Kalkulator Regresi Linier

Q: Bagaimana cara menginterpretasi kemiringan dalam regresi linier?

Kemiringan (b1) merepresentasikan perubahan dalam variabel dependen Y untuk setiap peningkatan satu unit dalam variabel independen X. Kemiringan positif menunjukkan bahwa Y meningkat seiring peningkatan X, sedangkan kemiringan negatif menunjukkan bahwa Y menurun seiring peningkatan X. Misalnya, jika kemiringan adalah 2,5, maka untuk setiap peningkatan 1 unit dalam X, Y meningkat rata-rata 2,5 unit.

Q: Berapa banyak poin data yang saya perlukan untuk regresi linier?

Secara teknis, Anda memerlukan setidaknya 2 poin data untuk menghitung garis regresi, tetapi ini tidak memberikan derajat kebebasan untuk estimasi kesalahan. Untuk analisis statistik yang bermakna, Anda harus memiliki setidaknya 10-20 poin data. Lebih banyak poin data umumnya menghasilkan estimasi yang lebih andal dan interval kepercayaan yang lebih sempit untuk prediksi Anda.

Hitung persamaan regresi linier, kemiringan, intersepsi, R-kuadrat, dan buat prediksi dengan visualisasi scatter plot interaktif dan rincian rumus langkah demi langkah.

Gratis digunakanTidak perlu mendaftarDiperbarui Jan 2026

Kalkulator Regresi LinierCoba sekarang — gratis ▼

Coba Dataset Contoh

Variabel Independen (X) - Masukkan angka dipisahkan dengan koma, spasi, atau jeda baris

Variabel Dependen (Y) - Harus memiliki jumlah nilai yang sama dengan X

Prediksi Y untuk Nilai X (Opsional)

Presisi Desimal

Embed Kalkulator Regresi Linier Widget

Tentang Kalkulator Regresi Linier

Selamat datang di Kalkulator Regresi Linier, alat statistik komprehensif yang menghitung garis regresi kuadrat terkecil, koefisien korelasi, R-kuadrat, dan menyediakan visualisasi scatter plot interaktif dengan rincian rumus langkah demi langkah. Baik Anda menganalisis data untuk penelitian, peramalan bisnis, atau studi akademik, kalkulator ini memberikan analisis statistik tingkat profesional.

Apa itu Regresi Linier?

Regresi linier adalah metode statistik fundamental yang digunakan untuk memodelkan hubungan antara variabel dependen (Y) dan satu variabel independen (X) dengan menyesuaikan persamaan linier dengan data yang diamati. Metode ini menemukan garis lurus yang paling sesuai melalui poin data dengan meminimalkan jumlah residual kuadrat (perbedaan antara nilai yang diamati dan diprediksi).

Persamaan Regresi

Model Regresi Linier Sederhana

$$\hat{Y} = b_0 + b_1 X$$

Di mana:

Y (atau Y-hat) = Nilai prediksi variabel dependen
X = Variabel independen (prediktor)
b₀ = Intersepsi-Y (nilai Y ketika X = 0)
b₁ = Kemiringan (perubahan Y untuk setiap perubahan unit X)

Cara Menghitung Regresi Linier

Menghitung Kemiringan (b₁)

Rumus Kemiringan

$$b_1 = \frac{n\sum x_i y_i - \sum x_i \sum y_i}{n\sum x_i^2 - (\sum x_i)^2}$$

Menghitung Intersepsi-Y (b₀)

Rumus Intersepsi

$$b_0 = \bar{y} - b_1 \bar{x}$$

Di mana x-bar dan y-bar adalah rata-rata X dan Y masing-masing.

Memahami Korelasi dan R-Kuadrat

Koefisien Korelasi (r)

Koefisien korelasi mengukur kekuatan dan arah hubungan linier antara X dan Y. Berkisar dari -1 hingga +1:

Nilai r	Interpretasi
0.9 hingga 1.0	Korelasi positif sangat kuat
0.7 hingga 0.9	Korelasi positif kuat
0.5 hingga 0.7	Korelasi positif sedang
0.3 hingga 0.5	Korelasi positif lemah
-0.3 hingga 0.3	Sedikit atau tidak ada korelasi
-0.5 hingga -0.3	Korelasi negatif lemah
-0.7 hingga -0.5	Korelasi negatif sedang
-0.9 hingga -0.7	Korelasi negatif kuat
-1.0 hingga -0.9	Korelasi negatif sangat kuat

R-Kuadrat (Koefisien Determinasi)

R-kuadrat (R²) menunjukkan proporsi varians dalam Y yang dijelaskan oleh X. Misalnya, R² = 0,85 berarti 85% varians dalam Y dapat dijelaskan oleh hubungan linier dengan X.

Rumus R-Kuadrat

$$R^2 = r^2 = 1 - \frac{SS_{residual}}{SS_{total}}$$

Cara Menggunakan Kalkulator Ini

Masukkan nilai X: Masukkan data variabel independen Anda di area teks pertama, dipisahkan oleh koma, spasi, atau jeda baris.
Masukkan nilai Y: Masukkan data variabel dependen Anda di area teks kedua. Jumlah nilai Y harus cocok dengan nilai X.
Prediksi (opsional): Masukkan nilai X untuk memprediksi nilai Y yang sesuai menggunakan persamaan regresi.
Atur presisi: Pilih jumlah tempat desimal untuk hasil.
Hitung: Klik tombol Hitung untuk melihat persamaan regresi, scatter plot, statistik korelasi, dan perhitungan langkah demi langkah.

Memahami Hasil Anda

Hasil Utama

Persamaan Regresi: Persamaan garis kecocokan terbaik (Y = b₀ + b₁X)
Kemiringan (b₁): Tingkat perubahan Y untuk setiap perubahan unit X
Intersepsi (b₀): Nilai Y yang diprediksi ketika X sama dengan nol
Korelasi (r): Kekuatan dan arah hubungan linier
R-kuadrat (R²): Proporsi varians yang dijelaskan oleh model

Statistik Tambahan

Kesalahan Standar Estimasi: Jarak rata-rata poin data dari garis regresi
Kesalahan Standar Kemiringan: Ketidakpastian dalam estimasi kemiringan
Jumlah Kuadrat: Total, regresi, dan jumlah kuadrat residual
Residual: Perbedaan antara nilai Y yang diamati dan diprediksi

Aplikasi Regresi Linier

Bisnis dan Keuangan

Peramalan penjualan berdasarkan pengeluaran iklan
Memprediksi harga saham dari indikator pasar
Memperkirakan biaya berdasarkan volume produksi

Sains dan Penelitian

Menganalisis hubungan eksperimental antara variabel
Mengkalibrasi instrumen pengukuran
Mempelajari hubungan dosis-respons dalam farmakologi

Ekonomi

Pemodelan hubungan penawaran dan permintaan
Menganalisis efek suku bunga pada investasi
Mempelajari pola pendapatan vs. konsumsi

Ilmu Sosial

Penelitian pendidikan (jam belajar vs. skor tes)
Studi psikologi (usia vs. waktu reaksi)
Demografi (populasi vs. konsumsi sumber daya)

Asumsi Regresi Linier

Untuk hasil yang dapat diandalkan, regresi linier mengansumsikan:

Linieritas: Hubungan antara X dan Y adalah linier
Independensi: Observasi bersifat independen satu sama lain
Homoskedastisitas: Residual memiliki varians konstan di semua nilai X
Normalitas: Residual didistribusikan kira-kira normal
Tidak ada multikolinearitas: (Untuk regresi berganda) Variabel independen tidak sangat berkorelasi

Pertanyaan yang Sering Diajukan

Apa itu regresi linier?

Regresi linier adalah metode statistik yang digunakan untuk memodelkan hubungan antara variabel dependen (Y) dan satu variabel independen (X) dengan menyesuaikan persamaan linier dengan data yang diamati. Persamaan berbentuk Y = b₀ + b₁X, di mana b₀ adalah intersepsi-y dan b₁ adalah kemiringan. Ini menemukan garis yang paling sesuai yang meminimalkan jumlah perbedaan kuadrat antara nilai yang diamati dan diprediksi.

Bagaimana cara menginterpretasi kemiringan dalam regresi linier?

Kemiringan (b₁) merepresentasikan perubahan dalam variabel dependen Y untuk setiap peningkatan satu unit dalam variabel independen X. Kemiringan positif menunjukkan bahwa Y meningkat seiring peningkatan X, sedangkan kemiringan negatif menunjukkan bahwa Y menurun seiring peningkatan X.

Apa itu R-kuadrat dan apa artinya?

R-kuadrat (R²), juga disebut koefisien determinasi, mengukur seberapa baik garis regresi cocok dengan data. Berkisar dari 0 hingga 1, di mana 0 berarti model tidak menjelaskan variabilitas apa pun dan 1 berarti menjelaskan semua variabilitas. Secara umum, R² di atas 0,7 menunjukkan kecocokan yang baik.

Apa perbedaan antara korelasi (r) dan R-kuadrat?

Koefisien korelasi (r) mengukur kekuatan dan arah hubungan linier, berkisar dari -1 hingga +1. R-kuadrat (R²) adalah r², mewakili proporsi varians yang dijelaskan. Sementara r memberi tahu arah (hubungan positif atau negatif), R² hanya memberi tahu berapa banyak varians yang dijelaskan.

Berapa banyak poin data yang saya perlukan untuk regresi linier?

Secara teknis, Anda memerlukan setidaknya 2 poin data, tetapi untuk analisis statistik yang bermakna, Anda harus memiliki setidaknya 10-20 poin data. Lebih banyak poin data umumnya menghasilkan estimasi yang lebih andal.

Apa itu residual dalam regresi linier?

Residual adalah perbedaan antara nilai Y yang diamati dan nilai Y yang diprediksi (residual = Y yang diamati - Y yang diprediksi). Menganalisis residual membantu menilai kecocokan model. Idealnya, residual harus tersebar secara acak di sekitar nol tanpa pola yang jelas.

Sumber Daya Tambahan

Kutip konten, halaman, atau alat ini sebagai:

"Kalkulator Regresi Linier" di https://MiniWebtool.com/id/kalkulator-regresi-linier/ dari MiniWebtool, https://MiniWebtool.com/

by miniwebtool team. Updated: Jan 17, 2026

API developer tersedia: Jalankan alat ini dari aplikasi, otomatisasi, atau agen Anda dengan satu permintaan HTTP JSON. Lihat dokumentasi API

Anda juga dapat mencoba Penyelesai Matematika AI GPT kami untuk menyelesaikan masalah matematika Anda melalui pertanyaan dan jawaban dalam bahasa alami.