Beranda
Topics
Regresi Linier
Analisis regresi linier digunakan untuk memprediksi nilai suatu variabel berdasarkan nilai variabel lain. Variabel yang ingin Anda prediksi disebut variabel dependen. Variabel yang Anda gunakan untuk memprediksi nilai variabel lain disebut variabel independen.
Bentuk analisis ini memperkirakan koefisien persamaan linier, yang melibatkan satu atau lebih variabel independen yang paling baik dalam memprediksi nilai variabel dependen. Regresi linier cocok dengan garis lurus atau permukaan yang meminimalkan perbedaan antara nilai output yang diprediksi dan aktual. Ada kalkulator regresi linier sederhana yang menggunakan metode “kuadrat terkecil” untuk menemukan garis yang paling cocok untuk satu set data berpasangan. Anda kemudian memperkirakan nilai X (variabel dependen) dari Y (variabel independen).
Temukan manfaat mengintegrasikan strategi data lakehouse ke dalam arsitektur data Anda, yang mencakup peningkatan untuk meningkatkan skala AI dan peluang pengoptimalan biaya.
Anda dapat melakukan regresi linier di Microsoft Excel atau menggunakan paket perangkat lunak statistik seperti IBM SPSS Statistics yang sangat menyederhanakan proses penggunaan persamaan regresi linier, model regresi linier, dan rumus regresi linier. SPSS Statistics dapat dimanfaatkan dalam beberapa teknik seperti regresi linier sederhana dan regresi linier berganda.
Anda dapat melakukan metode regresi linier dalam berbagai program dan lingkungan, termasuk:
- Regresi linier R.
- Regresi linier MATLAB.
- Regresi linier sklearn.
- Regresi linier Python.
- Regresi linier Excel.
Model regresi linier relatif sederhana dan memberikan rumus matematika yang mudah diinterpretasikan sehingga dapat menghasilkan prediksi. Regresi linier dapat diterapkan di berbagai bidang dalam studi bisnis dan akademik.
Anda akan melihat regresi linier digunakan dalam segala hal mulai dari ilmu biologi, perilaku, lingkungan dan sosial hingga bisnis. Model regresi linier telah menjadi cara yang terbukti untuk memprediksi masa depan secara ilmiah dan andal. Karena regresi linier adalah prosedur statistik yang telah lama ditetapkan, sifat-sifat model regresi linier dipahami dengan baik dan dapat dilatih dengan sangat cepat.
Para pemimpin bisnis dan organisasi dapat membuat keputusan yang lebih baik dengan menggunakan teknik regresi linier. Organisasi mengumpulkan banyak data, dan regresi linier membantu mereka menggunakan data tersebut untuk mengelola realitas dengan lebih baik — alih-alih mengandalkan pengalaman dan intuisi. Anda dapat mengambil data mentah dalam jumlah besar dan mengubahnya menjadi informasi yang dapat ditindaklanjuti.
Anda juga dapat menggunakan regresi linier untuk memberikan wawasan yang lebih baik dengan mengungkap pola dan hubungan yang sebelumnya mungkin telah dilihat dan dipahami oleh rekan bisnis Anda. Sebagai contoh, melakukan analisis data penjualan dan pembelian dapat membantu Anda menemukan pola pembelian tertentu pada hari-hari tertentu atau pada waktu tertentu. Insight yang diperoleh dari analisis regresi dapat membantu para pemimpin bisnis mengantisipasi momen ketika produk perusahaan mereka akan banyak diminati.
Asumsi yang perlu dipertimbangkan untuk keberhasilan analisis regresi linier:
- Untuk setiap variabel: Pertimbangkan jumlah kasus yang valid, rata-rata dan deviasi standar.
- Untuk setiap model: Pertimbangkan koefisien regresi, matriks korelasi, korelasi parsial, dan sebagian, R berganda, R2, R2 yang disesuaikan, perubahan R2, kesalahan standar estimasi, tabel analisis varian, nilai prediksi, dan residual. Pertimbangkan juga interval kepercayaan 95 persen untuk setiap koefisien regresi, matriks varian-covarian, faktor inflasi varian, toleransi, uji Durbin-Watson, ukuran jarak (Mahalanobis, Cook dan nilai leverage), DfBeta, DfFit, interval prediksi, dan informasi diagnostik berdasarkan kasus.
- Plot: Pertimbangkan scatterplot, plot parsial, histogram dan plot probabilitas normal.
- Data: Variabel dependen dan independen harus bersifat kuantitatif. Variabel kategorikal, seperti agama, bidang studi utama, atau wilayah tempat tinggal, perlu dikodekan ulang menjadi variabel biner (dummy) atau jenis variabel kontras lainnya.
- Asumsi-asumsi lainnya: Untuk setiap nilai variabel independen, distribusi variabel dependen harus normal. Varian distribusi variabel dependen harus konstan untuk semua nilai variabel independen. Hubungan antara variabel dependen dan setiap variabel independen harus linier dan semua observasi harus independen.
Sebelum Anda mencoba melakukan regresi linier, Anda harus memastikan bahwa data Anda dapat dianalisis menggunakan prosedur ini. Data Anda harus melewati asumsi tertentu yang diperlukan.
Berikut cara Anda memeriksa asumsi-asumsi ini:
- Variabel-variabel tersebut harus diukur pada tingkat yang berkesinambungan. Contoh variabel kontinu adalah waktu, penjualan, berat badan, dan nilai uji.
- Gunakan scatterplot untuk mengetahui dengan cepat apakah ada hubungan linier antara kedua variabel tersebut.
- Pengamatan harus independen satu sama lain (yaitu, tidak boleh ada ketergantungan).
- Data Anda tidak boleh memiliki outlier yang signifikan.
- Periksa homoskedastisitas — konsep statistik di mana varian di sepanjang garis regresi linier yang paling sesuai tetap serupa di sepanjang garis tersebut.
- Residual (kesalahan) dari garis regresi yang paling sesuai mengikuti distribusi normal.
Anda juga dapat menggunakan analisis regresi linier untuk mencoba memprediksi total penjualan tahunan seorang penjual (variabel dependen) dari variabel independen seperti usia, pendidikan, dan tahun pengalaman.
Perubahan harga sering kali berdampak pada perilaku konsumen — dan regresi linier dapat membantu Anda menganalisis hal tersebut. Misalnya, jika harga produk tertentu terus berubah, Anda bisa menggunakan analisis regresi untuk melihat apakah konsumsi menurun seiring dengan kenaikan harga. Bagaimana jika konsumsi tidak turun secara signifikan seiring dengan kenaikan harga? Pada titik harga berapa pembeli berhenti membeli produk? Informasi ini akan sangat membantu para pemimpin dalam bisnis ritel.
Teknik regresi linier dapat digunakan untuk menganalisis risiko. Sebagai contoh, sebuah perusahaan asuransi mungkin memiliki sumber daya yang terbatas untuk menyelidiki klaim asuransi pemilik rumah; dengan regresi linier, tim perusahaan dapat membangun model untuk memperkirakan biaya klaim. Analisis ini dapat membantu para pemimpin perusahaan membuat keputusan bisnis yang penting tentang risiko apa yang harus diambil.
Regresi linier tidak selalu tentang bisnis. Hal tersebut juga penting dalam olahraga. Misalnya, Anda mungkin bertanya-tanya apakah jumlah pertandingan yang dimenangkan oleh tim bola basket dalam satu musim terkait dengan jumlah rata-rata poin yang dicetak tim per pertandingan. Scatterplot mengindikasikan bahwa variabel-variabel ini berhubungan secara linier. Jumlah pertandingan yang dimenangkan dan jumlah rata-rata poin yang dicetak oleh lawan juga berhubungan secara linier. Variabel-variabel ini memiliki hubungan negatif. Seiring dengan meningkatnya jumlah permainan yang dimenangkan, jumlah rata-rata poin yang dicetak oleh lawan akan berkurang. Dengan regresi linier, Anda dapat memodelkan hubungan variabel-variabel ini. Model yang baik dapat digunakan untuk memprediksi berapa banyak pertandingan yang akan dimenangkan oleh tim.
Dorong penelitian dan analisis dengan solusi yang cepat dan kuat ini.
Siswa, guru, dan peneliti mendapatkan akses yang terjangkau ke perangkat lunak analisis prediktif.
Solusi analitik layanan-mandiri yang telah terbukti ini membantu Anda untuk memadukan dan mencocokkan data dan membuat visualisasi yang menarik.
Temukan cara mengubah matematika menjadi kode, lalu jalankan kode pada kumpulan data untuk mendapatkan prediksi tentang data baru.
Membangun dan memvalidasi model regresi linier dengan R.