dapat menyesatkan jika model terlalu rumit atau rentan terhadap overfitting.
Kalau peneliti memasukkan terlalu banyak variabel atau polinomial yang tidak relevan, R² akan naik. Namun model jadi “terlalu pas” dengan data sampel sehingga tidak bisa dipakai untuk data baru (jelek dalam prediksi). Dengan demikian dapat dimaknai bahwa R² yang tinggi tidak selalu berarti model tepat guna. Kadang model sederhana dengan R² = 0,60 lebih berguna dibanding model super rumit dengan R² = 0,95 tapi overfitting.
Yang perlu diingat adalah R² tidak mengukur kausalitas. R² hanya menunjukkan hubungan model dengan data kuat, tapi tidak memastikan X benar-benar “menyebabkan” Y.
👉 Jadi singkatnya:
Nilai R² tinggi memang bagus, tapi belum tentu berarti model “benar” atau “tepat”. Bisa saja hanya karena model terlalu kompleks (overfitting). Makanya, jangan hanya mengandalkan R², tapi cek juga Adjusted R², signifikansi, dan validitas model.
Dengan demikian, Adjusted R² hadir untuk memodifikasi R² dengan memperhitungkan jumlah variabel dalam model dan ukuran sampel. Adjusted R² menawarkan penilaian yang lebih akurat tentang seberapa baik model menjelaskan variabilitas tanpa dipengaruhi oleh variabel yang tidak relevan. Secara sederhana, nilai R Square yang disesuaikan alias Adjusted R² merupakan nilai R Square (R²) yang telah disesuaikan dengan adanya penambahan variabel bebas.
Contoh Kasus :
Kita mau memprediksi nilai ujian mahasiswa (Y) berdasarkan beberapa variabel:
- X₁ = jam belajar
- X₂ = kehadiran kelas
- X₃ = jenis kelamin (laki/perempuan)
Untuk lebih memahami perbedaan diantara keduanya, berikut akan disajikan visualisasi perbedaan antara R² dan Adjusted R² sebagai berikut:
Grafik ini menunjukkan bedanya R² dan Adjusted R²:
-
R² selalu naik setiap kali kamu menambah variabel, bahkan jika variabel itu tidak relevan. Makanya model bisa terlihat “bagus” padahal hanya overfitting.
-
Adjusted R² memberi koreksi: jika variabel tambahan memang relevan, nilainya naik; tapi kalau variabel tidak relevan, nilainya justru turun. Jadi, Adjusted R² lebih jujur untuk menilai kualitas model dibanding hanya melihat R².
Tinggalkan Balasan