Alibaba #27: Regresi Linear

Monday 21st of October 2024 12:00:00 AM

[dirangkum oleh DIskominsta Kota Magelang]

Sahabat Data, 

Regresi linier adalah metode statistik yang digunakan untuk menganalisis hubungan antara dua variabel numerik, di mana satu variabel dianggap sebagai variabel dependen (terikat) dan yang lainnya sebagai variabel independen (bebas). Tujuan utama dari regresi linier adalah untuk menemukan persamaan garis lurus yang paling baik menggambarkan hubungan antara kedua variabel tersebut. Dengan menggunakan model regresi linier, kita bisa memprediksi nilai variabel dependen berdasarkan nilai variabel independen. Regresi linier sederhana melibatkan satu variabel independen, sementara regresi linier berganda melibatkan lebih dari satu variabel independen (Sujarweni, 2018). 

Persamaan umum untuk regresi linear sederhana (hanya satu variabel independen) adalah:

Y = a + bX + ε

Keterangan:

  • Y: Variabel dependen (yang ingin dipengaruhi)
  • a: Konstanta (intercept), nilai Y ketika X = 0
  • b: Koefisien regresi, menunjukkan perubahan rata-rata Y jika X meningkat satu satuan
  • X: Variabel independen (yang mempengaruhi)
  • ε: Error atau residual, perbedaan antara nilai Y yang sebenarnya dan nilai Y yang diprediksi oleh model


Aplikasi dan Interpretasi Hasil Regresi Linier

Setelah menghitung parameter regresi, kita bisa menggunakan persamaan model untuk melakukan prediksi terhadap nilai Y berdasarkan nilai X. Misalnya, dalam analisis ekonomi, regresi linier dapat digunakan untuk memprediksi pengeluaran rumah tangga berdasarkan pendapatan. Selain itu, nilai koefisien regresi b​ dapat diinterpretasikan sebagai seberapa besar perubahan yang terjadi pada Y ketika X berubah satu unit. Analisis regresi linier juga dapat diukur dengan melihat koefisien determinasi, yang menunjukkan seberapa baik model regresi dapat menjelaskan variasi dalam data (Sujarweni, 2018). Semakin tinggi nilai koefisien determinasi, semakin baik model dalam memprediksi nilai Y.

Namun, regresi linier juga memiliki asumsi yang perlu dipenuhi agar hasilnya valid. Beberapa asumsi tersebut termasuk hubungan linier antara variabel, distribusi residual yang normal, serta homoskedastisitas (kesamaan varians residual). Jika asumsi-asumsi ini tidak dipenuhi, hasil dari model regresi linier bisa menjadi bias atau tidak akurat, yang dapat mempengaruhi keputusan yang diambil berdasarkan analisis tersebut (Ghozali, 2016).