Regression adalah teknik machine learning untuk memprediksi nilai angka yang kontinu, seperti harga rumah bulan depan, jumlah demand produk, atau revenue yang akan datang. Outputnya adalah angka, bukan kategori.

Kapan Regression digunakan?

Prediksi revenue bulanan berdasarkan data iklan dan seasonal pattern di e-commerce Indonesia. Estimasi harga properti berdasarkan lokasi, luas, dan fasilitas sekitar untuk platform listing properti. Forecasting demand produk untuk perencanaan stok di perusahaan FMCG. Prediksi waktu pengiriman paket berdasarkan jarak, cuaca, dan volume order di perusahaan logistik. Estimasi konsumsi energi gedung berdasarkan suhu dan jumlah penghuni untuk efisiensi operasional

Apa kesalahpahaman umum tentang Regression?

Regression bukan cuma garis lurus. Ada banyak tipe regression yang bisa menangkap hubungan non-linier dan kompleks antara variabel.. R-squared tinggi nggak selalu berarti model bagus. Bisa jadi overfitting: model hafal data training tapi buruk di data baru.. Banyak yang kira regression hanya untuk prediksi masa depan. Padahal regression juga dipakai untuk memahami hubungan antar variabel saat ini (analisis inferensial).

Apa itu Regression? Prediksi Angka dengan Machine Learning

Apa itu Regression?

Regression adalah salah satu teknik paling awal dan paling banyak dipakai dalam machine learning. Intinya: kamu punya data historis, kamu latih model untuk menemukan pola, lalu pakai model itu untuk prediksi angka di masa depan atau berdasarkan input baru.

Bedanya sama Classification: regression prediksi angka (berapa?), Classification prediksi kategori (yang mana?).

Contoh Intuitif

Bayangkan kamu jual rumah dan mau tahu harga yang wajar. Kamu observasi data: rumah dengan luas 100m2 di Jakarta Selatan terjual 2 miliar, yang 150m2 terjual 2.8 miliar, yang 80m2 terjual 1.7 miliar. Regression akan menemukan garis (atau kurva) yang paling menjelaskan hubungan antara luas dan harga, lalu pakai itu untuk prediksi harga rumah 120m2 yang belum pernah terjual.

Jenis-Jenis Regression

Tipe	Kapan Pakai	Contoh
Linear Regression	Hubungan linier sederhana	Prediksi sales dari budget iklan
Multiple Linear Regression	Beberapa variabel prediktor	Prediksi harga dari luas + lokasi + lantai
Polynomial Regression	Hubungan non-linier	Pertumbuhan user yang melambat di atas titik tertentu
Ridge/Lasso Regression	Banyak fitur, perlu regularisasi	Prediksi churn dari ratusan fitur perilaku
Random Forest Regression	Non-linier kompleks	Prediksi demand dengan banyak musiman
XGBoost Regression	Performa tinggi, kompetisi data	Prediksi harga di Kaggle

Cara Evaluasi Model Regression

Kamu nggak bisa cuma 'ngerasa' modelnya bagus. Ada metrik standar:

MAE (Mean Absolute Error): rata-rata selisih prediksi vs aktual. Mudah diinterpretasi dalam satuan asli.
RMSE (Root Mean Squared Error): kayak MAE tapi kasih penalti lebih besar untuk error besar.
R-squared: berapa persen variasi data yang bisa dijelaskan model. Nilai 1 berarti sempurna, nilai 0 berarti modelmu nggak lebih baik dari prediksi rata-rata.

Regression vs. Classification

Aspek	Regression	Classification
Output	Angka kontinu	Kategori diskrit
Contoh output	2.500.000.000 (harga)	'Mahal' atau 'Murah'
Metrik evaluasi	MAE, RMSE, R-squared	Accuracy, F1, AUC-ROC
Algoritma umum	Linear Regression, XGBoost	Logistic Regression, Random Forest

Kapan Data Analyst Butuh Regression?

Hampir setiap analyst di bisnis modern perlu regression:

Finance: prediksi revenue kuartal depan
Supply chain: prediksi demand untuk inventory planning
Marketing: prediksi ROI dari kampanye iklan
HR: prediksi attrition rate berdasarkan engagement score

Bahkan regresi sederhana yang kamu pelajari di Excel sudah masuk kategori ini. Jadi kalau kamu pernah pakai LINEST atau Trendline di spreadsheet, kamu sudah sentuh regression.

Apa itu Regression?

Bedanya sama Classification: regression prediksi angka (berapa?), Classification prediksi kategori (yang mana?).

Contoh Intuitif

Jenis-Jenis Regression

Tipe	Kapan Pakai	Contoh
Linear Regression	Hubungan linier sederhana	Prediksi sales dari budget iklan
Multiple Linear Regression	Beberapa variabel prediktor	Prediksi harga dari luas + lokasi + lantai
Polynomial Regression	Hubungan non-linier	Pertumbuhan user yang melambat di atas titik tertentu
Ridge/Lasso Regression	Banyak fitur, perlu regularisasi	Prediksi churn dari ratusan fitur perilaku
Random Forest Regression	Non-linier kompleks	Prediksi demand dengan banyak musiman
XGBoost Regression	Performa tinggi, kompetisi data	Prediksi harga di Kaggle

Cara Evaluasi Model Regression

Kamu nggak bisa cuma 'ngerasa' modelnya bagus. Ada metrik standar:

MAE (Mean Absolute Error): rata-rata selisih prediksi vs aktual. Mudah diinterpretasi dalam satuan asli.

RMSE (Root Mean Squared Error): kayak MAE tapi kasih penalti lebih besar untuk error besar.

R-squared: berapa persen variasi data yang bisa dijelaskan model. Nilai 1 berarti sempurna, nilai 0 berarti modelmu nggak lebih baik dari prediksi rata-rata.

Aspek

Regression

Classification

Output

Angka kontinu

Kategori diskrit

Contoh output

2.500.000.000 (harga)

'Mahal' atau 'Murah'

Metrik evaluasi

MAE, RMSE, R-squared

Accuracy, F1, AUC-ROC

Algoritma umum

Linear Regression, XGBoost

Logistic Regression, Random Forest

Kapan Data Analyst Butuh Regression?

Hampir setiap analyst di bisnis modern perlu regression:

Finance: prediksi revenue kuartal depan

Supply chain: prediksi demand untuk inventory planning

Marketing: prediksi ROI dari kampanye iklan

HR: prediksi attrition rate berdasarkan engagement score

Bahkan regresi sederhana yang kamu pelajari di Excel sudah masuk kategori ini. Jadi kalau kamu pernah pakai LINEST atau Trendline di spreadsheet, kamu sudah sentuh regression.