Analisis Statistik pada Model Summary

Dalam analisis statistik pada Model Summary, terdapat beberapa fit statistic yang digunakan untuk mengevaluasi kualitas model yang dibangun. Fit statistic ini memberikan informasi tentang sejauh mana model dapat menjelaskan variasi dalam data yang diamati. Pertama, terdapat statistik R-squared yang mengukur seberapa baik model dapat menjelaskan variasi dalam variabel dependen. Nilai R-squared berkisar antara 0 hingga 1, dengan nilai yang lebih tinggi menunjukkan bahwa model lebih baik dalam menjelaskan variasi data. Dalam kasus ini, nilai R-squared adalah 340, yang menunjukkan bahwa model dapat menjelaskan sekitar 34% variasi dalam data. Selanjutnya, terdapat Root Mean Square Error (RMSE) yang mengukur seberapa akurat model dalam memprediksi nilai-nilai observasi. RMSE menghitung selisih antara nilai prediksi dan nilai observasi, dan kemudian mengambil akar kuadrat dari nilai tersebut. Dalam kasus ini, RMSE memiliki nilai 42.498, yang menunjukkan bahwa rata-rata selisih antara nilai prediksi dan nilai observasi adalah sekitar 42.498. Selain itu, terdapat Mean Absolute Percentage Error (MAPE) yang mengukur seberapa akurat model dalam memprediksi persentase kesalahan relatif terhadap nilai observasi. MAPE menghitung selisih persentase antara nilai prediksi dan nilai observasi, dan kemudian mengambil rata-rata dari seluruh selisih tersebut. Dalam kasus ini, MAPE memiliki nilai 19.134, yang menunjukkan bahwa rata-rata persentase kesalahan relatif adalah sekitar 19.134%. Selanjutnya, terdapat MaxAPE yang merupakan nilai maksimum dari selisih persentase kesalahan relatif. Dalam kasus ini, MaxAPE memiliki nilai 116.342, yang menunjukkan bahwa terdapat prediksi yang memiliki selisih persentase kesalahan relatif sebesar 116.342%. Selain itu, terdapat Mean Absolute Error (MAE) yang mengukur seberapa akurat model dalam memprediksi nilai absolut kesalahan. MAE menghitung selisih absolut antara nilai prediksi dan nilai observasi, dan kemudian mengambil rata-rata dari seluruh selisih tersebut. Dalam kasus ini, MAE memiliki nilai 32.663, yang menunjukkan bahwa rata-rata nilai absolut kesalahan adalah sekitar 32.663. Terakhir, terdapat Normalized BIC (Bayesian Information Criterion) yang digunakan untuk membandingkan model yang berbeda. Normalized BIC mengukur kualitas model dengan mempertimbangkan jumlah parameter yang digunakan dan jumlah data yang diamati. Dalam kasus ini, Normalized BIC memiliki nilai 7.553, yang menunjukkan bahwa model memiliki kualitas yang baik. Dalam kesimpulan, analisis statistik pada Model Summary memberikan informasi penting tentang kualitas model yang dibangun. Statistik-fit ini memberikan gambaran tentang sejauh mana model dapat menjelaskan variasi dalam data, seberapa akurat model dalam memprediksi nilai-nilai observasi, dan seberapa baik model dibandingkan dengan model lainnya. Dengan memahami statistik-fit ini, kita dapat membuat keputusan yang lebih baik dalam menggunakan model untuk analisis data.