4 contoh penggunaan regresi logistik dalam kehidupan nyata

Regresi logistik adalah metode statistik yang kami gunakan untuk menyesuaikan model regresi jika variabel responsnya biner.

Tutorial ini menunjukkan empat contoh berbeda penggunaan regresi logistik dalam kehidupan nyata.

Contoh Regresi Logistik Nyata #1

Peneliti medis ingin mengetahui bagaimana olahraga dan berat badan berdampak pada kemungkinan terkena serangan jantung. Untuk memahami hubungan variabel prediktor dengan kemungkinan terjadinya serangan jantung, peneliti dapat melakukan regresi logistik.

Variabel respons dalam model ini adalah serangan jantung dan akan mempunyai dua kemungkinan hasil:

• Serangan jantung terjadi.
• Serangan jantung tidak terjadi.

Hasil model ini akan memberi tahu peneliti bagaimana perubahan olahraga dan berat badan memengaruhi kemungkinan seseorang terkena serangan jantung. Para peneliti juga dapat menggunakan model regresi logistik untuk memprediksi kemungkinan seseorang terkena serangan jantung, berdasarkan berat badan dan waktu yang mereka habiskan untuk berolahraga.

Contoh Regresi Logistik Nyata #2

Peneliti ingin mengetahui bagaimana IPK, skor ACT, dan jumlah mata kuliah AP yang diambil berdampak pada kemungkinan diterima di universitas tertentu. Untuk memahami hubungan antara variabel prediktor dengan kemungkinan diterimanya, peneliti dapat melakukan regresi logistik.

Variabel respons dalam model ini adalah “penerimaan” dan memiliki dua hasil potensial:

• Seorang siswa diterima.
• Seorang siswa tidak diterima.

Hasil dari model ini akan memberi tahu peneliti bagaimana perubahan IPK, skor ACT, dan jumlah mata kuliah AP yang diambil mempengaruhi kemungkinan seseorang diterima di perguruan tinggi. Para peneliti juga dapat menggunakan model regresi logistik yang sesuai untuk memprediksi kemungkinan seseorang diterima, berdasarkan IPK, skor ACT, dan jumlah mata kuliah AP yang diambil.

Contoh kehidupan nyata dari regresi logistik #3

Sebuah perusahaan ingin mengetahui apakah jumlah kata dan negara asal berdampak pada kemungkinan bahwa sebuah email adalah spam. Untuk memahami hubungan antara kedua variabel prediktor ini dan kemungkinan suatu email adalah spam, peneliti dapat melakukan regresi logistik.

Variabel respons dalam templat adalah “spam” dan memiliki dua kemungkinan hasil:

• Emailnya adalah spam.
• Email tersebut bukan spam.

Hasil dari model ini akan memberi tahu perusahaan secara pasti bagaimana perubahan jumlah kata dan negara asal memengaruhi kemungkinan email tertentu adalah spam. Perusahaan juga dapat menggunakan model regresi logistik yang sesuai untuk memprediksi kemungkinan email tertentu adalah spam, berdasarkan jumlah kata dan negara asalnya.

Contoh Regresi Logistik Nyata #4

Perusahaan kartu kredit ingin mengetahui apakah jumlah transaksi dan nilai kredit berdampak pada kemungkinan suatu transaksi adalah penipuan. Untuk memahami hubungan kedua variabel prediktor ini dan kemungkinan terjadinya penipuan, perusahaan dapat melakukan regresi logistik.

Variabel respons dalam model akan bersifat “penipuan” dan akan mempunyai dua kemungkinan hasil:

• Transaksi tersebut palsu.
• Transaksi ini tidak curang.

Hasil dari model ini akan memberi tahu bisnis secara tepat bagaimana perubahan jumlah transaksi dan nilai kredit memengaruhi kemungkinan terjadinya penipuan dalam suatu transaksi. Perusahaan juga dapat menggunakan model regresi logistik yang sesuai untuk memprediksi kemungkinan suatu transaksi adalah penipuan, berdasarkan jumlah transaksi dan skor kredit orang yang melakukan transaksi tersebut.