Regresi linear adalah salah satu metode statistik yang digunakan untuk memahami hubungan antara dua atau lebih variabel.
Dalam analisis regresi linear, kita mencari hubungan antara variabel dependen (variabel yang ingin kita prediksi) dan satu atau lebih variabel independen (variabel yang digunakan untuk memprediksi variabel dependen).
Rumus regresi linear merupakan alat yang penting dalam menganalisis data dan membuat prediksi.
Regresi linear adalah teknik statistik yang digunakan untuk memodelkan hubungan linier antara variabel dependen dan satu atau lebih variabel independen.
Dalam regresi linear sederhana, kita hanya menggunakan satu variabel independen untuk memprediksi variabel dependen.
Namun, dalam regresi linear berganda, kita dapat menggunakan lebih dari satu variabel independen.
Rumus regresi linear sederhana dapat dituliskan sebagai berikut:
Dalam rumus di atas, y merupakan variabel dependen, x adalah variabel independen, β₀ adalah perpotongan garis regresi dengan sumbu y (intersep), dan β₁ adalah kemiringan garis regresi (koefisien regresi).
Tujuan dari analisis regresi linear adalah untuk menemukan nilai-nilai β₀ dan β₁ yang paling sesuai dengan data kita.
Rumus regresi linear adalah model matematis yang digunakan untuk memodelkan hubungan linier antara variabel dependen (y) dan satu atau lebih variabel independen (x). Dalam bentuk umum, rumus regresi linear dapat dituliskan sebagai berikut:
y = a + bx
di mana:
Untuk memperoleh nilai a dan b yang optimal, umumnya digunakan metode least squares. Dalam metode ini, nilai a dan b dipilih sedemikian rupa sehingga jumlah kuadrat selisih antara nilai yang diamati (y) dan nilai yang diprediksi oleh model (ŷ) minimal.
Secara matematis, rumus untuk mengestimasi nilai a dan b dalam regresi linear menggunakan metode least squares adalah:
b = Σ((x – x̄)(y – ȳ)) / Σ(x – x̄)²
a = ȳ – b * x̄
di mana:
Setelah mendapatkan nilai a dan b, kita dapat menggunakan rumus regresi linear untuk memprediksi nilai y baru berdasarkan nilai x yang diberikan.
Regresi linear adalah salah satu alat statistik yang paling umum digunakan dalam berbagai bidang, termasuk ilmu sosial, ekonomi, ilmu medis, dan banyak lagi. Beberapa alasan mengapa regresi linear penting adalah:
Untuk melakukan analisis regresi linear, kita perlu mengikuti serangkaian langkah-langkah. Berikut adalah langkah-langkah umum yang terlibat dalamanalisis regresi linear:
Berikut ini adalah contoh soal regresi linear sederhana:
Misalkan kita memiliki data penjualan sepeda berdasarkan jumlah iklan yang ditayangkan di televisi. Berikut adalah contoh data yang dikumpulkan:
Jumlah Iklan (x) | Penjualan Sepeda (y)
2 | 50 4 | 60 6 | 70 8 | 80 10 | 90
Tujuan kita adalah membangun model regresi linear untuk memprediksi penjualan sepeda (variabel dependen) berdasarkan jumlah iklan (variabel independen).
Langkah-langkah untuk membangun model regresi linear:
Sehingga, model regresi linear yang diperoleh adalah: y = 40 + 5x
Dengan model ini, kita dapat memprediksi penjualan sepeda berdasarkan jumlah iklan yang ditayangkan di televisi. Misalnya, jika ada 7 iklan yang ditayangkan, kita dapat menggunakan rumus ini untuk memprediksi penjualan sepeda: y = 40 + 5(7) = 40 + 35 = 75
Jadi, berdasarkan model regresi linear yang diperoleh, diprediksi bahwa penjualan sepeda akan sekitar 75 jika ada 7 iklan yang ditayangkan di televisi.
Rumus regresi linear merupakan alat yang penting dalam analisis data dan pemodelan hubungan antara variabel-variabel yang kita amati. Dalam artikel ini, kita telah mempelajari dasar-dasar regresi linear, pentingnya dalam prediksi dan pemahaman hubungan, serta langkah-langkah dalam melakukan analisis regresi linear.
Hanya seorang Blogger enthusiasm dan penikmat kopi saja. Suka berbagi pengetahuan kecil & bercita-cita jadi pengusaha media.