# Nakafa Learning Content

> For AI agents: use [llms.txt](https://nakafa.com/llms.txt) for the site index. Markdown versions are available by appending `.md` to content URLs or sending `Accept: text/markdown`.

URL: https://nakafa.com/id/materi/matematika/regresi-statistik/metode-kuadrat-terkecil
Source: https://raw.githubusercontent.com/nakafaai/nakafa.com/refs/heads/main/packages/contents/material/lesson/mathematics/statistics-regression/least-squares-method/id.mdx

Pelajari metode kuadrat terkecil untuk mencari garis terbaik dengan meminimalkan kuadrat residu. Pelajari rumus, perhitungan, dan aplikasi nyata.

---

## Apa Itu Metode Kuadrat Terkecil?

Bayangkan kita punya sekumpulan data hasil pengamatan atau eksperimen yang terdiri dari pasangan nilai $$(x, y)$$. Jika kita plot titik-titik data ini di diagram pencar, kadang kita melihat adanya pola atau tren yang menyerupai garis lurus.

Visible text: Bayangkan kita punya sekumpulan data hasil pengamatan atau eksperimen yang terdiri dari pasangan nilai . Jika kita plot titik-titik data ini di diagram pencar, kadang kita melihat adanya pola atau tren yang menyerupai garis lurus.

Pertanyaannya, dari sekian banyak garis lurus yang bisa kita gambar melewati titik-titik itu, mana **garis lurus terbaik** yang paling mewakili keseluruhan data?

Metode Kuadrat Terkecil (Least Squares Method) adalah sebuah **prosedur matematis** untuk menemukan **satu garis lurus unik** yang dianggap paling "pas" atau "cocok" (_best fit_) dengan kumpulan titik data tersebut.

## Meminimalkan Kesalahan Kuadrat

Ide utamanya adalah meminimalkan **kesalahan** atau **residu** dari setiap titik data ke garis prediksi. Lalu bagaimana cara menentukan garis "yang paling pas"?

1.  **Garis Prediksi:** Kita coba gambar sebuah garis lurus ($$\hat{y} = a + bx$$) di antara titik-titik data.
2.  **Kesalahan (Residual):** Untuk setiap titik data asli ($$y_i$$), akan ada jarak vertikal ke garis prediksi ($$\hat{y}_i$$). Jarak ini disebut **kesalahan** atau **residu**:

    
    
    ```math
    e_i = y_i - \hat{y}_i
    ```

3.  **Minimalkan Jumlah Kuadrat Kesalahan:** Metode Kuadrat Terkecil bekerja dengan mencari garis lurus yang membuat **jumlah dari kuadrat semua kesalahan** ($$\sum e_i^2$$) menjadi **sekecil mungkin**. Inilah mengapa disebut "Kuadrat Terkecil".

Visible text: 1. **Garis Prediksi:** Kita coba gambar sebuah garis lurus () di antara titik-titik data.
2. **Kesalahan (Residual):** Untuk setiap titik data asli (), akan ada jarak vertikal ke garis prediksi (). Jarak ini disebut **kesalahan** atau **residu**:

 
 

3. **Minimalkan Jumlah Kuadrat Kesalahan:** Metode Kuadrat Terkecil bekerja dengan mencari garis lurus yang membuat **jumlah dari kuadrat semua kesalahan** () menjadi **sekecil mungkin**. Inilah mengapa disebut "Kuadrat Terkecil".

**Kenapa dikuadratkan?**

- Mengkuadratkan kesalahan membuat semua nilai menjadi positif, sehingga kesalahan di atas garis dan di bawah garis tidak saling meniadakan.
- Kesalahan yang lebih besar akan memberikan kontribusi yang jauh lebih besar pada jumlah total (karena dikuadratkan), sehingga metode ini sangat berusaha untuk meminimalkan kesalahan-kesalahan besar.

## Contoh Visualisasi

Misalnya, sebuah perusahaan ingin melihat hubungan antara biaya iklan yang mereka keluarkan (dalam jutaan rupiah) dengan jumlah produk yang terjual (dalam ribuan unit). Data yang mereka kumpulkan adalah sebagai berikut:

Component: ScatterDiagram
Props:
- title: Garis Hasil Metode Kuadrat Terkecil (Iklan vs Penjualan)
- description: Garis menunjukkan tren hubungan linear antara biaya iklan dan penjualan.
- xAxisLabel: Biaya Iklan (Juta Rupiah)
- yAxisLabel: Penjualan Produk (Ribuan Unit)
- datasets: [
{
name: "Data Pemasaran",
color: "var(--chart-1)",
points: [
{ x: 2, y: 50 },
{ x: 3, y: 65 },
{ x: 4, y: 42 },
{ x: 4.5, y: 75 },
{ x: 5, y: 70 },
{ x: 6, y: 90 },
{ x: 7, y: 85 },
{ x: 7.5, y: 65 },
{ x: 8, y: 112 },
{ x: 9, y: 115 },
{ x: 10, y: 105 },
{ x: 11, y: 125 },
],
},
]
- calculateRegressionLine: true
- showResiduals: true
- regressionLineStyle: {
color: "var(--chart-4)",
}

Garis lurus yang tergambar pada diagram di atas adalah garis _best-fit_ yang ditemukan menggunakan Metode Kuadrat Terkecil untuk data biaya iklan dan penjualan ini. Garis ini mewakili tren linear umum yang paling mendekati semua titik data, dan garis putus-putus menunjukkan residu yang sedang diminimalkan.

## Dasar Matematis

Secara matematis, kita mencari garis dengan persamaan:

```math
\hat{y} = a + bx
```

Di mana nilai $$a$$ (intercept) dan $$b$$ (slope) dipilih sedemikian rupa sehingga nilai dari:

Visible text: Di mana nilai (intercept) dan (slope) dipilih sedemikian rupa sehingga nilai dari:

```math
\sum e_i^2 = \sum (y_i - \hat{y}_i)^2 = \sum (y_i - (a + bx_i))^2
```

menjadi minimum.

Melalui proses kalkulus (yang tidak perlu kita turunkan di sini), ditemukan rumus untuk mendapatkan nilai $$a$$ dan $$b$$ yang memenuhi syarat tersebut:

Visible text: Melalui proses kalkulus (yang tidak perlu kita turunkan di sini), ditemukan rumus untuk mendapatkan nilai dan yang memenuhi syarat tersebut:

Component: MathContainer
Children:

```math
b = \frac{n(\sum xy) - (\sum x)(\sum y)}{n(\sum x^2) - (\sum x)^2}
```

```math
a = \bar{y} - b\bar{x}
```

Keterangan rumus:

- $$n$$ = Jumlah pasangan data.
- $$\sum x$$, $$\sum y$$ = Jumlah semua
  nilai $$x$$ dan $$y$$.
- $$\sum xy$$ = Jumlah hasil kali setiap pasangan $$x$$ dan $$y$$.
- $$\sum x^2$$ = Jumlah kuadrat setiap nilai $$x$$.
- $$\bar{x}$$ = Rata-rata $$x$$ ($$\frac{\sum x}{n}$$
  ).
- $$\bar{y}$$ = Rata-rata $$y$$ ($$\frac{\sum y}{n}$$
  ).

Visible text: - = Jumlah pasangan data.
- , = Jumlah semua
 nilai dan .
- = Jumlah hasil kali setiap pasangan dan .
- = Jumlah kuadrat setiap nilai .
- = Rata-rata (
 ).
- = Rata-rata (
 ).

Jadi, Metode Kuadrat Terkecil memberikan cara yang sistematis dan objektif untuk menemukan garis lurus terbaik yang mewakili tren linear dalam data berdasarkan prinsip meminimalkan jumlah kuadrat kesalahan.