regresi linear mtcars

1. Pendahuluan

Analisis ini bertujuan untuk memahami hubungan antara konsumsi bahan bakar (mpg) dan berat mobil (wt) dalam dataset mtcars. Regresi linear digunakan untuk menentukan apakah ada hubungan antara kedua variabel ini dan seberapa kuat hubungan tersebut.

Konsumsi bahan bakar (mpg) adalah faktor penting dalam efisiensi kendaraan, sedangkan berat mobil (wt) dapat mempengaruhi jumlah bahan bakar yang digunakan. Secara umum, kendaraan yang lebih berat cenderung membutuhkan lebih banyak energi untuk bergerak, yang dapat mengarah pada konsumsi bahan bakar yang lebih tinggi. Oleh karena itu, analisis ini akan membantu mengidentifikasi pola dalam data dan memahami apakah ada hubungan signifikan antara kedua variabel ini.

2. Import Dataset

Sebelum memulai analisis, kita perlu memuat dataset mtcars yang sudah tersedia di R. Dataset ini berisi informasi tentang berbagai karakteristik mobil, termasuk konsumsi bahan bakar (mpg), berat (wt), tenaga kuda (hp), dan faktor lainnya.

library(ggplot2)
data(mtcars)
head(mtcars)

##                    mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
## Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1

3. Eksplorasi Data

Langkah pertama dalam analisis data adalah memahami karakteristik dataset dengan melihat ringkasan statistik dan menghitung korelasi antara variabel yang akan dianalisis.

Ringkasan statistik (summary()) digunakan untuk melihat distribusi data, nilai minimum, maksimum, median, dan kuartil.
Korelasi (plot()) antara mpg dan wt dihitung untuk mengetahui sejauh mana kedua variabel ini berkaitan. Korelasi negatif berarti bahwa saat berat mobil bertambah, konsumsi bahan bakar cenderung menurun, dan sebaliknya.

summary(mtcars)

##       mpg             cyl             disp             hp       
##  Min.   :10.40   Min.   :4.000   Min.   : 71.1   Min.   : 52.0  
##  1st Qu.:15.43   1st Qu.:4.000   1st Qu.:120.8   1st Qu.: 96.5  
##  Median :19.20   Median :6.000   Median :196.3   Median :123.0  
##  Mean   :20.09   Mean   :6.188   Mean   :230.7   Mean   :146.7  
##  3rd Qu.:22.80   3rd Qu.:8.000   3rd Qu.:326.0   3rd Qu.:180.0  
##  Max.   :33.90   Max.   :8.000   Max.   :472.0   Max.   :335.0  
##       drat             wt             qsec             vs        
##  Min.   :2.760   Min.   :1.513   Min.   :14.50   Min.   :0.0000  
##  1st Qu.:3.080   1st Qu.:2.581   1st Qu.:16.89   1st Qu.:0.0000  
##  Median :3.695   Median :3.325   Median :17.71   Median :0.0000  
##  Mean   :3.597   Mean   :3.217   Mean   :17.85   Mean   :0.4375  
##  3rd Qu.:3.920   3rd Qu.:3.610   3rd Qu.:18.90   3rd Qu.:1.0000  
##  Max.   :4.930   Max.   :5.424   Max.   :22.90   Max.   :1.0000  
##        am              gear            carb      
##  Min.   :0.0000   Min.   :3.000   Min.   :1.000  
##  1st Qu.:0.0000   1st Qu.:3.000   1st Qu.:2.000  
##  Median :0.0000   Median :4.000   Median :2.000  
##  Mean   :0.4062   Mean   :3.688   Mean   :2.812  
##  3rd Qu.:1.0000   3rd Qu.:4.000   3rd Qu.:4.000  
##  Max.   :1.0000   Max.   :5.000   Max.   :8.000

plot(mtcars$wt, mtcars$mpg, main="Scatter Plot mpg vs wt", 
     xlab="Berat Mobil (wt)", ylab="Mil per Galon (mpg)", pch=19, col="blue")

Jika korelasi antara mpg dan wt cukup tinggi (dalam hal ini negatif dan mendekati -1), maka dapat diindikasikan bahwa ada hubungan linear yang kuat antara kedua variabel ini, yang akan dikonfirmasi dengan analisis regresi.

4. Model Regresi Linear

Regresi linear digunakan untuk menentukan hubungan matematis antara dua variabel.
Model akan berbentuk: mpg = β0 + β1 * wt + ε, di mana:
- β0 adalah intercept (nilai mpg saat wt = 0)
- β1 adalah slope (seberapa besar perubahan mpg untuk setiap unit kenaikan wt)
- ε adalah error atau variasi yang tidak dijelaskan oleh model

model <- lm(mpg ~ wt, data=mtcars)
summary(model)

## 
## Call:
## lm(formula = mpg ~ wt, data = mtcars)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.5432 -2.3647 -0.1252  1.4096  6.8727 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  37.2851     1.8776  19.858  < 2e-16 ***
## wt           -5.3445     0.5591  -9.559 1.29e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.046 on 30 degrees of freedom
## Multiple R-squared:  0.7528, Adjusted R-squared:  0.7446 
## F-statistic: 91.38 on 1 and 30 DF,  p-value: 1.294e-10

5. Visualisasi Model

Scatter plot menunjukkan distribusi titik data dan membantu dalam memahami pola hubungan antar variabel.
Garis regresi ditambahkan untuk menunjukkan arah hubungan linear antara berat mobil dan konsumsi bahan bakar.

ggplot(mtcars, aes(x=wt, y=mpg)) +
  geom_point(color='blue') +
  geom_smooth(method='lm', col='red') +
  labs(title="Regresi Linear: mpg vs wt", x="Berat Mobil (wt)", y="Mil per Galon (mpg)")

## `geom_smooth()` using formula = 'y ~ x'

Jika titik-titik data mengikuti pola menurun seiring bertambahnya berat mobil, maka ini menunjukkan bahwa kendaraan yang lebih berat cenderung memiliki konsumsi bahan bakar yang lebih rendah.

6. Interpretasi Hasil

Dari hasil regresi linear:

Intercept (β0) menunjukkan nilai mpg saat berat mobil wt = 0. Walaupun secara praktis tidak mungkin memiliki mobil dengan berat nol, ini tetap memberikan gambaran mengenai awal model.
Slope (β1) menunjukkan perubahan mpg untuk setiap unit kenaikan berat mobil. Jika nilai β1 negatif, ini berarti semakin berat mobil, semakin rendah konsumsi bahan bakarnya.
R-squared (R²) mengukur seberapa baik model menjelaskan variasi dalam data. Nilai mendekati 1 menunjukkan bahwa model sangat baik dalam menjelaskan data.
p-value digunakan untuk menguji signifikansi hubungan antara mpg dan wt. Jika p-value < 0.05, maka kita dapat menyimpulkan bahwa hubungan antara mpg dan wt signifikan secara statistik.

7. Kesimpulan

Model regresi linear ini menunjukkan bahwa terdapat hubungan negatif antara berat mobil dan konsumsi bahan bakar, di mana mobil yang lebih berat cenderung memiliki konsumsi bahan bakar yang lebih rendah (mpg lebih kecil). Dengan memahami hubungan ini, kita bisa membuat keputusan lebih baik dalam pemilihan kendaraan berdasarkan efisiensi bahan bakar.

Dari analisis ini, dapat disimpulkan bahwa berat mobil memiliki pengaruh signifikan terhadap konsumsi bahan bakar. Jika seseorang ingin memilih kendaraan dengan efisiensi bahan bakar yang lebih baik, maka memilih kendaraan yang lebih ringan bisa menjadi strategi yang lebih bijak. Namun, faktor lain seperti tenaga mesin (hp) dan jenis bahan bakar juga perlu dipertimbangkan dalam analisis lebih lanjut.

flowchart

flowchart regresi linear mtcars