Regresi Linear: Konsep dan Contoh untuk Analis Data (2026)

Regresi linear adalah metode statistik buat ngukur hubungan garis lurus antara satu variabel dengan variabel lain, lalu memakainya buat prediksi angka.

Buat analis data, ini salah satu alat yang paling sering kepakai. Prediksi penjualan bulan depan, ngukur pengaruh harga ke permintaan, lihat tren, semuanya bisa dimulai dari regresi linear.

Aku bakal jelasin konsepnya tanpa matematika berat, bahas rumus dan cara bacanya, plus contoh nyata prediksi penjualan.

Apa itu regresi linear?

Regresi linear adalah cara nyari garis lurus terbaik yang ngewakilin hubungan antara dua variabel. Satu variabel jadi input (misalnya biaya iklan), satu lagi jadi output yang mau diprediksi (misalnya penjualan). Garis itu dipilih supaya jaraknya ke semua titik data sekecil mungkin.

Begitu garisnya ketemu, kamu bisa pakai buat dua hal: ngukur seberapa kuat hubungannya, dan memprediksi nilai yang belum ada di data.

Rumus regresi linear dan cara bacanya

Bentuk dasarnya persamaan garis yang mungkin udah kamu kenal dari sekolah:

y = a + bx

Artinya:

• y = nilai yang mau diprediksi (variabel terikat)
• x = nilai yang dipakai buat prediksi (variabel bebas)
• a = intercept, nilai y saat x nol (titik awal garis)
• b = slope, seberapa besar y berubah tiap x naik satu

Nilai b yang paling penting buat analis. Kalau b sama dengan 50, tiap kenaikan x sebesar satu bikin y naik 50. Angka ini yang cerita seberapa besar pengaruh satu variabel ke variabel lain.

Apa itu R-squared?

R-squared ngukur seberapa besar naik-turunnya y bisa dijelasin sama model, nilainya antara 0 dan 1. R-squared 0,75 artinya 75% variasi y dijelasin sama x, sisanya faktor lain. Makin dekat ke 1, makin pas garisnya sama data.

Tapi angka tinggi bukan segalanya. Di data bisnis yang berisik, R-squared 0,5 udah berguna. Yang lebih penting: apakah hubungannya masuk akal secara logika, bukan cuma cocok di angka.

Beda regresi linear dan korelasi

Dua istilah ini sering ketuker. Bedanya penting.

Aspek	Korelasi	Regresi linear
Fungsi	Ukur kekuatan hubungan	Bikin model buat prediksi
Hasil	Angka -1 sampai 1	Persamaan garis
Jawab pertanyaan	Apakah dua hal berhubungan?	Kalau x segini, y berapa?

Biasanya dipakai berurutan: cek korelasi dulu buat lihat ada hubungan apa nggak, baru bikin regresi kalau mau prediksi. Kalau mau dalami, cek apa itu korelasi di glossary.

Contoh kasus: prediksi penjualan toko_berkah

Anggap kamu punya data toko_berkah selama 8 bulan: berapa biaya iklan tiap bulan dan berapa penjualan yang masuk. Kamu mau tahu apakah nambah biaya iklan beneran naikin penjualan, dan seberapa banyak.

Bulan	Biaya iklan (juta)	Penjualan (juta)
1	2	28
2	3	34
3	5	45
4	4	40
5	6	52
6	7	55

Setelah dihitung, model regresinya keluar kayak gini: penjualan = 18,2 + 5,4 x biaya_iklan. Slope 5,4 artinya tiap tambah 1 juta biaya iklan, penjualan naik sekitar 5,4 juta. R-squared-nya 0,97, jadi hubungannya kuat buat data ini.

Kalau bulan depan kamu mau alokasikan 8 juta buat iklan, prediksi penjualannya: 18,2 + 5,4 x 8 = 61,4 juta. Angka ini bukan kepastian, tapi dasar yang jauh lebih kuat dari nebak.

Cara hitung regresi linear di Python

Kamu nggak perlu hitung manual. Di Python, scikit-learn ngerjain dalam beberapa baris. Ini contohnya:

from sklearn.linear_model import LinearRegression
import numpy as np

# data biaya iklan (x) dan penjualan (y)
x = np.array([2, 3, 5, 4, 6, 7]).reshape(-1, 1)
y = np.array([28, 34, 45, 40, 52, 55])

model = LinearRegression()
model.fit(x, y)

print(f"Slope (b): {model.coef_[0]:.1f}")
print(f"Intercept (a): {model.intercept_:.1f}")
print(f"R-squared: {model.score(x, y):.2f}")

# prediksi buat biaya iklan 8 juta
prediksi = model.predict([[8]])
print(f"Prediksi penjualan: {prediksi[0]:.1f} juta")

Buat jalanin ini, kamu perlu install scikit-learn dulu. Cek panduan install library Python pakai pip kalau belum tahu caranya.

Kesalahan umum saat pakai regresi linear

• Ngira korelasi itu sebab-akibat. Dua variabel naik bareng bukan berarti yang satu nyebabin yang lain. Selalu cek logikanya.
• Maksa garis lurus ke data yang melengkung. Kalau polanya nggak lurus, regresi linear ngasih hasil menyesatkan. Plot dulu datanya.
• Prediksi terlalu jauh dari rentang data. Model yang dibikin dari biaya iklan 2 sampai 7 juta belum tentu akurat buat prediksi di 50 juta.
• Cuma lihat R-squared tinggi. Angka bagus tapi hubungan nggak masuk akal itu tanda bahaya, bukan kemenangan.

FAQ

Pertanyaan yang sering muncul soal regresi linear aku jawab di bagian FAQ, mulai dari arti a dan b di rumus sampai apakah regresi membuktikan sebab-akibat.

Mulai pakai regresi linear

Yang perlu diingat: regresi bikin garis buat prediksi, slope b cerita besar pengaruhnya, dan korelasi bukan sebab-akibat.

Coba di data yang kamu punya. Mulai dari dua variabel yang kamu duga berhubungan, plot dulu, baru bikin modelnya. Pelajari juga konsep regresi lebih lanjut di glossary kami.

Kalau mau lanjut ke prediksi yang lebih rumit, pahami dulu dasarnya di sini. Referensi resmi soal implementasinya ada di dokumentasi scikit-learn. Simpan artikel ini buat balik lagi pas butuh rumusnya.