Modul 4 : Regresi Linear & Prediksi Bisnis

A. DASAR TEORI

1. Pengertian Fungsi

        Regresi linear adalah teknik dasar machine learning untuk memprediksi variabel target (Y) berdasarkan satu atau lebih variabel input (X). Pendekatan ini membentuk hubungan matematis berupa garis lurus dan digunakan untuk memperkirakan penjualan, harga, permintaan, dll.

        a) Regresi Linear Sederhana
            Digunakan jika hanya ada satu variabel bebas (X).
        Rumus: Y = a + bX

  • Y: nilai yang diprediksi

  • X: variabel independen

  • a: intercept (titik potong sumbu Y)

  • b: slope (besarnya perubahan Y terhadap X)
    Contoh: biaya iklan (X) digunakan untuk memprediksi penjualan (Y).

        b) Regresi Linear Berganda
            Digunakan jika ada lebih dari satu variabel bebas.
        Rumus: Y = a + b₁X₁ + b₂X₂ + ... + bₙXₙ
        Setiap koefisien menunjukkan kontribusi masing-masing variabel terhadap Y.

        c) Asumsi Dasar Regresi Linear

  1. Linearitas: hubungan X dan Y bersifat linear.

  2. Normalitas residual: selisih prediksi dan nilai aktual berdistribusi normal.

  3. Homoskedastisitas: varians residual konstan di seluruh rentang X


2. Aplikasi Regresi Linear dalam Bisnis

Regresi linear penting dalam pengambilan keputusan berbasis data. Contoh penerapannya:

  • Prediksi Penjualan: memperkirakan penjualan berdasarkan data historis dan faktor seperti iklan atau diskon.

  • Analisis Tren Harga: memahami perubahan harga produk dari waktu ke waktu.

  • Prediksi Trafik & Engagement: memperkirakan jumlah pengunjung atau interaksi di situs untuk menyusun strategi pemasaran.

3. Implementasi Regresi Linear dengan Scikit-Learn

Langkah penerapan menggunakan Python (library scikit-learn):

    a) Import Data
        Data dibaca dari file (mis. CSV) menggunakan pandas.

    b) Memisahkan Fitur (X) dan Target (y)
        Fitur adalah variabel bebas (mis. iklan, harga, promosi), sedangkan target adalah variabel yang                 diprediksi (mis. penjualan).

    c) Melatih Model (Training)
        Gunakan LinearRegression() dari sklearn.linear_model, lalu latih model dengan fit(X_train,         y_train) agar model mempelajari hubungan antara X dan y.

    d) Melakukan Prediksi
        Gunakan model.predict(X_test) untuk memprediksi nilai target pada data uji.

    e) Evaluasi Model (R², MAE, MSE, RMSE)

  • R²: seberapa besar variasi data yang dijelaskan model.

  • MAE: rata-rata selisih absolut antara nilai aktual dan prediksi.

  • MSE: rata-rata kuadrat selisih antara nilai aktual dan prediksi.

  • RMSE: akar dari MSE, menunjukkan tingkat kesalahan rata-rata model.

4. Kesimpulan

Melalui praktikum ini, mahasiswa belajar bahwa regresi linear merupakan salah satu teknik analisis data paling fundamental namun sangat bermanfaat dalam dunia bisnis. Dengan menggunakan Python dan pustaka Scikit-Learn, proses pembangunan model prediksi menjadi lebih mudah dan sistematis. Mahasiswa dapat memahami bagaimana data historis dapat digunakan untuk memprediksi kinerja bisnis di masa depan.

Selain itu, dengan kemampuan untuk menyimpan dan memvisualisasikan hasil, mahasiswa dapat mengkomunikasikan hasil analisis secara lebih profesional. Semua langkah ini menjadi bekal penting dalam membangun model analitik bisnis yang lebih kompleks di masa depan, seperti regresi logistik, pohon keputusan, atau bahkan pembelajaran mesin berbasis neural network.


Praktikum Modul 4 : prak4

Tugas Modul 4 : tugas4

Latihan Modul 4 : prak4


Referensi

Sumber utama:

Modul Praktikum Machine Learning & AI, disusun oleh Adi Muhamad Muhsidi (2025).

Program Studi Bisnis Digital Fakultas Ekonomi dan Bisnis, Universitas Kuningan. 

link: https://heyzine.com/flip-book/cbbbf75431.html

Atau dapat diakses langsung dari blog pribadi penulis di: https://adi-muhamad.my.id 

Komentar

Posting Komentar

Postingan Populer