Regresi Linear

 Apa itu Regresi?

Regresi merupakan teknik untuk mencari hubungan antara variabel dependen dengan variabel independen.

Tujuan Regresi

Memprediksi sesuatu (variable dependen) dari data yang dimiliki (variabel independen)

Contoh :

• Memprediksi harga rumah dari luas tanah
• Memprediksi berat badan dari kalori yang dikonsumsi /hari
• Memprediksi jarak tempuh dari konsumsi bahan bakar, efisiensi mesin, jenis bahan bakar, dan kondisi jalan

Jenis-jenis Regresi

• Regresi linear sederhana(simple regression)
• Regresi multilinear (multiple regression)
• Regresi polynomial (polynomial regression)
• Support Vector Regression
• Decision Tree Regression
• Random Forest Regression
• GAM (Generalized additive models)

Regresi Linear

Contoh :

Memprediksi waktu tempuh pengiriman order jasa laundry.

Dalam kasus ini menggunakan analogi perusahaan laundry kelas premium dengan tarif harga bukan perkilo melainkan per-potong (piece).

Kategori pelangganya adalah hotel, home spa , beauty salon, kantor dan para pelanggan kelas premium.

Perusahaan melayani jasa laundry meliputi : baju, celana, tas, sepatu, karpet, korden, carpot, jaket , dsb.

Tabel Data Order Laundry

Berdasar data yang tertera ditabel, seandainya, datang pesanan ke-26 dari hotel dengan jarak tempuh 1.5 km dari produksi laundry maka, seharusnya "waktu pengantaran dapat diprediksi".

Jarak lokasi pelanggan mengakibatkan panjang-pendeknya waktu tempuh pengiriman barang maka, jarak merupakan variabel pemberi pengaruh sebagai sumbu X (dalam kilometer) dan waktu sebagai variabel teperngaruh sebagai sumbu Y(dalam menit) .

Setiap pasang data jarak-waktu digambarkan sebagai titik potong

Tujuan regresi ini untuk mencari garis lurus sedekat mungkin dengan semua titik untuk mewakili titi-titik tersebut.

Secara rumus persamaan Y = β0 + β1x

Y = Variabel terpengaruh

β0 = Konstanta

β1 = Gradien garis

x = Variabel pemberi pengaruh

Bagaimana cara mencari garis regresi linier yang paling baik?. Untuk mengetahui garis regresi linier yang paling baik diperlukan perhitungan konstanta β0 dan gradien β1

Kesimpulan:

Berdasarkan hasil perhitungan rumus regresi linear sederhana diatas maka, diperoleh persamaan Y = 14.58 + 4.35X.

Dengan mengacu hasil nilai Y pada perhitungan regresi linier , maka prediksi jumlah waktu yang dibutuhkan pengiriman jasa laundry 14.58 menit ditambah 4.35 kali jarak pelanggan.

Dengan uraian data lebih detail peresamaan garis regresi linear ini menyatakan bahwa bila rumah pelanggan berjarak 0 km dari produksi laundry, waktu antar jasa laundry diprediksi 14.58 menit. Setiap pertambahan jarak sepanjang 1km, maka lama waktu tempuh diprediksi akan bertambah selama 3.58 menit. Untuk menjawab berapa lama waktu tempuh karyawan mengantar pesanan ke-26 dengan jarak tempuh 1.5 km ?

Cara prediksi waktu antar jasa laundry yang dibutuhkan karyawan untuk mengantarkan layanan kepada pelanggan dengan cara

Y= 14.58 + 4.35X

Y = 14.58 + 4.35(1.5) = 21.1 menit

Maka dapat ditarik kesimpulah prediksi pengiriman jasa laundry sampai kelokasi pelanggan dalam waktu 21.1 menit