Budi: ←Membuat halaman berisi 'Regresi linear adalah salah satu metode statistik yang digunakan untuk memodelkan hubungan antara satu variabel dependen dengan satu atau lebih variabel independen. Metode ini mengasumsikan bahwa hubungan antara variabel-variabel tersebut dapat direpresentasikan dengan garis lurus. Regresi linear banyak digunakan dalam berbagai bidang seperti ekonomi, ilmu sosial, biologi, dan ilmu komputer untuk melakukan prediksi atau inferensi terha...'

2025-09-20T10:34:23Z

←Membuat halaman berisi 'Regresi linear adalah salah satu metode statistik yang digunakan untuk memodelkan hubungan antara satu variabel dependen dengan satu atau lebih variabel independen. Metode ini mengasumsikan bahwa hubungan antara variabel-variabel tersebut dapat direpresentasikan dengan garis lurus. Regresi linear banyak digunakan dalam berbagai bidang seperti ekonomi, ilmu sosial, biologi, dan ilmu komputer untuk melakukan prediksi atau inferensi terha...'

Halaman baru

Regresi linear adalah salah satu metode [[statistik]] yang digunakan untuk memodelkan hubungan antara satu [[variabel dependen]] dengan satu atau lebih [[variabel independen]]. Metode ini mengasumsikan bahwa hubungan antara variabel-variabel tersebut dapat direpresentasikan dengan garis lurus. Regresi linear banyak digunakan dalam berbagai bidang seperti [[ekonomi]], [[ilmu sosial]], [[biologi]], dan [[ilmu komputer]] untuk melakukan prediksi atau inferensi terhadap suatu fenomena. Model regresi linear yang paling sederhana adalah regresi linear sederhana, yang melibatkan satu variabel bebas dan satu variabel terikat.

== Konsep Dasar ==
Konsep utama dalam regresi linear adalah mencari garis terbaik yang meminimalkan selisih antara nilai yang diprediksi oleh model dan nilai aktual dari data. Selisih ini disebut [[residu]] atau error. Garis terbaik biasanya ditentukan dengan metode [[kuadrat terkecil]] (ordinary least squares/OLS). Persamaan umum regresi linear sederhana dapat ditulis sebagai:
: ''Y = a + bX + e''
di mana ''Y'' adalah variabel dependen, ''X'' adalah variabel independen, ''a'' adalah intercept, ''b'' adalah koefisien regresi, dan ''e'' adalah error.

== Jenis Regresi Linear ==
Secara umum, regresi linear dibagi menjadi dua jenis utama:
# '''Regresi linear sederhana''': hanya melibatkan satu variabel independen.
# '''Regresi linear berganda''': melibatkan dua atau lebih variabel independen.

Kedua jenis ini menggunakan prinsip yang sama, tetapi regresi linear berganda memungkinkan analisis yang lebih kompleks dengan mempertimbangkan interaksi antarvariabel.

== Asumsi-asumsi dalam Regresi Linear ==
Agar hasil regresi linear valid, terdapat beberapa asumsi yang harus dipenuhi:
# Hubungan antara variabel dependen dan independen bersifat linear.
# Error terdistribusi normal.
# Varians error konstan ([[homoskedastisitas]]).
# Tidak terdapat [[multikolinearitas]] yang tinggi antarvariabel independen.
# Error bersifat independen satu sama lain.

Apabila asumsi-asumsi ini tidak terpenuhi, maka hasil estimasi dapat menjadi bias atau tidak efisien.

== Estimasi Parameter ==
Dalam regresi linear, estimasi parameter biasanya dilakukan dengan metode [[kuadrat terkecil]]. Metode ini bekerja dengan meminimalkan jumlah kuadrat residu untuk mendapatkan nilai parameter yang optimal. Koefisien regresi menunjukkan seberapa besar perubahan rata-rata pada variabel dependen untuk setiap perubahan satu satuan pada variabel independen.

== Pengujian Signifikansi ==
Setelah parameter diestimasi, langkah berikutnya adalah menguji signifikansinya. Uji yang umum digunakan adalah [[uji t]] untuk setiap koefisien, guna menentukan apakah variabel independen berpengaruh signifikan terhadap variabel dependen. Selain itu, [[uji F]] digunakan untuk menguji signifikansi model secara keseluruhan.

== Koefisien Determinasi ==
Koefisien determinasi (R²) digunakan untuk mengukur seberapa baik model regresi linear mampu menjelaskan variasi pada variabel dependen. Nilai R² berkisar antara 0 dan 1. Semakin mendekati 1, semakin baik model dalam menjelaskan data. Namun, nilai R² yang tinggi tidak selalu berarti model tersebut baik, karena bisa saja terjadi [[overfitting]].

== Aplikasi Regresi Linear ==
Regresi linear digunakan secara luas dalam berbagai bidang. Contohnya, dalam [[ekonomi]] untuk memprediksi konsumsi berdasarkan pendapatan, dalam [[epidemiologi]] untuk mengkaji hubungan antara paparan dan risiko penyakit, atau dalam [[pembelajaran mesin]] untuk membuat model prediksi berbasis data historis.

== Kelebihan Regresi Linear ==
Beberapa kelebihan regresi linear antara lain:
# Sederhana dan mudah diinterpretasikan.
# Memiliki dasar teori yang kuat.
# Efisien untuk dataset dengan ukuran kecil hingga menengah.
# Dapat digunakan sebagai baseline model dalam [[machine learning]].

== Keterbatasan Regresi Linear ==
Namun, regresi linear juga memiliki keterbatasan, seperti:
# Tidak efektif jika hubungan antara variabel tidak linear.
# Rentan terhadap [[outlier]].
# Membutuhkan pemenuhan asumsi klasik.
# Kurang cocok untuk data dengan multikolinearitas tinggi.

== Variasi dan Pengembangan ==
Terdapat berbagai pengembangan dari regresi linear, seperti [[regresi ridge]], [[regresi Lasso]], dan [[regresi robust]] yang dirancang untuk mengatasi kelemahan tertentu dari regresi linear klasik. Dalam [[analisis data]] modern, variasi ini sering digunakan untuk meningkatkan akurasi prediksi dan mengurangi masalah overfitting.

== Implementasi dalam Perangkat Lunak ==
Regresi linear dapat dengan mudah diimplementasikan menggunakan berbagai perangkat lunak statistik seperti [[R (bahasa pemrograman)|R]], [[Python]] dengan pustaka [[scikit-learn]], [[SPSS]], atau [[Excel]]. Implementasi ini memungkinkan pengguna untuk melakukan analisis regresi dengan cepat dan memvisualisasikan hasilnya.

== Kesimpulan ==
Regresi linear tetap menjadi salah satu metode analisis yang paling populer dan fundamental dalam statistik dan pembelajaran mesin. Meskipun sederhana, metode ini sangat berguna untuk memahami dan memodelkan hubungan antarvariabel. Dengan pemahaman yang baik tentang asumsi dan keterbatasannya, regresi linear dapat memberikan wawasan yang bermakna dan prediksi yang cukup akurat.

Regresi linear - Riwayat revisi