Pengantar Model Regresi

Analisis regresi adalah teknik statistik yang digunakan untuk memodelkan hubungan antarvariabel. Teknik ini membantu memprediksi hasil dan menemukan pola dalam data.

Memahami Regresi Linear

Regresi linear memodelkan hubungan antara variabel dependen dan variabel independen menggunakan garis lurus.

model <- lm(mpg ~ hp, data=mtcars)
summary(model)

Memvisualisasikan Garis Regresi

Gunakan abline() untuk menambahkan garis regresi ke diagram sebar.

plot(mtcars$hp, mtcars$mpg)
abline(model, col='red')

Regresi Linear Berganda

Regresi berganda mencakup lebih dari satu variabel independen untuk menjelaskan variasi pada variabel dependen.

model_multi <- lm(mpg ~ hp + wt, data=mtcars)
summary(model_multi)

Memeriksa Kesesuaian Model

Gunakan summary() untuk mengevaluasi kualitas model regresi, termasuk R-kuadrat dan nilai-p.

summary(model_multi)

Melakukan Regresi Logistik

Regresi logistik memodelkan hasil kategorikal biner (misalnya, berhasil vs. gagal).

data(mtcars)
mtcars$am <- as.factor(mtcars$am)
model_logit <- glm(am ~ hp + wt, data=mtcars, family='binomial')
summary(model_logit)

Memprediksi Nilai Baru

Gunakan predict() untuk menghasilkan prediksi dari model regresi yang telah dilatih.

predict(model_multi, newdata=data.frame(hp=120, wt=3))

Mengevaluasi Asumsi Model

Model regresi mengasumsikan kenormalan, homoskedastisitas, dan independensi galat. Periksa grafik residual untuk menilai validitasnya.

plot(model_multi$residuals)

Ringkasan

Dalam pelajaran ini, Anda telah mempelajari:

• Cara melakukan regresi linear dan regresi berganda.
• Cara mengevaluasi kinerja model regresi.
• Cara memprediksi nilai baru menggunakan model regresi.