Nur Hafizah Soal Bernomor Ganjil

112009400000013 Tugas Linear Regresi

1. a. Estimate the linear regression line.

Berdasarkan output diatas didapatkan perkiraan garis regresi linearnya adalah

^y =64.5292+ 0.5609 x
b. Plot the residuals versus the x’s. Comment the result.

comment: sisa atau residu atau eror dari regresinya bersifat acak
Berikut merupakan hasil input dan outputnya
Input:
#masukkan data menjadi vector x dan vector y
x<-
c(17.3,19.3,19.5,19.7,22.9,23.1,26.4,26.8,27.6,28.1,28.2,28.7,29.0,29.6,29.9,29.9,30.3,31.3,36.0,39.5,40.4,44.
3,44.6,50.4,55.9)
y<-
c(71.7,48.3,88.3,75.0,91.7,100.0,73.3,65.0,75.0,88.3,68.3,96.7,76.7,78.3,60.0,71.7,85.0,85.0,88.3,100.0,100.0
,100.0,91.7,100.0,71.7)

#memeriksa data kembali

mydata=data.frame(x,y)
View(mydata)
str(mydata)

# gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
pers_regresi<-lm(y~x)
print(pers_regresi)

#untuk mengeluarkan hasil uji t untuk parameter b0 & b1

print(summary(pers_regresi))

#prepare plot
plot(x,y,col="blue",main="Regresi Arm Strength and Dynamic Lift",
abline(lm(y~x)),cex=1.3,pch=16,xlab="Arm Strength",ylab="Dynamic Lift")

Output:
#masukkan data menjadi vector x dan vector y
> x<-
c(17.3,19.3,19.5,19.7,22.9,23.1,26.4,26.8,27.6,28.1,28.2,28.7,29.0,29.6,29.9,29.9,30.3,31.3,36.0,39.5,40.4,44.
3,44.6,50.4,55.9)
> y<-
c(71.7,48.3,88.3,75.0,91.7,100.0,73.3,65.0,75.0,88.3,68.3,96.7,76.7,78.3,60.0,71.7,85.0,85.0,88.3,100.0,100.0
,100.0,91.7,100.0,71.7)
>
> #memeriksa data kembali
> mydata=data.frame(x,y)
> View(mydata)
> str(mydata)
'data.frame': 25 obs. of 2 variables:
$ x: num 17.3 19.3 19.5 19.7 22.9 23.1 26.4 26.8 27.6 28.1 ...
$ y: num 71.7 48.3 88.3 75 91.7 100 73.3 65 75 88.3 ...
>
> # gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
> pers_regresi<-lm(y~x)
> print(pers_regresi)

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
64.5292 0.5609

>
> #untuk mengeluarkan hasil uji t untuk parameter b0 & b1
> print(summary(pers_regresi))

Call:
lm(formula = y ~ x)

Residuals:
Min 1Q Median 3Q Max
-27.055 -6.037 2.155 10.623 22.514

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 64.5292 8.9599 7.202 2.48e-07 ***
x 0.5609 0.2747 2.042 0.0528 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 13.28 on 23 degrees of freedom

Multiple R-squared: 0.1534, Adjusted R-squared: 0.1166
F-statistic: 4.168 on 1 and 23 DF, p-value: 0.05282
>
> #prepare plot
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
> plot(x,y,col="blue",main="Regresi Arm Strength and Dynamic Lift",
+ abline(lm(y~x)),cex=1.3,pch=16,xlab="Arm Strength",ylab="Dynamic Lift")

3. (a). Find the equation of the regression line.

Jadi, berdasarkan output di atas persamaan garis regresi linearnya adalah

^y =5.8254 +0.5676 x

(b). Graph the line on a scatter diagram.

(c). Estimate the amount of chemical that will dissolve in 100 grams of water at 50◦C.

Jadi berdasarkan output diatas perkiraan banyaknya zat kimia yang akan larut dalam 100
gram air pada suhu 50◦C. adalah
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
estimasi nilai untuk x = 50:
^y =5.8254 +0.5676 ( 50 )=34.2054
Dan interpolasi nilai untuk x = 100:
^y =5.8254 +0.5676 ( 100 )=62.58730

Berikut merupakan hasil input dan outputnya

Input:
library(car)
library(stats)
#masukkan data menjadi vector x dan vector y
x<-c(0,0,0,15,15,15,30,30,30,45,45,45,60,60,60,75,75,75)
y<-c(8,6,8,12,10,14,25,21,24,31,33,28,44,39,42,48,51,44)

#memeriksa data kembali

mydata=data.frame(x,y)
View(mydata)
str(mydata)

# gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
pers_regresi<-lm(y~x)
print(pers_regresi)

#untuk mengeluarkan hasil uji t untuk parameter b0 & b1

print(summary(pers_regresi))

#data yang akan diprediksi

x_test<-data.frame(x=c(50,100))

#hasil prediksi
predict_result<-predict(pers_regresi,x_test)
print(predict_result)

#prepare plot
plot(x,y,col="blue",main="Regresi ◦C and grams",
abline(lm(y~x)),cex=1.3,pch=16,xlab="◦C",ylab="grams")

Output:
> library(car)
> library(stats)
> #masukkan data menjadi vector x dan vector y
> x<-c(0,0,0,15,15,15,30,30,30,45,45,45,60,60,60,75,75,75)
> y<-c(8,6,8,12,10,14,25,21,24,31,33,28,44,39,42,48,51,44)
>
> #memeriksa data kembali
> mydata=data.frame(x,y)
> View(mydata)
> str(mydata)
'data.frame': 18 obs. of 2 variables:
$ x: num 0 0 0 15 15 15 30 30 30 45 ...
$ y: num 8 6 8 12 10 14 25 21 24 31 ...
>
> # gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
> pers_regresi<-lm(y~x)
> print(pers_regresi)

Call:
lm(formula = y ~ x)
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
Coefficients:
(Intercept) x
5.8254 0.5676

>
> #untuk mengeluarkan hasil uji t untuk parameter b0 & b1
> print(summary(pers_regresi))

Call:
lm(formula = y ~ x)

Residuals:
Min 1Q Median 3Q Max
-4.3968 -1.6111 -0.0825 2.1389 4.1175

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 5.82540 1.07497 5.419 5.68e-05 ***
x 0.56762 0.02367 23.980 5.73e-14 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.573 on 16 degrees of freedom

Multiple R-squared: 0.9729, Adjusted R-squared: 0.9712
F-statistic: 575.1 on 1 and 16 DF, p-value: 5.732e-14

>
> #data yang akan diprediksi
> x_test<-data.frame(x=c(50,100))
>
> #hasil prediksi
> predict_result<-predict(pers_regresi,x_test)
> print(predict_result)
1 2
34.20635 62.58730
>
> #prepare plot
> plot(x,y,col="blue",main="Regresi ◦C and grams",
+ abline(lm(y~x)),cex=1.3,pch=16,xlab="◦C",ylab="grams")

5. (a). Estimate the linear regression line.

Berdasarkan hasil output di atas maka estimasi garis regresi linearnya adalah
^y =6.4136+1.8091 x

(b). Estimate the mean amount of converted sugar produced when the coded temperature
is 1.75.
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi

Perkiraan jumlah gula yang dikonversi pada suhu 1,75 dengan menggunakan R adalah
^y =6.4136+1.8091(1.75)=9. 5795

(c). Plot the residuals versus temperature. Comment.

comment: sisa atau residu atau eror dari regresinya bersifat tidak acak

Berikut merupakan hasil input dan outputnya

Input :
#masukkan data menjadi vector x dan vector y
x<-c(1.0,1.1,1.2,1.3,1.4,1.5,1.6,1.7,1.8,1.9,2.0)
y<-c(8.1,7.8,8.5,9.8,9.5,8.9,8.6,10.2,9.3,9.2,10.5)

#memeriksa data kembali

mydata=data.frame(x,y)
View(mydata)
str(mydata)

# gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
pers_regresi<-lm(y~x)
print(pers_regresi)

#untuk mengeluarkan hasil uji t untuk parameter b0 & b1

print(summary(pers_regresi))

#data yang akan diprediksi

x_test<-data.frame(x=1.75)

#hasil prediksi
predict_result<-predict(pers_regresi,x_test)
print(predict_result)

#prepare plot
plot(x,y,col="blue",main="Regresi Temperture and Converted Sugar",
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
abline(lm(y~x)),cex=1.3,pch=16,xlab="Temperature",ylab="Converted Sugar")

Output:
#masukkan data menjadi vector x dan vector y
> x<-c(1.0,1.1,1.2,1.3,1.4,1.5,1.6,1.7,1.8,1.9,2.0)
> y<-c(8.1,7.8,8.5,9.8,9.5,8.9,8.6,10.2,9.3,9.2,10.5)
>
> #memeriksa data kembali
> mydata=data.frame(x,y)
> View(mydata)
> str(mydata)
'data.frame': 11 obs. of 2 variables:
$ x: num 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 ...
$ y: num 8.1 7.8 8.5 9.8 9.5 8.9 8.6 10.2 9.3 9.2 ...
>
> # gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
> pers_regresi<-lm(y~x)
> print(pers_regresi)

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
6.414 1.809

>
> #untuk mengeluarkan hasil uji t untuk parameter b0 & b1
> print(summary(pers_regresi))

Call:
lm(formula = y ~ x)

Residuals:
Min 1Q Median 3Q Max
-0.7082 -0.4868 -0.1227 0.5109 1.0346

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.4136 0.9246 6.936 6.79e-05 ***
x 1.8091 0.6032 2.999 0.015 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.6326 on 9 degrees of freedom

Multiple R-squared: 0.4999, Adjusted R-squared: 0.4443
F-statistic: 8.996 on 1 and 9 DF, p-value: 0.01497

>
> #data yang akan diprediksi
> x_test<-data.frame(x=1.75)
>
> #hasil prediksi
> predict_result<-predict(pers_regresi,x_test)
> print(predict_result)
1
9.579545
>
> #prepare plot
> plot(x,y,col="blue",main="Regresi Temperture and Converted Sugar",
+ abline(lm(y~x)),cex=1.3,pch=16,xlab="Temperature",ylab="Converted Sugar")
>
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi

7. a. Plot the data; does it appear that a simple linear regression will be a suitable model?
Berdasarkan plot datanya, dengan regresi linier sederhana akan menjadi model yang cocok
untuk digunakan
b. Fit a simple linear regression; estimate a slope and intercept

Berdasarkan output di atas perkiraan kemiringan dan interceptnya yaitu

^y =−71.818+ 2.563 x

(c) Graph the regression line on the plot in (a).

Berikut merupakan hasil input dan outputnya.

Input:
#masukkan data menjadi vector x dan vector y
x<-c(76,62,66,58,88,70,37,82,88,43)
y<-c(123,55,100,75,159,109,48,138,164,28)

#memeriksa data kembali

mydata=data.frame(x,y)
View(mydata)
str(mydata)

# gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
pers_regresi<-lm(y~x)
print(pers_regresi)

#untuk mengeluarkan hasil uji t untuk parameter b0 & b1

print(summary(pers_regresi))

#prepare plot
plot(x,y,col="blue",main="Regresi Organic Acid Content Produced by Extraction and Weighing and Acid
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
Content of Material Produced by Titration ",
abline(lm(y~x)),cex=1.3,pch=16,xlab="Organic Acid Content Produced by Extraction and
Weighing",ylab="Acid Content of Material Produced by Titration")

Output:
#masukkan data menjadi vector x dan vector y
> x<-c(76,62,66,58,88,70,37,82,88,43)
> y<-c(123,55,100,75,159,109,48,138,164,28)
>
> #memeriksa data kembali
> mydata=data.frame(x,y)
> View(mydata)
> str(mydata)
'data.frame': 10 obs. of 2 variables:
$ x: num 76 62 66 58 88 70 37 82 88 43
$ y: num 123 55 100 75 159 109 48 138 164 28
>
> # gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
> pers_regresi<-lm(y~x)
> print(pers_regresi)

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
-71.818 2.563

>
> #untuk mengeluarkan hasil uji t untuk parameter b0 & b1
> print(summary(pers_regresi))

Call:
lm(formula = y ~ x)

Residuals:
Min 1Q Median 3Q Max
-32.085 -1.461 0.722 4.624 24.988

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -71.8176 20.2223 -3.551 0.00749 **
x 2.5629 0.2929 8.750 2.28e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 15.44 on 8 degrees of freedom

Multiple R-squared: 0.9054, Adjusted R-squared: 0.8936
F-statistic: 76.57 on 1 and 8 DF, p-value: 2.278e-05

>
> #prepare plot
> plot(x,y,col="blue",main="Regresi Organic Acid Content Produced by Extraction and Weighing and Acid
Content of Material Produced by Titration ",
+ abline(lm(y~x)),cex=1.3,pch=16,xlab="Organic Acid Content Produced by Extraction and
Weighing",ylab="Acid Content of Material Produced by Titration")

9. (a) Plot a scatter diagram.

Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi

(b) Find the equation of the regression line to predict weekly sales from advertising
expenditures.

Jadi berdasarkan output di atas persamaan garis regresi untuk memprediksi penjualan
mingguan dari pengeluaran iklan yang didapat adalah
^y =343.706+ 3.221 x
(c) Estimate the weekly sales when advertising costs are $35.

Perkirakan penjualan mingguan ketika biaya iklan adalah $35.

^y =343.706+ 3.221 ( 35 ) =456.434
(d) Plot the residuals versus advertising costs. Comment.
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi

comment: sisa atau residu atau eror dari regresinya bersifat acak

Berikut merupakan hasil input dan outputnya

Input:
#masukkan data menjadi vector x dan vector y
x<-c(40,20,25,20,30,50,40,20,50,40,25,50)
y<-c(385,400,395,365,475,440,490,420,560,525,480,510)

#memeriksa data kembali

mydata=data.frame(x,y)
View(mydata)
str(mydata)

# gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
pers_regresi<-lm(y~x)
print(pers_regresi)

#untuk mengeluarkan hasil uji t untuk parameter b0 & b1

print(summary(pers_regresi))

#data yang akan diprediksi

x_test<-data.frame(x=35)

#hasil prediksi
predict_result<-predict(pers_regresi,x_test)
print(predict_result)

#prepare plot
plot(x,y,col="blue",main="Regresi Advertising Costs and Sales",
abline(lm(y~x)),cex=1.3,pch=16,xlab="Advertising Costs ($)",ylab="Sales ($)")

Output:
> #masukkan data menjadi vector x dan vector y
> x<-c(40,20,25,20,30,50,40,20,50,40,25,50)
> y<-c(385,400,395,365,475,440,490,420,560,525,480,510)
>
> #memeriksa data kembali
> mydata=data.frame(x,y)
> View(mydata)
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
> str(mydata)
'data.frame': 12 obs. of 2 variables:
$ x: num 40 20 25 20 30 50 40 20 50 40 ...
$ y: num 385 400 395 365 475 440 490 420 560 525 ...
>
> # gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
> pers_regresi<-lm(y~x)
> print(pers_regresi)

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
343.706 3.221

>
> #untuk mengeluarkan hasil uji t untuk parameter b0 & b1
> print(summary(pers_regresi))

Call:
lm(formula = y ~ x)

Residuals:
Min 1Q Median 3Q Max
-87.538 -32.700 8.566 39.118 55.774

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 343.706 44.766 7.678 1.68e-05 ***
x 3.221 1.240 2.598 0.0266 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 50.23 on 10 degrees of freedom

Multiple R-squared: 0.403, Adjusted R-squared: 0.3433
F-statistic: 6.751 on 1 and 10 DF, p-value: 0.02657

>
> #data yang akan diprediksi
> x_test<-data.frame(x=35)
>
> #hasil prediksi
> predict_result<-predict(pers_regresi,x_test)
> print(predict_result)
1
456.434
>
> #prepare plot
> plot(x,y,col="blue",main="Regresi Advertising Costs and Sales",
+ abline(lm(y~x)),cex=1.3,pch=16,xlab="Advertising Costs ($)",ylab="Sales ($)")

11. (a). Plot the data.

Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi

(b) Fit a simple linear regression to the data and plot the line through the data.

Berdasarkan Regresi linier sederhana dengan data dan plot garis melalui data di atas dapat
disimpulkan bahwa:
Persamaan garis regresinya adalah ^y =−1847.633+ 3.653 x , selain itu dari plot garis yang
diatas dapat dilihat sisa atau residu atau eror dari regresinya bersifat tidak acak

Berikut merupakan hasil input dan outputnya

Input:
#masukkan data menjadi vector x dan vector y
x<-c(1760,1652,1485,1390,1820,1665,1550,1700,1270)
y<-c(4300,4650,3200,3150,4950,4010,3810,4500,3008)

#memeriksa data kembali

mydata=data.frame(x,y)
View(mydata)
str(mydata)

# gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
pers_regresi<-lm(y~x)
print(pers_regresi)
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
#untuk mengeluarkan hasil uji t untuk parameter b0 & b1
print(summary(pers_regresi))

#prepare plot
plot(x,y,col="blue",main="Regresi The Thrust of an Engine and Function of Exhaust Temperature in ◦F",
abline(lm(y~x)),cex=1.3,pch=16,xlab="Function of Exhaust Temperature in ◦F",ylab="The Thrust of an
Engine")

Output:
> #masukkan data menjadi vector x dan vector y
> x<-c(1760,1652,1485,1390,1820,1665,1550,1700,1270)
> y<-c(4300,4650,3200,3150,4950,4010,3810,4500,3008)
>
> #memeriksa data kembali
> mydata=data.frame(x,y)
> View(mydata)
> str(mydata)
'data.frame': 9 obs. of 2 variables:
$ x: num 1760 1652 1485 1390 1820 ...
$ y: num 4300 4650 3200 3150 4950 ...
>
> # gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
> pers_regresi<-lm(y~x)
> print(pers_regresi)

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
-1847.633 3.653

>
> #untuk mengeluarkan hasil uji t untuk parameter b0 & b1
> print(summary(pers_regresi))

Call:
lm(formula = y ~ x)

Residuals:
Min 1Q Median 3Q Max
-376.9 -224.4 -4.3 149.4 463.1

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1847.6330 904.8743 -2.042 0.080491 .
x 3.6529 0.5666 6.447 0.000351 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 288 on 7 degrees of freedom

Multiple R-squared: 0.8559, Adjusted R-squared: 0.8353
F-statistic: 41.56 on 1 and 7 DF, p-value: 0.0003513

>
> #prepare plot
> plot(x,y,col="blue",main="Regresi The Thrust of an Engine and Function of Exhaust Temperature in ◦F",
+ abline(lm(y~x)),cex=1.3,pch=16,xlab="Function of Exhaust Temperature in ◦F",ylab="The Thrust of an
Engine")
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
13. (a) Find the equation of the regression line to predict the particulate removed from the
amount of daily rainfall.

Jadi berdasarkan output yang diatas persamaan garis regresi untuk memprediksi partikel
yang dihilangkan adalah ^y =153.175+(−6.324 x )

(b) Estimate the amount of particulate removed when the daily rainfall is x =4.8 units.

Perkirakan jumlah partikulat yang dihilangkan ketika curah hujan harian saat x= 4.8 unit
adalah ^y =153.175+ (−6.324 x )=122.8204

Berikut merupakan hasil input dan outputnya

Input:
#masukkan data menjadi vector x dan vector y
x<-c(4.3,4.5,5.9,5.6,6.1,5.2,3.8,2.1,7.5)
y<-c(126,121,116,118,114,118,132,141,108)

#memeriksa data kembali

mydata=data.frame(x,y)
View(mydata)
str(mydata)

# gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
pers_regresi<-lm(y~x)
print(pers_regresi)

#untuk mengeluarkan hasil uji t untuk parameter b0 & b1

print(summary(pers_regresi))
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
#data yang akan diprediksi
x_test<-data.frame(x=4.8)

#hasil prediksi
predict_result<-predict(pers_regresi,x_test)
print(predict_result)

#prepare plot
plot(x,y,col="blue",main="Regresi Daily Rainfall and Particulate Removed",
abline(lm(y~x)),cex=1.3,pch=16,xlab="Daily Rainfall(0.01 cm)",ylab=" Particulate Removed (μg/m3)")

Output:
> #masukkan data menjadi vector x dan vector y
> x<-c(4.3,4.5,5.9,5.6,6.1,5.2,3.8,2.1,7.5)
> y<-c(126,121,116,118,114,118,132,141,108)
>
> #memeriksa data kembali
> mydata=data.frame(x,y)
> View(mydata)
> str(mydata)
'data.frame': 9 obs. of 2 variables:
$ x: num 4.3 4.5 5.9 5.6 6.1 5.2 3.8 2.1 7.5
$ y: num 126 121 116 118 114 118 132 141 108
>
> # gunakan rumus linear model (disingkat lm): menyatakan formula antara x & y adalah regresi linear
y=b0+b1x dgn b0=intercept & b1=slope(kemiringan)
> pers_regresi<-lm(y~x)
> print(pers_regresi)

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
153.175 -6.324

>
> #untuk mengeluarkan hasil uji t untuk parameter b0 & b1
> print(summary(pers_regresi))

Call:
lm(formula = y ~ x)

Residuals:
Min 1Q Median 3Q Max
-3.7175 -0.5992 0.1360 1.1049 2.8557

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 153.1755 2.6147 58.58 1.11e-10 ***
x -6.3240 0.5019 -12.60 4.58e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.203 on 7 degrees of freedom

Multiple R-squared: 0.9578, Adjusted R-squared: 0.9517
F-statistic: 158.8 on 1 and 7 DF, p-value: 4.579e-06

>
> #data yang akan diprediksi
> x_test<-data.frame(x=4.8)
>
> #hasil prediksi
Nur Hafizah Soal Bernomor Ganjil
112009400000013 Tugas Linear Regresi
> predict_result<-predict(pers_regresi,x_test)
> print(predict_result)
1
122.8204
>
> #prepare plot
> plot(x,y,col="blue",main="Regresi Daily Rainfall and Particulate Removed",
+ abline(lm(y~x)),cex=1.3,pch=16,xlab="Daily Rainfall(0.01 cm)",ylab=" Particulate Removed (μg/m3)")