Regresi Linear di R: Contoh Kasus Mangrove

Regresi linear adalah salah satu alat yang paling sering dipakai dalam riset mangrove dan kehutanan — misalnya untuk membangun persamaan alometrik yang memperkirakan tinggi pohon, biomassa, atau stok karbon dari variabel yang mudah diukur seperti diameter batang. Mini-kursus ini membahas langkah-langkah membuat regresi linear sederhana di R.

Yang Anda butuhkan

• R yang sudah terpasang di komputer.
• Opsional: RStudio sebagai editor yang lebih nyaman — tidak wajib, R dasar sudah cukup untuk pelajaran ini.

Tidak dibutuhkan latar belakang statistik selain memahami apa itu diagram pencar (scatter plot).

Data contoh

Agar pelajaran ini berdiri sendiri, kita memakai dataset kecil yang ilustratif, menghubungkan diameter setinggi dada (DBH, dalam cm) dengan tinggi pohon (dalam m) untuk sepuluh pohon mangrove hipotetis. Ini data untuk keperluan belajar saja — bukan hasil survei lapangan sungguhan — tetapi kodenya bekerja dengan cara yang sama begitu Anda menggantinya dengan data pengukuran Anda sendiri.

mangrove <- data.frame(
  dbh_cm = c(4.2, 6.1, 7.8, 9.0, 10.5, 12.3, 13.7, 15.1, 16.8, 18.2),
  height_m = c(3.1, 4.0, 4.8, 5.3, 6.0, 6.7, 7.2, 7.9, 8.5, 9.1)
)
mangrove

Langkah 1: Lihat dulu datanya

Selalu buat plot sebelum membuat model.

plot(
  height_m ~ dbh_cm,
  data = mangrove,
  xlab = "Diameter setinggi dada (cm)",
  ylab = "Tinggi (m)",
  pch = 19
)

Pola yang kira-kira membentuk garis lurus seperti ini yang membuat regresi linear jadi pilihan yang masuk akal di sini.

Langkah 2: Buat modelnya

Di R, regresi linear dibuat dengan lm(). Formula height_m ~ dbh_cm dibaca sebagai “tinggi dijelaskan oleh diameter”:

model <- lm(height_m ~ dbh_cm, data = mangrove)
summary(model)

Keluaran summary() memberi Anda, di antaranya:

• Coefficients — intersep dan kemiringan (slope) garis yang dihasilkan. Nilai slope menunjukkan seberapa besar tinggi bertambah, rata-rata, untuk setiap kenaikan 1 cm diameter.
• Pr(>|t|) — nilai-p untuk tiap koefisien; nilai yang kecil (biasanya < 0,05) menunjukkan hubungan tersebut kemungkinan besar bukan kebetulan.
• Multiple R-squared — proporsi variasi tinggi yang bisa dijelaskan oleh diameter (0 sampai 1; makin dekat ke 1 berarti kecocokan makin erat).

Langkah 3: Gambar garis hasil model

plot(
  height_m ~ dbh_cm,
  data = mangrove,
  xlab = "Diameter setinggi dada (cm)",
  ylab = "Tinggi (m)",
  pch = 19
)
abline(model, col = "forestgreen", lwd = 2)

Langkah 4: Periksa residual

Sebelum mempercayai model, ada baiknya melihat sekilas plot residual — plot ini membantu menemukan pola yang terlewat oleh garis lurus:

par(mfrow = c(2, 2))
plot(model)
par(mfrow = c(1, 1))

Perhatikan terutama plot “Residuals vs Fitted”: bila titik-titik menyebar acak di sekitar garis nol horizontal tanpa pola melengkung yang jelas, model garis lurus sudah cukup masuk akal.

Memakai data lapangan Anda sendiri

Setelah nyaman dengan langkah-langkah di atas, ganti data.frame contoh di atas dengan data pengukuran Anda sendiri — biasanya diimpor dari berkas CSV:

mangrove <- read.csv("data_lapangan_saya.csv")

Selama berkas CSV Anda punya kolom dbh_cm dan height_m (atau Anda menyesuaikan nama kolom pada kode di atas dengan punya Anda), langkah- langkah lainnya bekerja dengan cara yang sama.

Langkah selanjutnya

Pelajaran ini membahas satu variabel prediktor. Model alometrik yang sesungguhnya sering memakai diameter yang ditransformasi-log, atau menambahkan prediktor kedua (seperti kerapatan kayu) — di sinilah regresi berganda (lm(y ~ x1 + x2)) berperan, topik alami untuk mini-kursus berikutnya.