<\/p>\n
Regresi linier<\/b> adalah salah satu teknik yang paling umum digunakan dalam statistik. Ini digunakan untuk mengukur hubungan antara satu atau lebih variabel prediktor dan variabel respon.<\/span><\/p>\n Bentuk regresi linier paling dasar dikenal sebagai regresi linier sederhana<\/a> , yang digunakan untuk mengukur hubungan antara variabel prediktor dan variabel respons.<\/span><\/p>\n Jika kita memiliki beberapa variabel prediktor, kita dapat menggunakan regresi linier berganda, yang digunakan untuk mengukur hubungan antara beberapa variabel prediktor dan variabel respon.<\/span><\/p>\n Tutorial ini menunjukkan empat contoh berbeda penggunaan regresi linier dalam kehidupan nyata.<\/span><\/p>\n Bisnis sering kali menggunakan regresi linier untuk memahami hubungan antara pembelanjaan iklan dan pendapatan.<\/span><\/p>\n Misalnya, mereka dapat menggunakan model regresi linier sederhana yang menggunakan belanja iklan sebagai variabel prediktor dan pendapatan sebagai variabel respons. Model regresi akan mengambil bentuk berikut:<\/span><\/p>\n pendapatan = \u03b2 0<\/sub> + \u03b2 1<\/sub> (beban iklan)<\/span><\/strong><\/p>\n<\/blockquote>\n Koefisien \u03b2 0<\/sub><\/strong> akan mewakili total pendapatan yang diharapkan ketika pengeluaran iklan adalah nol.<\/span><\/p>\n Koefisien \u03b2 1<\/sub><\/strong> akan mewakili perubahan rata-rata total pendapatan ketika pengeluaran iklan meningkat sebesar satu unit (misalnya, satu dolar).<\/span><\/p>\n Jika \u03b2 1<\/sub> negatif, berarti peningkatan belanja iklan dikaitkan dengan penurunan pendapatan.<\/span><\/p>\n Jika \u03b2 1<\/sub> mendekati nol, ini berarti belanja iklan mempunyai pengaruh yang kecil terhadap pendapatan.<\/span><\/p>\n Dan jika \u03b21<\/sub> positif, berarti semakin banyak belanja iklan maka semakin besar pula pendapatannya.<\/span><\/p>\n Bergantung pada nilai \u03b2 1<\/sub> , perusahaan dapat memutuskan untuk mengurangi atau meningkatkan pengeluaran iklannya.<\/span><\/p>\n Peneliti medis sering menggunakan regresi linier untuk memahami hubungan antara dosis obat dan tekanan darah pasien.<\/span><\/p>\n Misalnya, peneliti dapat memberikan dosis obat tertentu yang berbeda kepada pasien dan mengamati bagaimana respons tekanan darah mereka. Mereka dapat menggunakan model regresi linier sederhana dengan menggunakan dosis sebagai variabel prediktor dan tekanan darah sebagai variabel respon. Model regresi akan mengambil bentuk berikut:<\/span><\/p>\n tekanan darah = \u03b2 0<\/sub> + \u03b2 1<\/sub> (dosis)<\/strong><\/span><\/p>\n<\/blockquote>\n Koefisien \u03b2 0<\/sub><\/strong> akan mewakili tekanan darah yang diharapkan ketika dosisnya nol.<\/span><\/p>\n Koefisien \u03b2 1<\/sub><\/strong> akan mewakili perubahan rata-rata tekanan darah ketika dosis ditingkatkan satu unit.<\/span><\/p>\n Jika \u03b21<\/sub> negatif, berarti peningkatan dosis berhubungan dengan penurunan tekanan darah.<\/span><\/p>\n Jika \u03b21<\/sub> mendekati nol, berarti peningkatan dosis tidak berhubungan dengan perubahan tekanan darah.<\/span><\/p>\n Jika \u03b21<\/sub> positif, berarti peningkatan dosis berhubungan dengan peningkatan tekanan darah.<\/span><\/p>\n Tergantung pada nilai \u03b2 1<\/sub> , peneliti dapat memutuskan untuk mengubah dosis yang diberikan kepada pasien.<\/span><\/p>\n Ahli agronomi sering menggunakan regresi linier untuk mengukur pengaruh pupuk dan air terhadap hasil panen.<\/span><\/p>\n Misalnya, para ilmuwan dapat menggunakan jumlah pupuk dan air yang berbeda di lahan yang berbeda dan melihat pengaruhnya terhadap hasil panen. Mereka dapat menggunakan model regresi linier berganda dengan menggunakan pupuk dan air sebagai variabel prediktor dan hasil panen sebagai variabel respon. Model regresi akan mengambil bentuk berikut:<\/span><\/p>\n hasil panen = \u03b2 0<\/sub> + \u03b2 1<\/sub> (jumlah pupuk) + \u03b2 2<\/sub> (jumlah air)<\/strong><\/span><\/p>\n<\/blockquote>\n Koefisien \u03b2 0<\/sub><\/strong> akan mewakili hasil panen yang diharapkan tanpa pupuk atau air.<\/span><\/p>\n Koefisien \u03b2 1<\/sub><\/strong> mewakili perubahan rata-rata hasil panen ketika pupuk ditingkatkan satu unit, dengan asumsi jumlah air tidak berubah.<\/em><\/span><\/p>\n Koefisien \u03b2 2<\/sub><\/strong> mewakili perubahan rata-rata hasil panen ketika air ditambah satu unit, dengan asumsi jumlah pupuk tidak berubah.<\/em><\/span><\/p>\n Bergantung pada nilai \u03b21<\/sub> dan \u03b22<\/sub> , para ilmuwan dapat mengubah jumlah pupuk dan air yang digunakan untuk memaksimalkan hasil panen.<\/span><\/p>\n Ilmuwan data untuk tim olahraga profesional sering menggunakan regresi linier untuk mengukur pengaruh berbagai program pelatihan terhadap kinerja pemain.<\/span><\/p>\n Misalnya, ilmuwan data NBA dapat menganalisis bagaimana jumlah sesi yoga dan angkat beban mingguan yang berbeda memengaruhi jumlah poin yang dicetak pemain. Mereka dapat menyesuaikan model regresi linier berganda dengan menggunakan sesi yoga dan sesi angkat beban sebagai variabel prediktor dan total poin yang dicetak sebagai variabel respons. Model regresi akan mengambil bentuk berikut:<\/span><\/p>\n poin yang dicetak = \u03b2 0<\/sub> + \u03b2 1<\/sub> (sesi yoga) + \u03b2 2<\/sub> (sesi angkat beban)<\/strong><\/span><\/p>\n<\/blockquote>\n Koefisien \u03b2 0<\/sub><\/strong> akan mewakili poin yang diharapkan yang dicetak untuk pemain yang tidak berpartisipasi dalam sesi yoga dan tidak ada sesi angkat beban.<\/span><\/p>\n Koefisien \u03b2 1<\/sub><\/strong> akan mewakili rata-rata perubahan poin yang dicetak ketika sesi yoga mingguan ditingkatkan satu, dengan asumsi bahwa jumlah sesi angkat beban mingguan tetap tidak berubah.<\/em><\/span><\/p>\n Koefisien \u03b2 2<\/sub><\/strong> akan mewakili rata-rata perubahan poin yang dicetak ketika sesi angkat beban mingguan ditingkatkan satu, dengan asumsi bahwa jumlah sesi yoga mingguan tetap tidak berubah.<\/em><\/span><\/p>\n Bergantung pada nilai \u03b2 1<\/sub> dan \u03b2 2<\/sub> , ilmuwan data dapat merekomendasikan agar pemain berpartisipasi dalam sesi yoga dan angkat beban kurang lebih setiap minggu untuk memaksimalkan perolehan poinnya.<\/span><\/p>\n Regresi linier digunakan dalam berbagai situasi dunia nyata di berbagai jenis industri. Untungnya, perangkat lunak statistik memudahkan untuk melakukan regresi linier.<\/span><\/p>\n Silakan jelajahi tutorial berikut untuk mempelajari cara melakukan regresi linier menggunakan perangkat lunak yang berbeda:<\/span><\/p>\n Cara melakukan regresi linier sederhana di Excel<\/a> Regresi linier adalah salah satu teknik yang paling umum digunakan dalam statistik. Ini digunakan untuk mengukur hubungan antara satu atau lebih variabel prediktor dan variabel respon. Bentuk regresi linier paling dasar dikenal sebagai regresi linier sederhana , yang digunakan untuk mengukur hubungan antara variabel prediktor dan variabel respons. Jika kita memiliki beberapa variabel prediktor, kita […]<\/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":"\n Contoh Regresi Linier Nyata #1<\/strong><\/span><\/h3>\n
\n
Contoh Regresi Linier Nyata #2<\/strong><\/span><\/h3>\n
\n
Contoh Regresi Linier Nyata #3<\/strong><\/span><\/h3>\n
\n
Contoh Regresi Linier Nyata #4<\/strong><\/span><\/h3>\n
\n
Kesimpulan<\/span><\/strong><\/h2>\n
Cara melakukan regresi linier berganda di Excel<\/a>
Cara melakukan regresi linier berganda di R<\/a>
Cara melakukan regresi linier berganda di Stata<\/a>
Cara Melakukan Regresi Linier pada Kalkulator TI-84<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"