RagamDataStatistik & Riset Data

Tool statistik

Simulator Regresi

Simulasi cepat untuk melihat seberapa besar satu outlier dapat menggeser slope, korelasi, dan R-square.

Data dasar

Slope

1,9857

r

0,9992

R-square

0,9983

Dengan outlier

Slope

1,9857

r

0,9992

R-square

0,9983

ObservasiXYCatatan
11,002,10Data dasar
22,003,90Data dasar
33,006,20Data dasar
44,007,80Data dasar
55,0010,10Data dasar
66,0012,20Data dasar
77,0013,80Data dasar
Jangan menghapus outlier hanya untuk memaksa hasil signifikan. Cari alasan data, metodologi, dan teori terlebih dahulu.

Hasil dari kalkulator ini bersifat bantuan perhitungan awal. Interpretasi akhir tetap perlu mempertimbangkan desain penelitian, kualitas data, asumsi statistik, dan konteks riset.

01 / Cara pakai

Mulai dari input yang benar.

  1. 01Lihat metrik data dasar tanpa outlier.
  2. 02Aktifkan outlier simulasi.
  3. 03Ubah nilai outlier untuk melihat dampaknya.
  4. 04Bandingkan slope, r, dan R-square sebelum dan sesudah.

02 / Baca hasil

Jangan berhenti di angka.

Perubahan besar pada slope, r, atau R-square setelah outlier ditambahkan menunjukkan observasi itu berpotensi influential. Itu belum otomatis alasan menghapus data.

03 / Contoh kalimat

Contoh interpretasi ringkas.

Contoh: R-square naik drastis setelah satu outlier ditambahkan. Itu bukan otomatis bukti model lebih baik; bisa jadi model hanya tertarik oleh satu observasi ekstrem.

Butuh diagnosis regresi?

Outlier perlu dibahas secara metodologis, bukan sekadar dihapus untuk memperbaiki angka.

Kirim hasil untuk dicek

04 / Rumus

Rumus, asumsi, dan sumber

Rumus yang dipakai

Y^=a+bXΔb=boutlier−bawalΔR2=Routlier2−Rawal2\begin{aligned} \hat{Y} &= a + bX \\ \Delta b &= b_{\mathrm{outlier}} - b_{\mathrm{awal}} \\ \Delta R^2 &= R^2_{\mathrm{outlier}} - R^2_{\mathrm{awal}} \end{aligned}

Simulator memakai regresi linear sederhana: Y = a + bX, lalu membandingkan slope dan R-square sebelum dan sesudah outlier.

Catatan sumber

Regresi linear sederhana mengikuti BCcampus. Bagian outlier/influential point mengikuti Penn State dan LibreTexts: observasi ekstrem perlu dicek dari pengaruhnya pada slope, fit, dan konteks data.

Asumsi singkat

  • Ini alat edukasi, bukan uji final untuk menghapus observasi.
  • Outlier perlu dicek dari konteks data, bukan hanya dari dampaknya pada R-square.

Referensi utama

05 / Cek sebelum percaya

Kesalahan umum

  • Menghapus outlier hanya agar hasil signifikan.
  • Tidak mencari alasan substantif munculnya outlier.
  • Mengabaikan uji diagnostik dan dokumentasi keputusan.
Apa tujuan simulator regresi ini?+

Simulator ini membantu melihat sensitivitas regresi sederhana terhadap satu observasi ekstrem.

Bolehkah outlier dihapus?+

Boleh hanya jika ada alasan metodologis atau kesalahan data yang jelas, dan keputusan harus didokumentasikan.

Apakah outlier selalu buruk?+

Outlier bisa menunjukkan informasi penting, kesalahan input, atau kasus khusus yang perlu dianalisis.