{"id":1154,"date":"2023-07-27T11:50:48","date_gmt":"2023-07-27T11:50:48","guid":{"rendered":"https:\/\/statorials.org\/id\/regresi-logistik\/"},"modified":"2023-07-27T11:50:48","modified_gmt":"2023-07-27T11:50:48","slug":"regresi-logistik","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/regresi-logistik\/","title":{"rendered":"Pengantar regresi logistik"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Ketika kita ingin memahami hubungan antara satu atau lebih variabel prediktor dan variabel respon kontinu, kita sering menggunakan <a href=\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi linier<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun jika variabel respon bersifat kategorikal, kita dapat menggunakan <strong>regresi logistik<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Regresi logistik adalah jenis <a href=\"https:\/\/statorials.org\/id\/regresi-vs.-klasifikasi\/\" target=\"_blank\" rel=\"noopener noreferrer\">algoritme klasifikasi<\/a> karena ia berupaya &#8220;mengklasifikasikan&#8221; observasi dalam kumpulan data ke dalam kategori berbeda.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Berikut beberapa contoh penggunaan regresi logistik:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Kami ingin menggunakan <em>skor kredit<\/em> dan <em>saldo bank<\/em> untuk memprediksi apakah pelanggan tertentu akan gagal membayar pinjaman. (Variabel respons = \u201cDefault\u201d atau \u201cTidak ada default\u201d)<\/span><\/li>\n<li> <span style=\"color: #000000;\">Kami ingin menggunakan <em>rata-rata rebound per game<\/em> dan <em>rata-rata poin per game<\/em> untuk memprediksi apakah seorang pemain bola basket tertentu akan direkrut ke NBA atau tidak (Variabel respons = \u201cDrafted\u201d atau \u201cUndrafted\u201d).<\/span><\/li>\n<li> <span style=\"color: #000000;\">Kami ingin menggunakan <em>luas persegi<\/em> dan <em>jumlah kamar mandi<\/em> untuk memprediksi apakah sebuah rumah di kota tertentu akan dijual dengan harga $200.000 atau lebih. (Variabel respon = \u201cYa\u201d atau \u201cTidak\u201d)<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Perhatikan bahwa variabel respon di masing-masing contoh ini hanya dapat mengambil satu dari dua nilai. Bandingkan dengan regresi linier yang variabel responnya bernilai kontinu.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Persamaan regresi logistik<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Regresi logistik menggunakan metode yang disebut estimasi kemungkinan maksimum (detailnya tidak akan dibahas di sini) untuk mencari persamaan dengan bentuk berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>log[p(X) \/ ( <sub>1<\/sub> -p(X))] = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> X <sub>1<\/sub> + \u03b2 <sub>2<\/sub> X <sub>2<\/sub> + \u2026 + \u03b2 <sub>p<\/sub><\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>X <sub>j<\/sub><\/strong> : variabel prediktif <sup>ke<\/sup> -j<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>\u03b2 <sub>j<\/sub><\/strong> : estimasi koefisien variabel prediktif ke- <sup>j<\/sup><\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Rumus di sisi kanan persamaan memprediksi <strong>log odds<\/strong> bahwa variabel respons bernilai 1.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jadi, ketika kita menyesuaikan model regresi logistik, kita dapat menggunakan persamaan berikut untuk menghitung probabilitas bahwa observasi tertentu bernilai 1:<\/span><\/p>\n<p> <span style=\"color: #000000;\">p(X) = e <sup>\u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> <sub>X<\/sub> <sub>1<\/sub> <sub>+<\/sub> <sub>\u03b2<\/sub> <sub>2<\/sub><\/sup> <sup><sub>X<\/sub> <sub>2<\/sub> <sub>+<\/sub> <sub>\u2026<\/sub> <sub>+<\/sub> <sub>\u03b2<\/sub> <sub>p<\/sub><\/sup><\/span><\/p>\n<p> <span style=\"color: #000000;\">Kami kemudian menggunakan ambang probabilitas tertentu untuk mengklasifikasikan observasi sebagai 1 atau 0.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, kita dapat mengatakan bahwa observasi dengan probabilitas lebih besar atau sama dengan 0,5 akan diklasifikasikan sebagai &#8220;1&#8221; dan semua observasi lainnya akan diklasifikasikan sebagai &#8220;0&#8221;.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Bagaimana menginterpretasikan hasil regresi logistik<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Misalkan kita menggunakan model regresi logistik untuk memprediksi apakah seorang pemain bola basket tertentu akan direkrut ke NBA berdasarkan rata-rata rebound per game dan rata-rata poin per game.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Berikut hasil model regresi logistik:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11555 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logregsortie1.png\" alt=\"Interpretasikan hasil regresi logistik\" width=\"426\" height=\"102\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Dengan menggunakan koefisien, kita dapat menghitung probabilitas seorang pemain tertentu untuk masuk ke NBA berdasarkan rata-rata rebound dan poin per game menggunakan rumus berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\">P(Draft) = e <sup>-2,8690 + 0,0698*(rebs) + 0,1694*(poin)<\/sup> \/ (1+e <sup>-2,8690 + 0,0698*(rebs) + 0,1694*(poin) ) )<\/sup><\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, seorang pemain rata-rata mencetak 8 rebound per game dan 15 poin per game. Menurut model, kemungkinan pemain ini masuk NBA adalah <strong>0,557<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">P(Tertulis) = e <sup>-2,8690 + 0,0698*(8) + 0,1694*(15)<\/sup> \/ (1+e <sup>-2,8690 + 0,0698*(8) + 0,1694*(15 )<\/sup> ) = <strong>0,557<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Karena probabilitas ini lebih besar dari 0,5, kami memperkirakan pemain ini akan direkrut.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Bandingkan dengan pemain yang hanya rata-rata mencetak 3 rebound dan 7 poin per game. Peluang pemain ini untuk masuk ke NBA adalah <strong>0,186<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">P(Tertulis) = e <sup>-2,8690 + 0,0698*(3) + 0,1694*(7)<\/sup> \/ (1+e <sup>-2,8690 + 0,0698*(3) + 0,1694*(7 )<\/sup> ) = <strong>0,186<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Karena probabilitas ini kurang dari 0,5, kami memperkirakan pemain ini tidak akan direkrut.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Asumsi Regresi Logistik<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Regresi logistik menggunakan asumsi berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Variabel responnya adalah biner.<\/strong> Diasumsikan bahwa variabel respon hanya dapat mengambil dua kemungkinan hasil.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Observasi bersifat independen.<\/strong> Diasumsikan bahwa observasi dalam kumpulan data tidak bergantung satu sama lain. Artinya, observasi tidak boleh berasal dari pengukuran berulang terhadap individu yang sama atau terkait satu sama lain dengan cara apa pun.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>3. Tidak terdapat multikolinearitas yang serius antar variabel prediktor<\/strong> . Diasumsikan bahwa tidak ada satu pun variabel prediktor yang <a href=\"https:\/\/statorials.org\/id\/regresi-multikolinearitas\/\" target=\"_blank\" rel=\"noopener noreferrer\">berkorelasi tinggi<\/a> satu sama lain.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>4. Tidak ada outlier yang ekstrim.<\/strong> Diasumsikan tidak ada outlier ekstrim atau observasi yang berpengaruh dalam kumpulan data.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>5. Terdapat hubungan linier antara variabel prediktor dengan logit variabel respon<\/strong> . Hipotesis ini dapat diuji dengan menggunakan uji Box-Tidwell.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>6. Ukuran sampelnya cukup besar.<\/strong> Biasanya, Anda harus memiliki minimal 10 kasus dengan hasil paling sedikit untuk setiap variabel penjelas. Misalnya, jika Anda memiliki 3 variabel penjelas dan probabilitas yang diharapkan dari hasil yang paling jarang terjadi adalah 0,20, maka Anda harus memiliki ukuran sampel minimal (10*3) \/ 0,20 = 150.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Lihat <a href=\"https:\/\/statorials.org\/id\/hipotesis-regresi-logistik\/\" target=\"_blank\" rel=\"noopener noreferrer\">artikel ini<\/a> untuk penjelasan mendetail tentang cara memverifikasi asumsi ini.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Ketika kita ingin memahami hubungan antara satu atau lebih variabel prediktor dan variabel respon kontinu, kita sering menggunakan regresi linier . Namun jika variabel respon bersifat kategorikal, kita dapat menggunakan regresi logistik . Regresi logistik adalah jenis algoritme klasifikasi karena ia berupaya &#8220;mengklasifikasikan&#8221; observasi dalam kumpulan data ke dalam kategori berbeda. Berikut beberapa contoh penggunaan [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Pengantar Regresi Logistik - Statologi<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan pengenalan sederhana tentang regresi logistik, salah satu algoritma yang paling umum digunakan dalam pembelajaran mesin.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/regresi-logistik\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Pengantar Regresi Logistik - Statologi\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan pengenalan sederhana tentang regresi logistik, salah satu algoritma yang paling umum digunakan dalam pembelajaran mesin.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/regresi-logistik\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T11:50:48+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logregsortie1.png\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"3 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/regresi-logistik\/\",\"url\":\"https:\/\/statorials.org\/id\/regresi-logistik\/\",\"name\":\"Pengantar Regresi Logistik - Statologi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T11:50:48+00:00\",\"dateModified\":\"2023-07-27T11:50:48+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan pengenalan sederhana tentang regresi logistik, salah satu algoritma yang paling umum digunakan dalam pembelajaran mesin.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/regresi-logistik\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/regresi-logistik\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/regresi-logistik\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Pengantar regresi logistik\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Pengantar Regresi Logistik - Statologi","description":"Tutorial ini memberikan pengenalan sederhana tentang regresi logistik, salah satu algoritma yang paling umum digunakan dalam pembelajaran mesin.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/regresi-logistik\/","og_locale":"id_ID","og_type":"article","og_title":"Pengantar Regresi Logistik - Statologi","og_description":"Tutorial ini memberikan pengenalan sederhana tentang regresi logistik, salah satu algoritma yang paling umum digunakan dalam pembelajaran mesin.","og_url":"https:\/\/statorials.org\/id\/regresi-logistik\/","og_site_name":"Statorials","article_published_time":"2023-07-27T11:50:48+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logregsortie1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"3 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/regresi-logistik\/","url":"https:\/\/statorials.org\/id\/regresi-logistik\/","name":"Pengantar Regresi Logistik - Statologi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T11:50:48+00:00","dateModified":"2023-07-27T11:50:48+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan pengenalan sederhana tentang regresi logistik, salah satu algoritma yang paling umum digunakan dalam pembelajaran mesin.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/regresi-logistik\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/regresi-logistik\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/regresi-logistik\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Pengantar regresi logistik"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1154"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=1154"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1154\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1154"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1154"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1154"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}