Kalkulator Regresi Linear - Fit Garis Terbaik & Prediksi
Hitung persamaan regresi linear (y = ax + b), koefisien korelasi (R²), dan buat prediksi berdasarkan data. Visualisasi scatter plot dengan garis regresi.
Rumus Regresi Linear Sederhana
y = a + bxKeterangan:
- yVariabel dependen (respons)(contoh: Nilai ujian)
- xVariabel independen (prediktor)(contoh: Jam belajar)
- aIntercept (nilai y saat x=0)(contoh: 10)
- bSlope (kemiringan, perubahan y per x)(contoh: 5)
- R²Koefisien determinasi (0-1)(contoh: 0.85 = 85% variansi dijelaskan)
Cara Menggunakan
- 1
Masukkan Data
Input pasangan data (x, y) minimal 3 titik.
- 2
Hitung Regresi
Sistem menghitung garis best fit menggunakan least squares.
- 3
Lihat Hasil
Persamaan garis, R², dan visualisasi ditampilkan.
- 4
Buat Prediksi
Input nilai x baru untuk memprediksi y.
Contoh Perhitungan
Jam Belajar vs Nilai
Soal:
Data: (1,50), (2,55), (3,65), (4,70), (5,80). Cari persamaan regresi.
Penyelesaian:
- 1.n = 5, Σx = 15, Σy = 320, Σxy = 1045, Σx² = 55
- 2.b = [n(Σxy) - (Σx)(Σy)] / [n(Σx²) - (Σx)²]
- 3.b = [5(1045) - 15(320)] / [5(55) - 225] = 7.5
- 4.a = (Σy - b×Σx) / n = (320 - 7.5×15) / 5 = 41.5
Hasil:y = 41.5 + 7.5x
Setiap tambahan 1 jam belajar, nilai naik rata-rata 7.5 poin.
Prediksi
Soal:
Dengan persamaan y = 41.5 + 7.5x, berapa nilai jika belajar 6 jam?
Penyelesaian:
- 1.y = 41.5 + 7.5(6)
- 2.y = 41.5 + 45
Hasil:y = 86.5
Diprediksi nilai sekitar 86-87 jika belajar 6 jam.
Pertanyaan yang Sering Diajukan (FAQ)
Apa arti R² (R-squared)?
R² menunjukkan proporsi variansi y yang dijelaskan oleh x. R² = 0.85 berarti 85% variasi nilai ujian dapat dijelaskan oleh jam belajar. Sisanya 15% oleh faktor lain.
Apa beda korelasi dan regresi?
Korelasi (r) mengukur kekuatan dan arah hubungan linear (-1 sampai +1). Regresi memberikan persamaan untuk memprediksi y dari x. R² = r² untuk regresi sederhana.
Kapan regresi linear tidak tepat?
Jika hubungan tidak linear (kurva), ada outlier ekstrem, atau asumsi (normalitas residual, homoskedastisitas) tidak terpenuhi. Cek dengan plot residual.
Apa itu least squares?
Metode least squares mencari garis yang meminimalkan jumlah kuadrat jarak vertikal antara titik data dan garis (residual). Ini adalah cara paling umum untuk fit regresi.
Bagaimana cara menginterpretasi koefisien a dan b dalam persamaan regresi?
Koefisien a (slope) menunjukkan perubahan variabel dependen setiap kenaikan satu unit variabel independen, sedangkan b (intercept) adalah nilai variabel dependen saat independen bernilai nol. Interpretasi harus kontekstual dengan data.
Apa saja asumsi yang harus dipenuhi dalam regresi linear?
Asumsi utama meliputi linearitas, independensi error, homoskedastisitas (varians error konstan), normalitas error, dan tidak ada multikolinearitas antar variabel independen. Pelanggaran asumsi dapat memengaruhi keakuratan model.
Bagaimana cara menghitung persamaan regresi linear secara manual?
Hitung rata-rata X dan Y, lalu hitung slope a = Σ((Xi - X̄)(Yi - Ȳ)) / Σ((Xi - X̄)²), dan intercept b = Ȳ - aX̄. Kalkulator ini melakukan semuanya secara otomatis.
Apa perbedaan regresi linear sederhana dan berganda?
Regresi linear sederhana menggunakan satu variabel independen, sedangkan berganda menggunakan dua atau lebih variabel independen untuk memprediksi variabel dependen.
Bagaimana cara mengecek apakah model regresi linear signifikan secara statistik?
Gunakan uji F (ANOVA) untuk signifikansi keseluruhan model dan uji t untuk signifikansi masing-masing koefisien. Nilai p-value < 0.05 umumnya menunjukkan signifikansi.
Apa yang dimaksud dengan outlier dalam regresi linear dan bagaimana pengaruhnya?
Outlier adalah data yang menyimpang jauh dari pola umum. Outlier dapat memengaruhi slope dan intercept secara signifikan, sehingga perlu diidentifikasi dan dipertimbangkan untuk dihapus atau ditangani.
Bisakah regresi linear digunakan untuk prediksi di luar rentang data?
Secara teknis bisa, tetapi tidak disarankan (ekstrapolasi) karena hubungan linear mungkin tidak berlaku di luar rentang data yang diamati. Prediksi di dalam rentang data lebih andal.