Regresi Linear Berganda untuk Menjelaskan Produktivitas Padi Sawah dari Dosis Pupuk Nitrogen dan Curah Hujan

Info proyek

• Bidang studiPertanian dan Perkebunan
• JenjangSkripsi (S1)
• Jenis metodeRegresi
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatscikit-learn LinearRegression, train_test_split, metrics; scipy.stats.shapiro
• HargaRp 300.000 - Rp 2.000.000

Tujuan analisis

Memodelkan produktivitas padi dari dosis pupuk nitrogen dan curah hujan dengan regresi linear berganda serta menilai koefisien dan R-kuadrat.

Variabel

Contoh hasil

• 0.886R2 (test)
• 0.907Adjusted R2 (train)
• 1.507RMSE (test)
• 1.213MAE (test)
• <0.001F-test p-value
• 0.2Coef. Nitrogen fertili

Regresi linear berganda menjelaskan 88.6% variasi Produktivitas padi pada data uji (R2 0.886, RMSE 1.507); koefisien Dosis pupuk nitrogen sebesar 0.200 dengan uji F p < 0.001.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Regresi Linear Berganda

Regresi linear berganda memodelkan hubungan linear antara satu variabel terikat numerik dan beberapa variabel bebas. Cocok untuk skripsi/tesis yang ingin menjelaskan pengaruh tiap prediktor sekaligus memprediksi nilai variabel terikat.

Langkah pengerjaan

1. 1Kumpulkan dan bersihkan data, tentukan variabel terikat dan bebas
2. 2Bagi data menjadi data latih dan data uji
3. 3Latih model dengan metode kuadrat terkecil
4. 4Evaluasi dengan R2 dan RMSE pada data uji
5. 5Periksa residual (normalitas, homoskedastisitas)
6. 6Interpretasikan koefisien dan buat plot aktual versus prediksi

Asumsi yang perlu diperiksa

• Hubungan antara prediktor dan variabel terikat bersifat linear
• Residual berdistribusi normal dengan varians konstan
• Antar-prediktor tidak berkolinearitas tinggi (cek VIF)

Membaca dan melaporkan hasil

Laporkan koefisien, tanda, dan besarnya pengaruh tiap variabel, lalu R2 dan RMSE pada data uji. Bahas apakah asumsi residual terpenuhi dan batasan generalisasi model.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as st
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error

rng = np.random.default_rng(42)
n = 200
nitrogen_fertiliser_dose = rng.normal(50, 10, n)
rainfall = rng.normal(20, 5, n)
paddy_productivity = 5 + 0.8 * nitrogen_fertiliser_dose - 1.2 * rainfall + rng.normal(0, 4, n)

X = np.column_stack([nitrogen_fertiliser_dose, rainfall])
X_tr, X_te, y_tr, y_te = train_test_split(X, paddy_productivity, test_size=0.2, random_state=42)
model = LinearRegression().fit(X_tr, y_tr)
pred = model.predict(X_te)
resid = y_te - pred

print("Intercept:", round(model.intercept_, 3), "Coef:", model.coef_.round(3))
print("R2:", round(r2_score(y_te, pred), 3))
print("RMSE:", round(mean_squared_error(y_te, pred) ** 0.5, 3))
print("Shapiro p (residuals):", round(st.shapiro(resid).pvalue, 3))

fig, ax = plt.subplots(1, 2, figsize=(10, 4))
ax[0].scatter(y_te, pred)
ax[0].plot([y_te.min(), y_te.max()], [y_te.min(), y_te.max()], "r--")
ax[0].set_xlabel("Actual"); ax[0].set_ylabel("Predicted")
ax[1].scatter(pred, resid)
ax[1].axhline(0, color="r")
ax[1].set_xlabel("Predicted"); ax[1].set_ylabel("Residual")
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum