PARBOABOA – Regresi adalah sebuah metode statistik yang digunakan untuk mengukur dan memodelkan hubungan antara satu atau lebih variabel independen (predictor atau input) dengan satu variabel dependen (response atau output).
Tujuan utama regresi adalah untuk memahami bagaimana perubahan dalam variabel independen berdampak pada variabel dependen.
Selain itu, metode ini juga diperlukan dalam membangun model prediksi yang dapat digunakan untuk mengestimasi nilai variabel dependen berdasarkan nilai variabel independen yang diberikan.
Untuk mengetahui lebih lanjut tentang regresi, Parboaboa sudah merangkumnya dengan lengkap disertai rumus, jenis, hingga contohnya dalam kehidupan kita sehari-hari.
Apa Itu Regresi?
Secara umum, pengertian regresi adalah metode yang berfungsi memprediksi pengaruh dari dua atau lebih variabel fungsional tertentu. Dalam hal ini, perkiraan hubungan variabel menggunakan model matematis untuk melihat bentuk-bentuk hubungan variabel.
Melansir dari investopedia.com, arti regresi adalah metode statistik yang dipakai di bidang investasi, keuangan, dan disiplin ilmu lain yang mencoba menentukan kekuatan dan karakter hubungan antar satu variabel dependen dan serangkaian variabel lain.
Metode ini digunakan dalam beberapa konteks bisnis, ekonomi, dan keuangan. Misalnya digunakan untuk membantu manajer investasi untuk menilai aset dan memahami keterkaitan antara harga komoditas dan stok bisnis yang menangani komoditas tersebut.
Jenis jenis Regresi
Jenis-jenis analisis regresi dapat dibedakan berdasarkan kompleksitas model dan jumlah variabel independen yang digunakan. Berikut ini adalah beberapa jenis analisis regresi sederhana yang umum digunakan:
1. Regresi Linear Sederhana (Simple Linear Regression)
Model regresi linier sederhana hanya melibatkan satu variabel independen (X) dan satu variabel dependen (Y).
Rumus regresi linear sederhana: Y = β0 + β1X + ε.
Contoh: Hubungan antara jumlah jam belajar dengan nilai ujian seorang siswa.
2. Regresi Linear Berganda (Multiple Linear Regression)
Model regresi linier berganda melibatkan dua atau lebih variabel independen (X1, X2, ..., Xn) dan satu variabel dependen (Y).
Rumus regresi linier berganda: Y = β0 + β1X1 + β2X2 + ... + βnXn + ε.
Contoh: Hubungan antara harga rumah dengan luas tanah, jumlah kamar tidur, dan lokasi rumah.
3. Regresi Polinomial (Polynomial Regression)
Regresi polinomial digunakan ketika hubungan antara variabel independen dan dependen tidak dapat dijelaskan dengan model linier.
Persamaan model regresi polinomial: Y = β0 + β1X + β2X^2 + ... + βnX^n + ε.
Contoh: Hubungan antara tinggi badan dengan umur seseorang, di mana hubungan tersebut dapat mengikuti pola non-linier.
4. Regresi Logistik (Logistic Regression)
Regresi logistik digunakan untuk memprediksi probabilitas suatu kejadian biner (dua kategori) berdasarkan variabel independen.
Persamaan model regresi logistik biasanya menggunakan fungsi logistik (sigmoid): P(Y=1) = 1 / (1 + exp(-z)), di mana z = β0 + β1X1 + β2X2 + ... + βnXn.
Contoh: Prediksi kemungkinan seseorang membeli produk (Ya/Tidak) berdasarkan usia dan pendapatan.
5. Regresi Non-Parametrik (Nonparametric Regression)
Regresi non-parametrik tidak mengasumsikan bentuk fungsi tertentu untuk menggambarkan hubungan antara variabel independen dan dependen.
Contoh metode non-parametrik adalah regresi spline dan regresi kernel.
Dalam hal ini, penggunaan regresi adalah ketika hubungan antara variabel tidak mengikuti pola linier atau polinomial.
6. Regresi Time Series (Time Series Regression)
Regresi time series digunakan untuk menganalisis data yang diambil dalam interval waktu tertentu.
Contoh: Hubungan antara penjualan bulanan suatu produk dengan faktor-faktor ekonomi dalam periode waktu tertentu.
Jenis Analisis Regresi Berdasarkan Jumlah Variabel Respon
Berdasarkan jumlah variabel respon (variabel dependen), analisis regresi adalah metode statistika yang dapat dibedakan menjadi dua jenis utama:
1. Regresi Univariat (Univariate Regression)
Regresi univariat melibatkan satu variabel respon (variabel dependen) dan satu atau lebih variabel prediktor (variabel independen).
Dalam hal ini, Tujuan utama regresi adalah untuk memahami hubungan antara variabel prediktor dengan variabel respon dan membangun model prediksi yang dapat digunakan untuk memprediksi nilai variabel respon berdasarkan nilai variabel prediktor.
Contoh: Regresi linier sederhana dengan satu variabel respon (Y) dan satu variabel prediktor (X).
2. Regresi Multivariat (Multivariate Regression)
Regresi multivariat melibatkan dua atau lebih variabel respon (variabel dependen) dan satu atau lebih variabel prediktor (variabel independen).
Tujuan dari regresi multivariat adalah untuk memahami hubungan antara beberapa variabel respon dengan satu atau lebih variabel prediktor dan membangun model prediksi yang dapat digunakan untuk memprediksi nilai variabel respon berdasarkan nilai variabel prediktor.
Contoh: Regresi linier berganda dengan dua atau lebih variabel respon (Y1, Y2, ...) dan satu atau lebih variabel prediktor (X1, X2, ...).
Perlu diingat bahwa dalam kedua jenis analisis regresi sederhana di atas, variabel prediktor (variabel independen) harus kontinu, sedangkan variabel respon (variabel dependen) dapat bersifat kontinu (regresi) atau diskrit (regresi logistik).
Pemilihan jenis analisis regresi adalah tergantung pada karakteristik data dan pertanyaan penelitian yang ingin dijawab.
Model regresi linier umum memiliki rumus sebagai berikut:
Y = β0 + β1X1 + β2X2 + ... + βnXn + ε
- Y adalah variabel dependen (response).
- X1, X2, ..., Xn adalah variabel independen (predictor).
- β0, β1, β2, ..., βn adalah koefisien regresi yang menggambarkan pengaruh setiap variabel independen terhadap variabel dependen.
- ε adalah kesalahan acak.
Tujuan regresi adalah untuk menemukan nilai optimal dari koefisien (β0, β1, β2, ..., βn) yang memberikan model regresi yang paling akurat.
Bagaimana Model Regresi yang Ideal?
Dikatakan model regresi adalah sesuatu yang memiliki akurasi prediksi tinggi, memiliki koefisien yang signifikan secara statistik, dan dapat digunakan untuk menggeneralisasi ke data baru dengan baik.
Untuk mengukur sejauh mana model regresi menggambarkan data dengan baik, digunakan metrik evaluasi seperti R-squared (koefisien determinasi) dan Mean Squared Error (MSE).
Model yang memiliki R-squared yang mendekati 1 dan MSE yang rendah dianggap sebagai model regresi yang ideal.
Contoh Regresi dalam Kehidupan Sehari-hari
Seperti yang telah dijelaskan sebelumnya, regresi adalah sebuat metode statistik yang dipakai di bidang keuangan guna menentukan dan menganalisis karakter hubungan antara satu variabel dependen dengan serangkaian variabel lainnya atau yang disebut independen.
Berikut ini dijelaskan beberapa contoh regresi dalam kehidupan sehari-hari, antara lain:
- Pasar Saham: Menghubungkan faktor-faktor ekonomi dengan harga saham suatu perusahaan.
- Perdagangan E-commerce: Memprediksi jumlah penjualan berdasarkan faktor-faktor seperti harga produk, iklan, dan ulasan pelanggan.
- Kesehatan: Menghubungkan faktor-faktor gaya hidup (misalnya pola makan, olahraga) dengan berat badan seseorang.
- Pendidikan: Memprediksi prestasi akademik siswa berdasarkan variabel seperti jumlah jam belajar, tingkat kehadiran, dan faktor sosial ekonomi.
- Cuaca: Menghubungkan variabel cuaca seperti suhu dan kelembaban dengan penjualan produk tertentu (misalnya makanan dan minuman).
Semoga penjelasan di atas dapat memberikan gambaran lengkap tentang regresi, lengkap dengan definisi, rumus, jenis-jenis, dan contoh penerapannya dalam kehidupan sehari-hari. Selamat membaca dan semoga bermanfaat.
Editor: Juni
