Kalkulator Regresi Linear
Regresi linear mencari garis lurus yang paling cocok dengan sebaran titik data, sehingga satu variabel bisa dipakai untuk memprediksi variabel lainnya. Masukkan pasangan data (x, y) di atas dan lihat kemiringan, intersep, koefisien korelasi, dan R²-nya beserta grafik dan tabel residualnya secara instan.
Pisahkan x dan y dengan spasi. Desimal boleh memakai koma, contoh: 1,5 2,5. Data contoh di atas: jam belajar (x) vs nilai ujian (y), data contoh kelas.
Prediksi memakai garis regresi dari data di atas, dengan interval prediksi 95% dan interval kepercayaan 95% untuk rata-rata respons.
Grafik: garis regresi untuk data contoh
Lima titik di bawah ini adalah data contoh kelas: jam belajar (x) melawan nilai ujian (y). Garis ungu adalah garis regresi ŷ = 2,2 + 0,6x. Titik hijau berongga pada x = 6 adalah nilai yang diprediksi (5,8) — titik itu berada di luar rentang data (1–5), jadi ia adalah ekstrapolasi.
Sumbu mendatar: jam belajar (x). Sumbu tegak: nilai ujian (y). Garis regresi tidak melalui semua titik — ia melewati tengah-tengah sebaran titik sehingga jarak totalnya sekecil mungkin.
Apa itu garis regresi?
Garis regresi adalah garis lurus yang paling cocok dengan sebaran titik data (x, y). “Paling cocok” di sini punya arti yang tepat: garis yang membuat jumlah kuadrat selisih antara nilai y yang diamati dan nilai y yang diprediksi garis sekecil mungkin. Cara ini disebut kuadrat terkecil (ordinary least squares, OLS). Dari sekian banyak garis yang bisa ditarik melalui sebaran titik, hanya satu garis yang meminimalkan jumlah kuadrat selisih itu — dan garis itulah yang dihitung kalkulator di atas.
Garis itu ditulis ŷ = a + bx. Huruf a adalah intersep, yaitu nilai ŷ ketika x = 0. Huruf b adalah kemiringan (slope), yaitu perubahan ŷ untuk setiap kenaikan 1 satuan x. Tanda topi pada ŷ (dibaca “y prediksi”) menandakan bahwa nilai itu adalah hasil prediksi garis, bukan nilai y yang benar-benar diamati. Pada data contoh kelas, garisnya adalah ŷ = 2,2 + 0,6x: tiap tambahan 1 jam belajar dikaitkan dengan kenaikan rata-rata 0,6 poin nilai ujian.
Regresi linear dipakai untuk dua keperluan: memprediksi nilai y dari nilai x yang diketahui, dan memahami arah serta kekuatan hubungan antara dua variabel. Garis regresi hanyalah ringkasan pola data — ia tidak membuktikan bahwa x menyebabkan y. Hubungan sebab-akibat membutuhkan desain penelitian, bukan sekadar garis yang cocok. Penjelasan lengkapnya ada di artikel Regresi Linear Dijelaskan.
Rumus regresi linear
Untuk pasangan data (x, y) sebanyak n, garis regresi dihitung dari tiga jumlah kuadrat dan hasil kali silang berikut. Rata-rata ditulis x̄ dan ȳ.
Sxx = Σ(x − x̄)² — jumlah kuadrat selisih x dari rata-ratanya.
Syy = Σ(y − ȳ)² — jumlah kuadrat selisih y dari rata-ratanya.
Sxy = Σ(x − x̄)(y − ȳ) — jumlah hasil kali selisih x dan selisih y.
Dari ketiganya, kemiringan dan intersep diperoleh langsung:
b = Sxy / Sxx dan a = ȳ − b·x̄ sehingga garisnya ŷ = a + bx.
Koefisien korelasi Pearson mengukur seberapa kuat hubungan linearnya: r = Sxy / √(Sxx · Syy). Kuadratnya, R² = r², menyatakan berapa bagian keragaman y yang dijelaskan oleh x. Keduanya dihitung kalkulator di atas, dan Kalkulator Koefisien Korelasi membahas r secara khusus.
Contoh soal 1: jam belajar vs nilai ujian
Lima siswa mencatat jam belajar (x) dan nilai ujian (y). Datanya — data contoh kelas — adalah (1; 2), (2; 4), (3; 5), (4; 4), (5; 5). Tentukan garis regresinya, koefisien korelasi, dan R².
Langkah 1 — rata-rata. Jumlah x = 1 + 2 + 3 + 4 + 5 = 15, jadi x̄ = 15 / 5 = 3,00. Jumlah y = 2 + 4 + 5 + 4 + 5 = 20, jadi ȳ = 20 / 5 = 4,00.
Langkah 2 — jumlah kuadrat dan hasil kali silang.
| x | y | x − x̄ | y − ȳ | (x − x̄)² | (y − ȳ)² | (x − x̄)(y − ȳ) |
|---|---|---|---|---|---|---|
| 1 | 2 | −2 | −2 | 4 | 4 | 4 |
| 2 | 4 | −1 | 0 | 1 | 0 | 0 |
| 3 | 5 | 0 | 1 | 0 | 1 | 0 |
| 4 | 4 | 1 | 0 | 1 | 0 | 0 |
| 5 | 5 | 2 | 1 | 4 | 1 | 2 |
| Σ = 15 | Σ = 20 | Sxx = 10 | Syy = 6 | Sxy = 6 |
Langkah 3 — kemiringan dan intersep. b = Sxy / Sxx = 6 / 10 = 0,6000. a = ȳ − b·x̄ = 4,00 − 0,6 × 3,00 = 4,00 − 1,80 = 2,2000. Jadi garis regresinya adalah ŷ = 2,2 + 0,6x.
Langkah 4 — korelasi dan R². r = Sxy / √(Sxx · Syy) = 6 / √(10 × 6) = 6 / √60 = 6 / 7,746 = 0,7746. R² = r² = 0,6000. Artinya 60% keragaman nilai ujian dijelaskan oleh jam belajar; 40% sisanya berasal dari faktor lain. Cek hasilnya dengan kalkulator di atas — masukkan data yang sama dan bandingkan setiap angka.
Contoh soal 2: residual dan SSE
Residual adalah selisih antara nilai y yang diamati dan nilai ŷ yang diprediksi garis: e = y − ŷ. Garis kuadrat terkecil adalah garis yang membuat jumlah kuadrat residual (SSE) sekecil mungkin. Untuk data contoh di atas:
| x | y (diamati) | ŷ = 2,2 + 0,6x | Residual e = y − ŷ | e² |
|---|---|---|---|---|
| 1 | 2 | 2,8 | −0,8 | 0,64 |
| 2 | 4 | 3,4 | +0,6 | 0,36 |
| 3 | 5 | 4,0 | +1,0 | 1,00 |
| 4 | 4 | 4,6 | −0,6 | 0,36 |
| 5 | 5 | 5,2 | −0,2 | 0,04 |
| Σe = 0 | SSE = 2,4 |
Jumlah residual selalu 0 pada garis kuadrat terkecil — garis itu melewati titik (x̄; ȳ) = (3; 4) dan “menyeimbangkan” selisih positif dan negatif. Jumlah kuadrat residualnya SSE = 2,4. Jumlah kuadrat totalnya SST = Syy = 6,0, dan jumlah kuadrat regresinya SSR = SST − SSE = 6,0 − 2,4 = 3,6. Periksa: R² = SSR / SST = 3,6 / 6,0 = 0,6000 — sama dengan r² dari Contoh 1. Simpangan baku residualnya s = √(SSE / (n − 2)) = √(2,4 / 3) = √0,8 = 0,8944. Nilai s ini dipakai untuk menguji kemiringan dan membuat interval prediksi (lihat Contoh 4 dan 5). Mode “Tabel residual & grafik” di atas menampilkan tabel ini beserta grafik sebar dan plot residualnya.
Contoh soal 3: prediksi nilai y
Dengan garis ŷ = 2,2 + 0,6x dari Contoh 1, prediksi nilai ujian untuk siswa yang belajar 6 jam adalah ŷ = 2,2 + 0,6 × 6 = 2,2 + 3,6 = 5,8. Untuk siswa yang tidak belajar sama sekali (x = 0), ŷ = 2,2 + 0,6 × 0 = 2,2. Untuk x = 7, ŷ = 2,2 + 0,6 × 7 = 2,2 + 4,2 = 6,4.
Perhatikan rentang datanya: data contoh hanya mencakup x = 1 sampai x = 5. Nilai x = 6 dan x = 7 berada DI LUAR rentang data — keduanya adalah ekstrapolasi, jadi perlakukan hasilnya dengan hati-hati. Prediksi x = 0 pun ekstrapolasi: tidak ada siswa dalam data yang belajar 0 jam, sehingga 2,2 adalah perkiraan garis, bukan nilai yang terukur. Mode “Prediksi” di atas menandai peringatan ini setiap kali x yang dimasukkan berada di luar rentang data.
Contoh soal 4: interval prediksi dan interval kepercayaan
Satu angka prediksi (5,8) tidak menceritakan seberapa pastinya perkiraan itu. Untuk x = 6, dengan tingkat kepercayaan 95% dan t* = 3,182 (df = n − 2 = 3), kalkulator memberi dua interval yang berbeda:
Interval prediksi 95%: [1,68; 9,92]. Interval ini memperkirakan nilai ujian SATU siswa tertentu yang belajar 6 jam. Ia lebar karena memperhitungkan dua sumber ketidakpastian: garis regresinya sendiri tidak pasti, dan nilai satu siswa menyebar di sekitar garis (simpangan baku residual s = 0,8944).
Interval kepercayaan 95% untuk rata-rata respons: [2,81; 8,79]. Interval ini memperkirakan RATA-RATA nilai ujian semua siswa yang belajar 6 jam. Ia jauh lebih sempit karena rata-rata banyak siswa jauh lebih stabil daripada satu siswa.
Jadi interval prediksi selalu lebih lebar daripada interval kepercayaan untuk rata-rata — yang pertama menebak satu orang, yang kedua menebak rata-rata. Keduanya berpusat pada ŷ = 5,8, tetapi maknanya berbeda. Jangan tertukar: memakai interval yang sempit untuk satu siswa akan memberi kesan pasti yang salah.
Contoh soal 5: apakah kemiringannya signifikan?
Kemiringan b = 0,6 terlihat positif, tetapi apakah ia benar-benar berbeda dari nol, atau hanya kebetulan pada lima siswa ini? Uji kemiringan menjawabnya. Galat baku kemiringan SE(b) = s / √Sxx = 0,8944 / √10 = 0,8944 / 3,1623 = 0,2828. Statistik ujinya t = b / SE(b) = 0,6 / 0,2828 = 2,121 dengan df = 3. Nilai-p dua sisinya adalah p = 0,124.
Karena p = 0,124 lebih besar dari α = 0,05, kemiringan TIDAK signifikan: dengan n = 5, data ini belum membuktikan bahwa kemiringan berbeda dari nol. Ini bukan berarti tidak ada hubungan — hanya saja lima titik terlalu sedikit untuk memastikannya. Contoh ini mengajarkan cara menghitung, bukan temuan nyata. Dengan data yang lebih banyak, kesimpulan bisa berubah — lihat Contoh 6.
Contoh soal 6: biaya iklan vs penjualan
Sebuah toko mencatat biaya iklan (x, juta Rp) dan penjualan (y, juta Rp) selama 10 bulan: x = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10; y = 12, 15, 14, 19, 21, 22, 25, 28, 27, 31. Hasilnya: r = 0,9839 (sangat kuat), kemiringan b = 2,085, intersep a = 9,933, sehingga ŷ = 9,933 + 2,085x. Uji kemiringan: t = 15,59, df = 8, p < 0,0001 — SANGAT signifikan.
Bandingkan dengan Contoh 1: metodenya sama, tetapi n = 10 (bukan 5) dan hubungannya jauh lebih kuat, sehingga hasilnya meyakinkan. Inilah bedanya contoh yang mengajarkan cara dengan bukti yang kuat: ukuran sampel dan kekuatan hubungan menentukan apakah kesimpulan bisa dipercaya.
Jangan tertukar: dataset yang mirip, hasil yang berbeda
Ada dataset yang hampir sama dengan contoh utama halaman ini, tetapi nilai y terakhirnya 6, bukan 5: (1; 2), (2; 4), (3; 5), (4; 4), (5; 6). Satu angka yang berbeda itu mengubah segalanya: garisnya menjadi ŷ = 1,8 + 0,8x, dengan r = 0,8528 dan R² = 0,7273. Jangan tertukar dengan contoh utama halaman ini, yang garisnya ŷ = 2,2 + 0,6x dan R² = 0,6000. Selalu periksa dataset yang dipakai sebelum menyalin angka — satu nilai yang berbeda memberi garis yang berbeda.
Apa arti R² 0,600?
R² = 0,600 berarti 60% keragaman nilai ujian dijelaskan oleh jam belajar melalui garis regresi, sedangkan 40% sisanya tidak dijelaskan — ia berasal dari faktor lain (misalnya kemampuan awal, kualitas tidur, atau soal yang sulit) dan dari galat acak. R² selalu berada antara 0 dan 1: 0 berarti garis tidak menjelaskan apa-apa, 1 berarti garis melalui semua titik dengan sempurna.
R² yang tinggi bukan jaminan modelnya benar. Garis lurus bisa memberi R² tinggi pada data yang sebenarnya melengkung, dan empat dataset yang sangat berbeda bisa memiliki R² yang sama (lihat kuartet Anscombe pada Kalkulator Koefisien Korelasi). Selalu lihat grafik sebar dan tabel residualnya, bukan hanya R².
Bagaimana cara memprediksi nilai y dari x?
Pertama, hitung garis regresi dari data (kemiringan dan intersep). Kedua, masukkan nilai x yang diinginkan ke dalam ŷ = a + bx. Ketiga, periksa apakah x itu berada dalam rentang data — bila di luar, hasil adalah ekstrapolasi dan harus dilaporkan dengan hati-hati. Keempat, sertakan intervalnya: interval prediksi bila menebak satu nilai, interval kepercayaan bila menebak rata-rata. Kalkulator di atas (mode “Prediksi”) melakukan keempat langkah ini sekaligus.
Kapan memakai regresi linear?
Regresi linear cocok bila hubungan antara x dan y tampak lurus pada grafik sebar, kedua variabel berupa angka (kontinu atau diskrit dengan banyak nilai), dan setiap pasangan (x, y) berasal dari pengamatan yang saling bebas. Untuk uji kemiringan dan interval, residual sebaiknya menyebar acak di sekitar nol tanpa pola dan tanpa pencilan yang ekstrem.
Jangan memakai garis lurus bila polanya melengkung (misalnya pertumbuhan yang makin cepat), bila x dan y bukan angka, atau bila datanya berkelompok dan berulang. Dan jangan memakai regresi untuk menyimpulkan sebab-akibat dari data observasi saja — korelasi yang kuat, betapa pun meyakinkannya, tetap bukan bukti sebab-akibat.
Menghitung regresi linear di Excel
Excel punya fungsi bawaan untuk setiap bagian regresi. Letakkan nilai x di A2:A6 dan nilai y di B2:B6 (data contoh kelas), lalu gunakan rumus berikut. Di Excel berbahasa Indonesia, pemisah argumennya titik koma (;) dan nama fungsinya tetap dalam bahasa Inggris.
| Rumus Excel | Hasil | Keterangan |
|---|---|---|
=SLOPE(B2:B6; A2:A6) | 0,6 | Kemiringan b |
=INTERCEPT(B2:B6; A2:A6) | 2,2 | Intersep a |
=CORREL(A2:A6; B2:B6) | 0,7746 | Koefisien korelasi r |
=RSQ(B2:B6; A2:A6) | 0,6000 | R² |
=FORECAST.LINEAR(6; B2:B6; A2:A6) | 5,8 | Prediksi ŷ untuk x = 6 |
Untuk grafiknya, buat diagram sebar (scatter) dari data, lalu klik kanan pada titik data dan pilih “Add Trendline” (garis tren). Pilih “Linear” dan centang “Display Equation on chart” untuk menampilkan persamaan garisnya. Perhatikan urutan argumen SLOPE dan INTERCEPT: y dulu (B2:B6), baru x (A2:A6) — tertukar urutannya adalah kesalahan yang paling sering terjadi.
Kesalahan umum
Menukar x dan y. Regresi y atas x tidak sama dengan regresi x atas y. Tentukan dulu mana yang diprediksi (y) dan mana prediktornya (x) sebelum menghitung.
Ekstrapolasi tanpa peringatan. Garis hanya teruji pada rentang data. Prediksi jauh di luar rentang (misalnya x = 20 untuk data 1–5) bisa sangat meleset, sekalipun R²-nya tinggi.
Mengira R² tinggi berarti model benar. R² tinggi bisa muncul pada hubungan yang melengkung atau yang didorong satu pencilan. Selalu periksa grafik sebar dan plot residualnya.
Mengabaikan residual. Pola pada plot residual (misalnya membentuk lengkung atau melebar) menandakan garis lurus bukan model yang tepat, walau R²-nya tampak bagus.
Menyimpulkan “tidak ada hubungan” dari uji yang tidak signifikan. Uji yang tidak signifikan pada n kecil (seperti Contoh 5) hanya berarti buktinya belum cukup — bukan bukti bahwa kemiringannya nol.
Pertanyaan yang sering diajukan
Regresi linear adalah cara mencari garis lurus yang paling cocok dengan sebaran titik data (x, y), sehingga satu variabel bisa dipakai untuk memprediksi variabel lainnya. Garisnya ditulis ŷ = a + bx, dan “paling cocok” berarti garis yang meminimalkan jumlah kuadrat residual (kuadrat terkecil / OLS).
Kemiringan (b) adalah perubahan nilai ŷ untuk setiap kenaikan 1 satuan x. Pada data contoh kelas, b = 0,6 berarti tiap tambahan 1 jam belajar dikaitkan dengan kenaikan rata-rata 0,6 poin nilai ujian. Kemiringan positif berarti y cenderung naik saat x naik; kemiringan negatif berarti sebaliknya.
Intersep (a) adalah nilai ŷ ketika x = 0. Pada data contoh kelas, a = 2,2 berarti garis memprediksi nilai 2,2 untuk siswa yang belajar 0 jam. Intersep sering kali adalah ekstrapolasi (tidak ada data pada x = 0), jadi tafsirkan dengan hati-hati — ia berguna untuk persamaan garis, belum tentu bermakna secara nyata.
r (koefisien korelasi Pearson) mengukur kekuatan dan arah hubungan linear, dari −1 sampai +1. R² adalah kuadrat r: ia menyatakan berapa bagian keragaman y yang dijelaskan oleh x. Pada data contoh, r = 0,7746 dan R² = 0,6000 — artinya 60% keragaman nilai ujian dijelaskan oleh jam belajar. r punya tanda (arah), R² tidak.
Hitung rata-rata x̄ dan ȳ, lalu Sxx = Σ(x − x̄)², Sxy = Σ(x − x̄)(y − ȳ), dan Syy = Σ(y − ȳ)². Kemiringannya b = Sxy / Sxx dan intersepnya a = ȳ − b·x̄, sehingga garisnya ŷ = a + bx. Kalkulator di atas menampilkan setiap langkah ini, dan Excel bisa menghitungnya dengan SLOPE dan INTERCEPT.
Residual adalah selisih antara nilai y yang diamati dan nilai ŷ yang diprediksi garis (e = y − ŷ). Garis kuadrat terkecil (OLS) dipilih karena ia membuat jumlah kuadrat residual (SSE) sekecil mungkin — garis itulah yang secara keseluruhan paling dekat dengan semua titik data. Jumlah residual pada garis OLS selalu 0.
Bisa, tetapi itu ekstrapolasi dan harus dilaporkan dengan hati-hati. Garis hanya teruji pada rentang data yang dipakai untuk menghitungnya. Pada data contoh (x = 1–5), prediksi x = 6 (ŷ = 5,8) masih dekat dengan data, tetapi prediksi x = 20 akan sangat tidak bisa dipercaya. Mode “Prediksi” di atas memberi peringatan setiap kali x berada di luar rentang data.
Tidak. Regresi hanya menunjukkan bahwa dua variabel bergerak bersama menurut garis lurus — ia tidak membuktikan bahwa x menyebabkan y. Hubungan sebab-akibat membutuhkan desain penelitian (misalnya eksperimen acak), bukan sekadar garis yang cocok. Penjelasan lengkapnya ada di artikel Regresi Linear Dijelaskan.
Langkah Selanjutnya
● ArtikelRegresi Linear Dijelaskan
Pelajari regresi linear dari nol: kemiringan, intersep, residual, korelasi, dan R², dengan contoh soal langkah demi langkah dan grafik.
Baca →Jelajahi Alat Lainnya
Kalkulator Koefisien Korelasi
Hitung koefisien korelasi Pearson r, uji signifikansi, dan interval kepercayaan Fisher.
Hitung → ● AktifKalkulator Simpangan Baku
Hitung simpangan baku sampel dan populasi, varians, dan rata-rata dari data mentah.
Hitung → ● AktifKalkulator Distribusi Normal
Peluang, nilai-z, dan luas di bawah kurva normal.
Hitung → ● AktifKalkulator Aturan Empiris
Interval 68–95–99,7 dengan rata-rata dan simpangan baku beserta kurva lonceng yang diarsir.
Hitung →Sumber: NIST/SEMATECH e-Handbook of Statistical Methods, §4.1.4.1 Linear Regression (https://www.itl.nist.gov/div898/handbook/pmd/section1/pmd141.htm). Lihat juga metodologi kami dan semua kalkulator statistik.