{"id":1036,"date":"2023-07-27T21:50:46","date_gmt":"2023-07-27T21:50:46","guid":{"rendered":"https:\/\/statorials.org\/id\/model-pelit\/"},"modified":"2023-07-27T21:50:46","modified_gmt":"2023-07-27T21:50:46","slug":"model-pelit","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/model-pelit\/","title":{"rendered":"Apa yang dimaksud dengan model pelit?"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><strong>Model pelit<\/strong> adalah model yang mencapai tingkat kesesuaian yang diinginkan dengan menggunakan <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel penjelas<\/a> sesedikit mungkin.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Alasan di balik model jenis ini berasal dari gagasan <a href=\"https:\/\/en.wikipedia.org\/wiki\/Occam%27s_razor\" target=\"_blank\" rel=\"noopener noreferrer\">pisau cukur Occam<\/a> (kadang-kadang disebut &#8220;prinsip hemat&#8221;) yang mengatakan bahwa penjelasan paling sederhana mungkin adalah penjelasan yang benar.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika diterapkan pada statistik, model yang memiliki sedikit parameter tetapi mencapai tingkat kesesuaian yang memuaskan sebaiknya lebih dipilih daripada model yang memiliki banyak parameter dan hanya mencapai tingkat kesesuaian yang sedikit lebih tinggi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ada dua alasan untuk ini:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Model pelit lebih mudah diinterpretasikan dan dipahami.<\/strong> Model dengan parameter lebih sedikit lebih mudah dipahami dan dijelaskan.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Model pelit cenderung memiliki kemampuan prediksi yang lebih besar.<\/strong> Model dengan parameter lebih sedikit cenderung berperforma lebih baik bila diterapkan pada data baru.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Perhatikan dua contoh berikut untuk mengilustrasikan gagasan ini.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Contoh 1: Model pelit = Interpretasi mudah<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Misalkan kita ingin membuat model menggunakan serangkaian variabel penjelas terkait real estat untuk memprediksi harga real estat. Pertimbangkan dua model berikut dengan R-kuadratnya yang disesuaikan:<br \/><\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Model 1:<\/strong><\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>Persamaan:<\/strong> Harga rumah = 8.830 + 81*(kaki persegi)<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong><sup>R2<\/sup> yang disesuaikan :<\/strong> 0,7734<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\"><strong>Model 2:<\/strong><\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>Persamaan:<\/strong> Harga rumah = 8,921 + 77*(kaki persegi) + 7*(kaki persegi) <sup>2<\/sup> \u2013 9*(usia) + 600*(kamar tidur) + 38*(kamar mandi)<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong><sup>R2<\/sup> yang disesuaikan :<\/strong> 0,7823<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Model pertama hanya memiliki satu variabel penjelas dan Adjusted <sup>R2<\/sup> sebesar 0,7734, sedangkan model kedua memiliki lima variabel penjelas dengan Adjusted <sup>R2<\/sup> yang sedikit lebih tinggi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Berdasarkan prinsip parsimony, kami lebih memilih menggunakan model pertama karena masing-masing model memiliki kemampuan yang kurang lebih sama dalam menjelaskan variasi harga rumah namun model pertama <em>jauh<\/em> lebih mudah untuk dipahami dan dijelaskan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, pada model pertama, kita mengetahui bahwa peningkatan satu unit luas persegi sebuah rumah dikaitkan dengan kenaikan harga rumah rata-rata sebesar $81. Sangat mudah untuk dipahami dan dijelaskan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, pada contoh kedua, estimasi koefisien jauh lebih sulit untuk diinterpretasikan. Misalnya, ruangan tambahan di rumah dikaitkan dengan kenaikan rata-rata harga rumah sebesar $600, dengan asumsi luas persegi, umur rumah, dan jumlah kamar mandi tetap konstan. Jauh lebih sulit untuk dipahami dan dijelaskan.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Contoh 2: Model pelit = prediksi yang lebih baik<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Model pelit juga cenderung menghasilkan prediksi yang lebih akurat pada kumpulan data baru karena kecil kemungkinannya untuk <em><a href=\"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/\" target=\"_blank\" rel=\"noopener noreferrer\">menyesuaikan dengan<\/a><\/em> kumpulan data asli.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Secara umum, model dengan parameter yang lebih banyak akan menghasilkan kecocokan yang lebih ketat dan nilai R <sup>2<\/sup> yang lebih tinggi dibandingkan model dengan parameter yang lebih sedikit. Sayangnya, memasukkan terlalu banyak parameter ke dalam model dapat menyebabkan model menyesuaikan dengan noise (atau &#8220;keacakan&#8221;) data, dan bukan pada hubungan mendasar yang sebenarnya antara variabel penjelas. dan variabel respons.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Artinya, model yang sangat kompleks dengan banyak parameter kemungkinan besar akan memiliki performa yang buruk pada kumpulan data baru yang belum pernah ada sebelumnya, dibandingkan dengan model yang lebih sederhana dengan parameter yang lebih sedikit.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Bagaimana memilih model yang pelit<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Mungkin ada seluruh kursus yang dikhususkan untuk topik <strong>pemilihan model<\/strong> , tetapi pada dasarnya, memilih model yang pelit berarti memilih model yang memiliki kinerja terbaik menurut suatu metrik.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Metrik yang umum digunakan untuk mengevaluasi model berdasarkan performanya pada set data pelatihan <em>dan<\/em> jumlah parameternya meliputi:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Kriteria Informasi Akaike (AIC)<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">AIC suatu model dapat dihitung sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>AIC = -2\/n * LL + 2 * k\/n<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>n:<\/strong> jumlah observasi dalam dataset pelatihan.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>LL:<\/strong> kemungkinan log model pada kumpulan data pelatihan.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>k :<\/strong> Jumlah parameter dalam model.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dengan menggunakan metode ini, Anda dapat menghitung AIC setiap model dan kemudian memilih model dengan nilai AIC terendah sebagai model terbaik.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Pendekatan ini cenderung lebih menyukai model yang lebih kompleks dibandingkan metode berikutnya, BIC.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Kriteria Informasi Bayesian (BIC)<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">BIC suatu model dapat dihitung sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>BIC = -2 * LL + log(n) * k<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>n:<\/strong> jumlah observasi dalam dataset pelatihan.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>log:<\/strong> Logaritma natural (basis e)<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>LL:<\/strong> kemungkinan log model pada kumpulan data pelatihan.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>k :<\/strong> Jumlah parameter dalam model.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dengan menggunakan metode ini, Anda dapat menghitung BIC setiap model dan kemudian memilih model dengan nilai BIC terendah sebagai model terbaik.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Pendekatan ini cenderung menyukai model dengan parameter yang lebih sedikit dibandingkan metode AIC.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>3. Panjang Deskripsi Minimum (MDL)<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">MDL adalah cara untuk mengevaluasi model dari bidang teori informasi. Itu dapat dihitung sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>MDL = L(h) + L(D | h)<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>h:<\/strong> Modelnya.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>D:<\/strong> Prediksi yang dibuat oleh model.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>L(h):<\/strong> Jumlah bit yang diperlukan untuk mewakili model.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>L(D | h):<\/strong> jumlah bit yang diperlukan untuk mewakili prediksi model pada data pelatihan.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dengan menggunakan metode ini, Anda dapat menghitung MDL setiap model dan kemudian memilih model dengan nilai MDL terendah sebagai model terbaik.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tergantung pada jenis permasalahan yang Anda kerjakan, salah satu metode berikut \u2013 AIC, BIC, atau MDL \u2013 mungkin lebih disukai dibandingkan metode lainnya untuk memilih model pelit.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Model pelit adalah model yang mencapai tingkat kesesuaian yang diinginkan dengan menggunakan variabel penjelas sesedikit mungkin. Alasan di balik model jenis ini berasal dari gagasan pisau cukur Occam (kadang-kadang disebut &#8220;prinsip hemat&#8221;) yang mengatakan bahwa penjelasan paling sederhana mungkin adalah penjelasan yang benar. Jika diterapkan pada statistik, model yang memiliki sedikit parameter tetapi mencapai tingkat [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Apa yang dimaksud dengan model pelit? - Statologi<\/title>\n<meta name=\"description\" content=\"Penjelasan sederhana tentang model pelit, beserta definisi dan contohnya.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/model-pelit\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Apa yang dimaksud dengan model pelit? - Statologi\" \/>\n<meta property=\"og:description\" content=\"Penjelasan sederhana tentang model pelit, beserta definisi dan contohnya.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/model-pelit\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T21:50:46+00:00\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"4 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/model-pelit\/\",\"url\":\"https:\/\/statorials.org\/id\/model-pelit\/\",\"name\":\"Apa yang dimaksud dengan model pelit? - Statologi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T21:50:46+00:00\",\"dateModified\":\"2023-07-27T21:50:46+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Penjelasan sederhana tentang model pelit, beserta definisi dan contohnya.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/model-pelit\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/model-pelit\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/model-pelit\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Apa yang dimaksud dengan model pelit?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Apa yang dimaksud dengan model pelit? - Statologi","description":"Penjelasan sederhana tentang model pelit, beserta definisi dan contohnya.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/model-pelit\/","og_locale":"id_ID","og_type":"article","og_title":"Apa yang dimaksud dengan model pelit? - Statologi","og_description":"Penjelasan sederhana tentang model pelit, beserta definisi dan contohnya.","og_url":"https:\/\/statorials.org\/id\/model-pelit\/","og_site_name":"Statorials","article_published_time":"2023-07-27T21:50:46+00:00","author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"4 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/model-pelit\/","url":"https:\/\/statorials.org\/id\/model-pelit\/","name":"Apa yang dimaksud dengan model pelit? - Statologi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T21:50:46+00:00","dateModified":"2023-07-27T21:50:46+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Penjelasan sederhana tentang model pelit, beserta definisi dan contohnya.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/model-pelit\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/model-pelit\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/model-pelit\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Apa yang dimaksud dengan model pelit?"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1036"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=1036"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1036\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1036"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1036"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1036"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}