Koefisien Determinasi: Apa yang Diceritakan R-Squared kepada Kita

Bayangkan Anda mencoba memprediksi nilai ujian seseorang berdasarkan berapa jam mereka belajar. Sekarang, seberapa baik prediksi Anda cocok dengan nilai sebenarnya? Itulah yang dijelaskan oleh koefisien determinasi, juga dikenal sebagai R^² (R-squared).

Ini memberi tahu kita seberapa besar perubahan pada satu hal (seperti nilai ujian) dapat dijelaskan oleh perubahan pada hal lain (seperti jam belajar). Dengan begitu, Anda dapat memahami seberapa baik model Anda "sesuai" dengan data.

Dalam artikel ini, kami akan membantu Anda memahami apa arti R^², mengapa itu penting, serta cara menghitung dan menafsirkannya bahkan jika Anda baru mempelajari statistika. 

Apa Itu Koefisien Determinasi?

Koefisien determinasi, biasanya ditulis sebagai R^² (R-squared), adalah angka yang memberi tahu kita seberapa baik sebuah model regresi menjelaskan apa yang terjadi pada data. Ini menunjukkan seberapa besar perubahan pada hasil (variabel dependen) dapat dijelaskan oleh hal-hal yang kita gunakan untuk memprediksinya (variabel independen).

Misalnya Anda ingin memprediksi berat badan seseorang berdasarkan tinggi badannya. Jika R^² mendekati 1, prediksi Anda berkinerja sangat baik. Sebagian besar perbedaan berat dapat dikaitkan dengan perbedaan tinggi. Jika R^² mendekati 0, maka prediksi Anda pada dasarnya menebak karena, dalam kasus itu, tinggi tidak banyak menjelaskan perubahan berat.

Kita mengharapkan nilai R^² antara 0 dan 1:

• 0 berarti model tidak menjelaskan keragaman apa pun dalam data.

• 1 berarti model menjelaskan seluruh keragaman.

• Nilai yang lebih mendekati 1 berarti kecocokan lebih baik, yang menunjukkan model Anda menangkap lebih banyak pola dalam data.

Regresi linear sederhana

Ketika Anda hanya bekerja dengan satu variabel independen, model tersebut disebut regresi linear sederhana. Dalam kasus ini, R^² memiliki hubungan yang rapi dengan koefisien korelasi Pearson (r): R^² = r^²

Artinya, jika ada korelasi positif atau negatif yang kuat antara prediktor dan hasil, R^² akan tinggi.

Catatan: Dalam model dengan lebih dari satu prediktor (disebut regresi berganda), R^² tetap memberi tahu Anda seberapa banyak varians yang dijelaskan, tetapi bukan lagi sekadar r^², karena kini Anda menggabungkan efek dari banyak variabel.

Bisakah koefisien determinasi bernilai negatif?

R^² biasanya berada pada rentang 0 hingga 1. Namun terkadang, Anda mungkin melihat R^² negatif. Ini dapat terjadi jika:

• Model Anda tidak menyertakan intersep (nilai awal konstan)
• Anda menggunakan jenis model yang salah untuk datanya

R^² negatif berarti model Anda berkinerja lebih buruk daripada menebak rata-rata. Dengan kata lain, kecocokannya sangat buruk hingga malah menyesatkan.

Cara Menghitung Koefisien Determinasi

Ada dua cara umum untuk menghitung R^²:

1. Menggunakan jumlah kuadrat
2. Menggunakan koefisien korelasi (r)

Mari kita telusuri keduanya.

Menggunakan jumlah kuadrat

Rumus yang paling umum untuk R^² adalah:

Di sini, residual sum of squares (bagian yang tidak dijelaskan) mengukur seberapa jauh nilai aktual dari nilai yang diprediksi oleh model Anda. Itulah kesalahan yang dibuat model Anda.

Total sum of squares adalah total variasi dalam data teramati. Ini memberi tahu kita seberapa jauh nilai aktual dari rata-rata (mean) variabel dependen.

Jadi, semakin kecil residual sum of squares dibandingkan total sum of squares, semakin baik model Anda cocok dengan data, dan semakin dekat R^² ke 1.

Mari memahami ini dengan sebuah contoh: 

Misalkan Anda memiliki dataset kecil dengan nilai berikut:

Pertama, hitung mean dari nilai aktual:

• y = (10+12+14)/3 = 12

Lalu hitung total sum of squares (seberapa jauh nilai aktual dari mean):

• total sum of squares = (10 − 12)² + (12 − 12)² + (14 − 12)² = 4 + 0 + 4 = 8

Berikutnya, hitung residual sum of squares (seberapa jauh nilai aktual dari nilai prediksi):

• residual sum of squares = (10 − 12)² + (12 − 11)² + (14 − 13)² = 4 + 1 + 1 = 6

Sekarang masukkan ini ke dalam rumus:

• R^² = 1 − (residual sum of squares / total sum of squares) = 1 − (6/8) = 1 − 0,75 = 0,25

Jadi, R^² = 0,25, yang berarti model menjelaskan 25% variasi dalam data.

Bagan ini menunjukkan seberapa jauh setiap nilai aktual dari nilai prediksinya. Prediksi model meleset cukup besar, itulah mengapa R² hanya 0,25; hanya 25% variasi yang dijelaskan.

Menggunakan koefisien korelasi

Jika Anda menggunakan regresi linear sederhana (hanya satu variabel independen), gunakan rumus ini:

Di sini r adalah koefisien korelasi Pearson antara nilai aktual dan nilai prediksi. Jalan pintas ini hanya berlaku saat ada satu prediktor.

Misalkan korelasi antara X dan Y adalah: r = −0,8

Meskipun korelasinya negatif (artinya variabel bergerak berlawanan arah), R^² bernilai positif: R^² = (−0,8)^² = 0,64

Jadi, 64% variasi pada hasil tetap dapat dijelaskan oleh prediktor, meskipun hubungannya negatif. Itulah mengapa R^² selalu positif atau nol; ini merepresentasikan jumlah variasi yang dijelaskan, bukan arahnya.

Korelasi positif dan negatif. Gambar oleh Penulis.

Cara Menafsirkan Koefisien Determinasi

Koefisien determinasi memberi tahu kita seberapa besar variasi pada hasil (variabel dependen) yang dijelaskan oleh model kita. Sederhananya, ini seperti bertanya: "Seberapa banyak perubahan pada hal yang ingin saya prediksi dapat dijelaskan oleh data yang saya gunakan?"

Misalkan Anda membangun model untuk memprediksi nilai ujian siswa berdasarkan jumlah jam mereka belajar. Jika model Anda menghasilkan: R^² = 0,90

Ini berarti 90% perbedaan nilai ujian dapat dijelaskan oleh perbedaan waktu belajar. Sisa 10% berasal dari faktor lain yang tidak disertakan dalam model Anda, seperti tidur, kemampuan alami, pengetahuan sebelumnya, atau tingkat kesulitan ujian.

Menafsirkan koefisien determinasi. Gambar oleh Penulis.

Bagan ini menunjukkan bagaimana waktu belajar memengaruhi nilai ujian. 

• Garis hitam adalah prediksi model. 
• Titik biru adalah nilai yang dapat dijelaskan model dengan baik menggunakan waktu belajar. 
• Titik oranye merepresentasikan nilai yang tidak cocok, kemungkinan karena faktor lain seperti tidur, tingkat kesulitan ujian, atau pengetahuan sebelumnya siswa. Karena R^² = 0,90, sebagian besar nilai mengikuti pola, tetapi tidak semuanya.

Pedoman Cohen

Jacob Cohen membuat panduan yang banyak digunakan untuk membantu kita memahami apa arti berbagai nilai R^² saat menafsirkan seberapa kuat suatu hubungan.

Berikut patokan kasar Cohen untuk R^²:

Patokan kasar Cohen. Gambar oleh Penulis

Catatan: Ini adalah pedoman umum. Apa yang dianggap sebagai efek “besar” atau “kecil” dapat sangat bervariasi tergantung bidang Anda (seperti psikologi vs. teknik) dan konteks riset.

Keterbatasan dan Kesalahpahaman Umum

Meskipun R^² bermanfaat, Anda harus memahami apa yang bisa dan tidak bisa diberitahukannya. Berikut beberapa kesalahpahaman dan keterbatasan umum yang perlu diwaspadai:

Mitos 1: Koefisien determinasi yang tinggi berarti model yang lebih baik

Terlihat seolah-olah R^² yang lebih tinggi selalu berarti model yang lebih baik, tetapi tidak selalu demikian. R^² selalu meningkat atau tetap sama saat Anda menambahkan lebih banyak variabel ke model, bahkan jika variabel-variabel tersebut sama sekali tidak relevan. 

Mengapa? 

Karena model memiliki fleksibilitas lebih untuk menyesuaikan data pelatihan, bahkan jika hanya menyesuaikan kebisingan acak. Ini dapat menyebabkan overfitting, di mana model Anda tampak hebat pada data pelatihan namun berkinerja buruk pada data baru.

Kiat: Gunakan adjusted R² saat membandingkan model dengan jumlah prediktor berbeda. Ini memberi penalti pada kompleksitas yang tidak perlu dan dapat membantu mendeteksi overfitting. 

Mitos 2: Koefisien determinasi yang tinggi berarti prediksi akurat pada data baru atau menunjukkan kausalitas

R^² hanya mengukur seberapa baik model menggambarkan data yang sudah Anda miliki. Ini tidak memberi tahu Anda:

• Apakah model akan membuat prediksi yang baik pada data baru
• Apakah satu variabel menyebabkan variabel lain

R^² yang tinggi bahkan dapat terjadi secara kebetulan jika Anda menggunakan banyak prediktor. Jadi selalu lihat metrik evaluasi model lainnya (seperti RMSE atau MAE untuk kualitas prediksi) dan ingat: korelasi bukan kausalitas.

Mitos 3: R-squared rendah berarti model tidak berguna

Terkadang, dalam sistem yang kompleks (seperti memprediksi perilaku manusia atau pasar keuangan), R^² yang rendah adalah hal yang wajar.

Misalnya, jika Anda memodelkan sesuatu yang dipengaruhi oleh banyak faktor yang tidak dapat diprediksi atau diukur, model Anda mungkin tetap berguna meskipun R^² rendah. Model tersebut mungkin menangkap tren yang bermakna atau memberikan wawasan, meskipun tidak menjelaskan porsi besar varians.

Dalam riset medis atau psikologis, nilai R^² rendah merupakan hal yang umum karena hasil seseorang bergantung pada begitu banyak variabel yang saling berinteraksi.

Varian Lain: Partial R-squared dan Generalisasi

Meskipun R^² membantu memahami kecocokan model dalam regresi linear, ada varian dan generalisasi lain yang membantu dalam konteks pemodelan berbeda.

Adjusted R-squared

Seperti R^² biasa, adjusted R^² memberi tahu kita seberapa besar variasi pada variabel dependen yang dijelaskan oleh model. Namun ia melangkah lebih jauh dengan memberi penalti pada kompleksitas yang tidak perlu. Dengan kata lain, ini mencegah Anda memenuhi model dengan prediktor tambahan yang tidak membantu.

Rumusnya adalah:

Adjusted R² = 1 - [ (1 - R²) × (n - 1) / (n - p - 1) ]Didukung oleh

Berikut penjelasannya:

• n adalah jumlah observasi (titik data)

• p adalah jumlah prediktor (variabel independen)

Rumus ini menyesuaikan R^² ke bawah jika variabel baru tidak memperbaiki model. Penalti ini menjadi semakin kuat saat Anda menambahkan lebih banyak prediktor.

Misalnya, jika Anda menambahkan variabel baru yang meningkatkan akurasi model, adjusted R^² akan naik. Namun jika variabel itu nyaris tidak mengubah apa pun atau hanya membantu secara kebetulan, adjusted R^² akan turun, memperingatkan Anda tentang kemungkinan overfitting.

Ini membuat adjusted R^² berguna untuk membandingkan model.

Misalkan Anda ingin memilih antara model yang lebih sederhana dengan tiga prediktor dan model yang lebih kompleks dengan enam. Bahkan jika model yang kompleks memiliki R^² sedikit lebih tinggi, adjusted R^² bisa jadi lebih rendah, menandakan bahwa kompleksitas tambahan tidak sepadan.

R² versus adjusted R² saat prediktor bertambah. Gambar oleh Penulis.

Bagan ini menunjukkan bahwa saat Anda menambahkan lebih banyak prediktor, R^² terus meningkat bahkan jika prediktor tersebut tidak terlalu berguna. Di sisi lain, adjusted R^² menurun jika Anda menambahkan terlalu banyak, memperingatkan Anda tentang overfitting.

Koefisien determinasi parsial

Partial R^² (atau koefisien determinasi parsial) memberi tahu kita seberapa besar varians tambahan pada variabel dependen yang dijelaskan dengan menambahkan satu prediktor tertentu ke model yang sudah menyertakan yang lain.

Untuk menghitung partial R^², kita membandingkan dua model:

• Model tereduksi, yang mengecualikan prediktor yang dimaksud
• Model penuh, yang mencakup semua prediktor

Rumus untuk partial R^² didasarkan pada pengurangan Sum of Squared Errors (SSE) ketika variabel baru ditambahkan. Bentuk umum yang sering digunakan adalah:

Atau dalam bentuk jumlah kuadrat regresi:

Misalkan Anda membangun model untuk memprediksi penjualan produk. 

Anda sudah memiliki “harga produk” dan “musim” dalam model. Sekarang, Anda ingin melihat apakah menambahkan “pengeluaran pemasaran” meningkatkan prediksi. Partial R² memberi tahu Anda seberapa banyak lagi varians penjualan yang dijelaskan dengan menyertakan “pengeluaran pemasaran.”

R^² meningkat dari 0,60 menjadi 0,75 setelah menambahkan pengeluaran pemasaran. Gambar oleh Penulis.

Bagan ini menunjukkan seberapa jauh model menjadi lebih akurat saat “pengeluaran pemasaran” ditambahkan. R^² naik dari 0,60 menjadi 0,75, yang berarti variabel baru menjelaskan 15% lebih banyak variasi dalam penjualan—itulah partial R^².

Koefisien determinasi dalam regresi logistik

Dalam regresi logistik, variabel hasil bersifat kategorikal seperti ya/tidak, lulus/gagal sehingga R^² tradisional tidak berlaku. Sebagai gantinya, kita menggunakan metrik pseudo-R^², yang berfungsi serupa: memperkirakan seberapa baik model menjelaskan variasi hasil.

Dua nilai pseudo-R^² yang umum adalah:

• Cox & Snell R^²: Mengestimasi varians yang dijelaskan, tetapi nilai maksimumnya kurang dari 1, bahkan untuk model yang sempurna.
• Nagelkerke R^²: Versi koreksi dari Cox & Snell R^² yang diskalakan hingga 1, sehingga lebih mudah ditafsirkan seperti R^² tradisional.

Misalkan Anda memodelkan apakah seorang pelanggan akan mengeklik iklan (ya/tidak). Karena hasilnya biner, Anda tidak bisa menggunakan R^² biasa. Namun nilai pseudo-R^² seperti Nagelkerke membantu membandingkan model logistik dan menilai kekuatan prediktifnya, meskipun tidak setara langsung dengan R^² dalam regresi linear.

Bandingkan model logistik dengan metrik pseudo-R^². Gambar oleh Penulis.

Bagan ini membandingkan model regresi logistik menggunakan nilai pseudo-R^². Nagelkerke R^² menawarkan skala yang lebih mudah ditafsirkan daripada Cox & Snell. Ini memudahkan untuk mengevaluasi seberapa baik setiap model menjelaskan hasil (misalnya, memprediksi klik iklan).

Koefisien determinasi vs. metrik kecocokan model lainnya

Meskipun R^² membantu memahami seberapa banyak variasi yang dijelaskan, ini tidak mengukur seberapa jauh prediksi Anda meleset. Itulah yang dibantu oleh metrik berbasis galat seperti RMSE, MAE, dan MAPE.

Berikut perbandingan singkatnya:

Aplikasi Praktis di Berbagai Bidang

Sekarang, mari kita lihat beberapa dari sekian banyak kasus penggunaan koefisien determinasi. 

Ekonomi: Menjelaskan fluktuasi PDB

Dalam ekonomi, R^² digunakan untuk menjelaskan perubahan pada indikator luas seperti Produk Domestik Bruto (PDB). Misalnya, sebuah model dapat mencakup variabel seperti suku bunga, belanja konsumen, dan neraca perdagangan untuk memprediksi PDB.

Jika model seperti itu menghasilkan R^² sebesar 0.83, ini berarti 83% variasi PDB dapat dijelaskan oleh faktor-faktor ekonomi tersebut. Ini membantu ekonom memahami seberapa banyak naik turunnya PDB dapat dikaitkan dengan pendorong yang diketahui.

Sebuah studi menggunakan PDB AS sebagai variabel independen untuk memprediksi indeks S&P 500 dan menemukan R^² sebesar 0.83. Ini menunjukkan hubungan yang kuat antara aktivitas ekonomi dan tren pasar saham.

R^² menjelaskan ekonomi PDB. Gambar oleh Penulis.

Bagan menunjukkan bahwa saat lebih banyak indikator ekonomi ditambahkan ke model, R^² meningkat, dari 0.52 menjadi 0.83 dengan ketiga variabel. Ini memperjelas bahwa setiap faktor tambahan semakin baik menjelaskan fluktuasi PDB.

Keuangan: Pergerakan harga saham vs. indeks pasar

Dalam keuangan, R^² digunakan untuk mengukur seberapa banyak imbal hasil suatu saham dijelaskan oleh pergerakan pasar secara keseluruhan. Ini dilakukan dengan meregresikan imbal hasil saham terhadap indeks pasar seperti S&P 500.

Misalnya, jika Anda meregresikan imbal hasil Apple (AAPL) terhadap S&P 500 dan mendapatkan R^² = 0.82, itu berarti 85% pergerakan imbal hasil Apple dijelaskan oleh pasar yang lebih luas.

• R^² tinggi menunjukkan saham sangat terikat dengan pasar.
• R^² rendah menyiratkan saham lebih independen.

Korelasi antara AAPL dan S&P 500. Gambar oleh Penulis.

Bagan menunjukkan korelasi yang kuat antara Apple (AAPL) dan S&P 500. Dengan R^² sebesar 0.82, sebagian besar pergerakan harga Apple selaras erat dengan tren pasar, menunjukkan sensitivitas pasar yang tinggi.

Pemasaran: Belanja iklan dan konversi

Dalam pemasaran, R^² menunjukkan seberapa baik belanja iklan menjelaskan tingkat konversi pelanggan.

Misalkan Anda bekerja di perusahaan e-commerce dan ingin mengetahui apakah peningkatan belanja iklan bulanan meningkatkan tingkat konversi. Anda menjalankan regresi linear dan menemukan R^² = 0,98. Artinya 98% variasi tingkat konversi dijelaskan oleh belanja iklan Anda, menunjukkan hubungan yang sangat kuat.

Wawasan ini membantu pemasar:

• Meramalkan hasil konversi
• Membenarkan anggaran iklan
• Memprediksi return on investment (ROI)

Belanja iklan bulanan vs tingkat konversi. Gambar oleh Penulis.

Bagan ini menggambarkan hubungan linear yang hampir sempurna antara belanja iklan bulanan dan tingkat konversi. Ini mendukung nilai prediktif yang kuat untuk ROI dan perencanaan anggaran.

Machine learning: Menilai model regresi

Dalam machine learning, R^² digunakan sebagai metrik kinerja untuk tugas regresi. Pustaka seperti scikit-learn menyediakan fungsi r2_score() untuk menghitungnya.

Ini memberi tahu Anda seberapa baik model Anda menjelaskan keragaman dalam data:

• R^² mendekati 1 berarti kecocokan baik dan galat rendah

• R^² mendekati 0 berarti kecocokan buruk

R^² melengkapi RMSE dan MAE. Gambar oleh Penulis.

Bagan ini menyoroti bagaimana R² melengkapi metrik lain seperti RMSE dan MAE saat mengevaluasi model regresi. Sementara R^² menunjukkan daya jelaskan, RMSE dan MAE memberikan wawasan tentang besaran galat prediksi yang sebenarnya.

Melaporkan Koefisien Determinasi dalam Riset

Jika Anda menyertakan R^² dalam makalah atau proyek riset, ada beberapa aturan format yang perlu Anda ingat:

• Pastikan Anda menulis miring R^² dan ya, itu harus huruf R kapital, bukan huruf kecil. 
• Jangan gunakan nol di depan desimal. Jadi alih-alih menulis R^² = 0,73, tulis R^² = .73. Dan kecuali Anda benar-benar memerlukan detail lebih, bulatkan hingga dua tempat desimal.

Jika Anda menggunakan R^² sebagai bagian dari analisis regresi atau ANOVA, dan menguji apakah model Anda signifikan, sertakan beberapa hal lagi: statistik F, derajat kebebasan, dan nilai p. Ini memberi tahu pembaca seberapa yakin kita bahwa model Anda menjelaskan sesuatu yang bermakna.

Jadi saat Anda melaporkan hasil, tampilannya bisa seperti ini:

“Model menjelaskan porsi varians penjualan yang signifikan, R^² = .73, F(2, 97) = 25,42, p < .001.”

Namun, jika Anda tidak melakukan uji hipotesis, misalkan Anda melakukan analisis eksploratori atau mengevaluasi kinerja model dengan cross-validation, maka melaporkan nilai R² saja sudah sepenuhnya memadai.

Koefisien Determinasi di Python, R, dan Excel

Mari lihat cara menghitung R^² dengan tiga cara berbeda: Python, R, dan Excel melalui proyek mini di mana kita memprediksi nilai siswa berdasarkan waktu belajarnya.

Kita akan menggunakan dataset berikut untuk ketiga contoh:

Contoh dataset. Gambar oleh Penulis

Koefisien Determinasi di Python

Berikut cara menghitung R^² di Python menggunakan scikit-learn:

from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score
import numpy as np

# Data
study_time = np.array([1.5, 3.0, 2.5, 5.0, 3.5, 4.5, 6.0]).reshape(-1, 1)
scores = np.array([52, 63, 58, 80, 70, 78, 88])

# Model
model = LinearRegression()
model.fit(study_time, scores)
predicted_scores = model.predict(study_time)

# R² score
r2 = r2_score(scores, predicted_scores)
print(f"R² = {r2:.2f}")Didukung oleh

0.99Didukung oleh

Ini berarti 99% varians nilai dijelaskan oleh waktu belajar.

Jika Anda ingin mempelajari lebih lanjut tentang regresi dan model statistika, Anda dapat melihat panduan kami Introduction to Regression with statsmodels in Python. 

Koefisien Determinasi di R

Di R, Anda dapat menghitung R² dengan beberapa baris menggunakan fungsi lm():

# Data
study_time <- c(1.5, 3.0, 2.5, 5.0, 3.5, 4.5, 6.0)
scores <- c(52, 63, 58, 80, 70, 78, 88)

# Linear model
model <- lm(scores ~ study_time)

# R-squared
summary(model)$r.squaredDidukung oleh

0.9884718Didukung oleh

Sekitar 98% varians nilai dijelaskan oleh waktu belajar. Jika Anda ingin mempelajari lebih lanjut tentang regresi di R, lihat kursus kami Introduction to Regression in R.

Koefisien Determinasi di Excel

Di Excel, Anda dapat menghitung R² menggunakan fungsi bawaan RSQ(). Dengan asumsi:

• Waktu Belajar berada di sel A2:A8

• Nilai berada di sel B2:B8

Sintaksnya adalah:

RSQ(known_y's,known_x's)Didukung oleh

Saya menggunakan rumus berikut:

=RSQ(B2:B8,A2:A8)Didukung oleh

Ini memberi tahu Excel untuk menghitung nilai R^² antara variabel dependen (nilai) dan variabel independen (waktu belajar).

Contoh R^² di Excel. Gambar oleh Penulis.  

Inti Utama

Apakah Anda memprediksi nilai siswa, imbal hasil saham, atau perilaku pelanggan, koefisien determinasi memberi tahu Anda seberapa besar bagian hasil yang benar-benar dipahami oleh model Anda. 

Koefisien determinasi yang tinggi bisa terlihat mengesankan, tetapi jangan sampai membuat Anda berpikir model tersebut sempurna atau membuktikan sebab-akibat. Dan koefisien determinasi yang rendah tidak selalu berarti kegagalan; bisa jadi sistem Anda kompleks atau variabel Anda belum lengkap.

Jadi, jika Anda membangun atau menganalisis model, tanyakan pada diri Anda:

• Apa yang saya jelaskan dengan baik?
• Apa yang saya lewatkan?
• Dan apakah model saya berguna, bukan hanya akurat?

Mulailah dengan pola pikir itu, dan Anda akan menggunakan koefisien determinasi sebagai lensa untuk pengambilan keputusan yang lebih baik.