Pengertian Analisis Regresi, Jenis, dan Contohnya

Diposting pada

Analisis Regresi

Analisis regresi pada dasarnya merupakan seperangkat metode penelitian statistik yang kerapkali dipergunakan untuk estimasi hubungan antara variabel dependen dan satu atau lebih variabel independen. Teknik analisis data penelitian ini tentusaja dapat digunakan untuk menilai kekuatan hubungan antar variabel penelitian dan untuk memodelkan hubungan masa depan di antara mereka

Adapun untuk jenis analisis regresi meliputi beberapa variasi, seperti linier, linier berganda, dan nonlinier. Dimana analisis regresi menawarkan banyak aplikasi dalam berbagai disiplin ilmu, contohnya termasuk keuangan.

Analisis Regresi

Analisis regresi senantiasa melekat pada teknik statistik dan statistika yang paling banyak digunakan untuk menyelidiki atau memperkirakan hubungan antara variabel dependen dan sekumpulan variabel penjelas independen.

Akan tetapi yang pasti dalam metode regresi, variabel dependen adalah prediktor atau elemen penjelas dan variabel dependen adalah hasil atau respons terhadap kueri tertentu.

Pengertian Analisis Regresi

Analisis regresi adalah cara untuk memilah secara matematis variabel yang mana memang memiliki pengaruh satu sama lainnya, sehingga teknik analisis ini mampu menjawab serangkaian pertanyaan yang paling penting, di abaikan, dan faktor keduanya berinteraksi satu sama lain.

Pengertian Analisis Regresi Menurut Para Ahli

Adapun definisi analisis regresi menurut para ahli, antara lain;

  1. Nawari (2010), Analisis regresi adalah cara sederhana dalam melakukan investigasi terkait relasi fungsional antara variabel-variabel berbeda. Relasi antara variabel tersebut dituliskan dalam sebuah model matematika.

Jenis Analisis Regresi dan Contohnya

Adapun untuk bentuk analisis regresi dan contohnya, antara lain;

  1. Analisis Regresi Linier

Teknik analisis regresi linier adalah salah satu teknik pemodelan yang paling dikenal, karena merupakan salah satu metode analisis regresi elit pertama yang diambil oleh orang-orang pada saat mempelajari pemodelan prediktif.

Perlu diketahui, dalam regresi linier berganda terdapat lebih dari satu variabel independen dan dalam regresi linier sederhana hanya terdapat satu variabel independen. Dengan demikian, regresi linier paling baik digunakan hanya jika ada hubungan linier antara variabel bebas dan variabel terikat.

Contoh Analisis Regresi Linier

Misalnya saja sebuah bisnis dapat menggunakan regresi linier untuk mengukur keefektifan kampanye pemasaran, penetapan harga, dan promosi atas penjualan suatu produk. Misalkan sebuah perusahaan yang menjual peralatan olahraga ingin memahami apakah dana yang mereka investasikan dalam pemasaran dan branding produk mereka telah memberi mereka keuntungan yang besar atau tidak.

Dari contoh tersebut regresi linier adalah metode statistik terbaik untuk menafsirkan hasil. Hal terbaik tentang regresi linier adalah ini juga membantu dalam menganalisis dampak yang tidak jelas dari setiap aktivitas pemasaran dan pencitraan merek, namun juga mengontrol potensi konstituen untuk mengatur penjualan.

Jika perusahaan menjalankan dua atau lebih kampanye iklan pada saat yang bersamaan yang seolah-olah satu di televisi dan dua di radio, maka regresi linier dapat dengan mudah menganalisis pengaruh independen serta gabungan dari menjalankan iklan ini bersama-sama.

  1. Analisis Regresi Logistik

Regresi logistik biasanya digunakan untuk menentukan probabilitas event=Success and event=Failure. Setiap kali variabel dependen adalah biner seperti 0/1, Benar / Salah, Ya / Tidak, regresi logistik digunakan. Dengan demikian, dapat dikatakan bahwa regresi logistik digunakan untuk menganalisis pertanyaan tertutup dalam survei atau pertanyaan yang menuntut respons numerik dalam survei.

Perlu diketahui, regresi logistik tidak memerlukan hubungan linier antara variabel dependen dan variabel independen seperti halnya regresi linier. Regresi logistik menerapkan transformasi log non-linier untuk memprediksi rasio peluang. Oleh karena itu, ia dengan mudah menangani berbagai jenis hubungan antara variabel dependen dan variabel independen.

Contoh Analisis Regresi Logistik

Adapun contoh metode dalam regresi logistik banyak digunakan untuk menganalisis data kategorik, khususnya untuk data respon biner dalam pemodelan data bisnis. Regresi logistik lebih sering digunakan ketika variabel dependen bersifat kategoris seperti memprediksi apakah klaim kesehatan yang dibuat oleh seseorang itu nyata atau curang, untuk memahami apakah tumor itu ganas atau tidak.

Bisnis menggunakan regresi logistik untuk memprediksi apakah konsumen dalam demografi tertentu akan membeli produk mereka atau akan membeli dari pesaing berdasarkan usia, pendapatan, jenis kelamin, ras, negara tempat tinggal, pembelian sebelumnya, dan lain-lain.

  1. Analisis Regresi Polinomial

Regresi polinomial biasanya digunakan untuk menganalisis data lengkung dan ini terjadi ketika kekuatan variabel independen lebih dari 1. Dalam metode analisis regresi ini, garis yang paling cocok tidak pernah menjadi ‘garis lurus’ tetapi selalu ‘garis kurva’ cocok dengan poin data.

Perlu dicatat bahwa regresi polinomial lebih baik digunakan ketika beberapa variabel memiliki eksponen dan sedikit yang tidak. Selain itu, dapat memodelkan data yang dapat dipisahkan secara non-linier yang menawarkan kebebasan untuk memilih eksponen yang tepat untuk setiap variabel dan itu juga dengan kontrol penuh atas fitur pemodelan yang tersedia.

Contoh Analisis Regresi Polinomial

Adapun contoh analisis regresi polinomial bila dikombinasikan dengan analisis permukaan respons dianggap sebagai pendekatan statistik canggih yang biasa digunakan dalam penelitian umpan balik multisumber. Regresi polinomial banyak digunakan di industri yang berhubungan dengan keuangan dan asuransi dimana hubungan antara variabel dependen dan independen bersifat lengkung.

Misalkan seseorang ingin menganggarkan perencanaan pengeluaran dengan menentukan berapa banyak waktu yang dibutuhkan untuk mendapatkan sejumlah uang yang pasti.

Regresi polinomial dengan memperhitungkan pendapatannya dan memprediksi pengeluaran dapat dengan mudah menentukan waktu yang tepat yang dia butuhkan untuk bekerja untuk mendapatkan jumlah tertentu dari jumlah tersebut.

  1. Analisis Regresi Bertahap

Analisis regresi bertahap adalah proses semi-otomatis yang dengannya model statistik dibangun baik dengan menambahkan atau menghapus variabel yang bergantung pada statistik-t dari koefisien estimasi mereka. Jika digunakan dengan benar, regresi bertahap akan memberi kita data yang lebih kuat daripada metode apa pun. Ini berfungsi dengan baik saat kita bekerja dengan sejumlah besar variabel independen.

Dimana anlisis data ini hanya menyempurnakan model analisis dengan memasukkan variabel secara acak. Analisis regresi bertahap direkomendasikan untuk digunakan jika terdapat beberapa variabel independen, di mana pemilihan variabel independen dilakukan secara otomatis tanpa campur tangan manusia.

Perlu kita catat bahwa dalam pemodelan regresi bertahap, variabel ditambahkan atau dikurangkan dari kumpulan variabel penjelas. Kumpulan variabel yang ditambahkan atau dihapus dipilih tergantung pada statistik uji dari koefisien yang diperkirakan.

Contoh Analisis Regresi Bertahap

Misalkan kita memiliki sekumpulan variabel independen seperti usia, berat badan, luas permukaan tubuh, durasi hipertensi, denyut nadi basal, dan indeks stres berdasarkan yang ingin kita analisis pengaruhnya terhadap tekanan darah.

Dalam regresi bertahap, subset terbaik dari variabel independen dipilih secara otomatis, baik dimulai dengan tidak memilih variabel untuk melanjutkan lebih jauh (karena menambahkan satu variabel pada satu waktu) atau dimulai dengan semua variabel dalam model dan melanjutkan ke belakang (menghapus satu variabel pada suatu waktu).

Jadi, dengan menggunakan analisis regresi, kita dapat menghitung dampak masing-masing atau sekelompok variabel terhadap tekanan darah.

  1. Analisis Regresi Ridge

Regresi ridge didasarkan pada metode kuadrat terkecil biasa yang digunakan untuk menganalisis data multikolinearitas (data di mana variabel independen sangat berkorelasi). Kolinearitas dapat dijelaskan sebagai hubungan yang hampir linier antara variabel.

Setiap kali terjadi multikolinearitas, perkiraan kuadrat terkecil tidak akan bias; tetapi, jika perbedaan di antara keduanya lebih besar, maka itu mungkin jauh dari nilai sebenarnya. Namun, regresi ridge menghilangkan kesalahan standar dengan menambahkan beberapa tingkat bias ke perkiraan regresi dengan motif untuk memberikan perkiraan yang lebih dapat diandalkan.

Perlu kita catat bahwa asumsi yang diturunkan melalui regresi ridge mirip dengan regresi kuadrat terkecil, satu-satunya perbedaan adalah normalitas. Meskipun nilai koefisien dibatasi dalam regresi ridge, nilai koefisien tidak pernah mencapai nol yang menunjukkan ketidakmampuan untuk memilih variabel.

Contoh Analisis Regresi Ridge

Misalkan kita tergila-gila pada dua gitaris yang tampil live di sebuah acara di dekat tempat tinggal kita dan kita pergi menonton penampilan mereka dengan motif untuk mencari tahu siapa gitaris yang lebih baik.

Tetapi ketika pertunjukan dimulai, kita melihat bahwa keduanya memainkan nada hitam-biru pada saat yang bersamaan. Apakah mungkin menemukan gitaris terbaik yang memiliki pengaruh terbesar pada suara di antara mereka saat mereka bermain dengan keras dan cepat?

Karena keduanya memainkan nada yang berbeda, sangat sulit untuk membedakannya, menjadikannya kasus multikolinearitas terbaik, yang pada gilirannya memiliki kecenderungan meningkatkan kesalahan standar koefisien. Regresi ridge membahas multikolinearitas dalam kasus-kasus seperti ini dan menyertakan bias atau estimasi penyusutan untuk mendapatkan hasil.

Kesimpulan

Dari penjelasan yang dikemukakan, dapatlah dikatakan bahwa analisis regresi seringkali dipergunakan untuk memodelkan atau menganalisis data. Dimana mayoritas analis survei menggunakannya untuk memahami hubungan antara variabel, yang selanjutnya dapat digunakan untuk memprediksi hasil penelitian yang tepat.

Selain analisis regresi yang digunakan untuk mengasumsikan bahwa terdapat asosiasi yang linier antara dua variabel (satu variabel meningkatkan atau menurunkan jumlah tetap untuk peningkatan atau penurunan unit yang lain), dalam statistik dikenal pula istilah analisis korelasi.

Itulah tadi penjelasan yang bisa dikemukakan pada semua kalangan berkenaan dengan pengertian analisis regresi menurut para ahli, jenis, dan contohnya yang ada di dalam penelitian. Semoga memberikan wawasan untuk kalian yang membutuhkan.

Gambar Gravatar
Saya mencintai dan suka menulis terkait pendidikan dan penelitian. Semoga tulisan saya ini bisa bermanfaat untuk kalian yang membutuhkannya.

2 thoughts on “Pengertian Analisis Regresi, Jenis, dan Contohnya

Tinggalkan Balasan ke Muchtiarah Batalkan balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *