Kita tahu bahwa kita perlu membuat keputusan berdasarkan data, tetapi ketika ada jutaan atau triliunan titik data, dari mana Anda harus memulainya? Nah, inilah gunanya statistik yang akan menguraikan data-data yang ada untuk disederhanakan dalam bentuk kesimpulan yang akan memudahkan kita dalam membacanya. Selanjutnya tergantung pada analisis yang akan memeriksa hubungan yang ada dengan lebih dekat.
Analisis regresi adalah metode statistik yang menunjukkan hubungan antara dua atau lebih variable dan biasanya dinyatakan dalam grafik. Metode ini menguji hubungan antara variabel dependen terhadap variabel independen. Biasanya, variabel independen berubah dengan variabel dependen dan analisis regresi mencoba menjawab faktor mana yang paling berpengaruh terhadap perubahan tersebut.
Variabel yang mempengaruhi biasanya disebut dalam beragam istilah seperti variabel independen, variabel bebas, variabel penjelas, variabel eksplanatorik, atau variabel X (karena dalam grafik sering digambar sebagai absis atau sumbu X). Sementara variabel yang dipengaruhi dikenal sebagai variabel dependen, variabel terikat, atau variabel Y. Selain itu, kedua variabel ini juga dapat disebut dengan variabel acak (random), tapi dengan syarat variabel yang dipengaruhi harus selalu variabel acak.
Dari sini kita bisa tahu bahwa analisis regresi adalah salah satu analisis yang luas pemakaiannya dan dapat digunakan untuk melakukan prediksi dan ramalan. Namun, secara umum analisis regresi biasa digunakan untuk:
- Mencoba dan menjelaskan suatu fenomena
Hal ini dapat dilakukan dengan mencari alasan (variabel) mengapa penjualan melonjak pada hari tertentu dalam satu bulan, mengapa panggilan servis meningkat pada bulan tertentu, atau mengapa orang mengembalikan mobil sewaan terlambat pada hari-hari tertentu saja.
- Memprediksi kejadian di masa depan
Jika analisis regresi menunjukkan bahwa orang membeli lebih banyak produk setelah promosi tertentu, bisnis dapat membuat keputusan yang akurat tentang iklan yang akan dijalankan atau promosi yang akan digunakan.
- Mengoptimalkan proses manufaktur dan pengiriman
Di toko roti, mungkin ada hubungan antara umur simpan kue dan suhu oven saat memasak. Hasil dari pengoptimalan di sini adalah masa simpan yang lebih lama, dengan tetap mempertahankan kualitas kue yang kenyal. Sebuah call center mungkin perlu mengetahui hubungan antara volume keluhan dan waktu tunggu, sehingga mereka dapat melatih staf mereka/mempekerjakan lebih banyak staf untuk menanggapi panggilan dalam jangka waktu tertentu untuk kepuasan pelanggan yang maksimal. Tentu saja, volume panggilan akan berubah sepanjang hari, sehingga manajemen dapat mengambil keputusan yang tepat dan optimal tentang tingkat staf.
- Mengatasi kesalahan
Seorang manajer toko memiliki ide cemerlang; bahwa memperpanjang jam buka akan meningkatkan penjualan. Manajer tersebut menjelaskan, jika Anda buka selama empat jam lebih lama dalam sehari, itu berarti peningkatan penjualan. Kecuali, membuka toko lebih lama tidak selalu berarti peningkatan laba. Analisis regresi dapat dijalankan yang menunjukkan bahwa setiap peningkatan penjualan mungkin tidak dapat menutupi biaya penjualan tersebut. Analisis kuantitatif seperti itu memberikan dukungan untuk keputusan eksekutif.
- Memberikan wawasan baru
Sebagian besar bisnis memiliki volume data yang besar, sering kali dalam keadaan kacau. Dengan menggunakan analisis regresi, data ini dapat menghasilkan informasi tentang hubungan antar variabel yang mungkin tidak diketahui di masa lalu. Jika Anda menggunakan data titik penjualan, Anda dapat menemukan waktu-waktu sibuk, lonjakan permintaan, atau tanggal penjualan yang tinggi yang sebelumnya tidak diketahui.
Prediksi dalam analisis regresi dapat mencakup berbagai macam situasi dan skenario. Misalnya, memprediksi berapa banyak orang yang akan melihat sebuah papan iklan dapat membantu manajemen memutuskan apakah investasi dalam periklanan merupakan ide yang baik; dalam skenario mana papan iklan ini menawarkan pengembalian investasi yang baik?
Perusahaan asuransi dan bank banyak menggunakan prediksi analisis regresi. Berapa banyak pemegang hipotek yang akan membayar kembali pinjaman mereka tepat waktu? Berapa banyak pemegang polis yang akan mengalami kecelakaan mobil atau mengalami pencurian di rumah mereka? Prediksi ini memungkinkan penilaian risiko, tetapi juga memprediksi biaya dan harga premi yang optimal.
Analisis regresi sederhana bertujuan untuk mengetahui pengaruh dari suatu variabel terhadap variabel lainnya. Pada analisis regresi suatu variabel yang mempengaruhi disebut variabel bebas atau independen variabel, sedangkan variabel yang dipengaruhi disebut variabel terkait atau dependen variabel. Jika persamaan regresi hanya terdapat satu variabel bebas dengan satu variabel terkait, maka disebut dengan persamaan regresi sederhana. Jika variabel bebasnya lebih dari satu, maka disebut dengan persamaan regresi berganda.
Pada regresi sederhana kita dapat mengetahui berapa besar perubahan dari variabel bebas dapat mempengaruhi suatu variabel terkait. Sementara pada regresi linear berganda dapat melibatkan lebih dari satu variabel bebas atau predictor. Dalam bahasa inggris, istilah ini disebut dengan multiple linear regression.
Pada dasarnya regresi linear berganda adalah model prediksi atau peramalan dengan menggunakan data berskala interval atau rasio serta terdapat lebih dari satu predictor. Skala data yang dimaksud adalah pada semua variabel terutama variabel terikat. Pada regresi linear, tidak menutup kemungkinan digunakannya data dummy pada variabel bebas, yaitu pada regresi linear dengan dummy.
Contoh Analisis Regresi
Di dunia nyata, skenario di mana analisis regresi digunakan mungkin terlihat seperti ini.
“Pedagang penjualan perlu memprediksi angka penjualan untuk bulan depan (atau variabel dependen). Sulit untuk mengetahuinya, karena ada begitu banyak variabel di sekitar angka tersebut (variabel independen)-harga, kualitas produk apa yang dilakukan pesaing Anda.”
Analisis regresi memilah-milah semua variabel yang terukur dan secara logis dapat menunjukkan mana yang akan berdampak. Analisis ini memberi tahu Anda faktor mana yang akan memengaruhi penjualan dan bagaimana variabel-variabel tersebut berinteraksi satu sama lain. Hal ini membantu bisnis untuk membuat keputusan yang lebih baik berdasarkan data. Dalam contoh bisnis ritel ini, variabel dependennya adalah penjualan, dan variabel independennya adalah perilaku pesaing harga, kualitas produk.
Penggunaan Garis Regresi dalam Analisis Regresi
Untuk memulai analisis regresi, peneliti akan mengumpulkan semua data yang mereka butuhkan tentang variabel. Hal ini mungkin akan mencakup angka penjualan untuk periode yang cukup lama sebelumnya, mulai dari harga, perilaku pesaing dan kualitas produk. Kemudian, data tersebut diolah dan disajikan dalam sebuah grafik.
Dalam analisis, sumbu Y selalu berisi variabel dependen, atau apa yang ingin Anda uji. Dalam hal ini, angka penjualan. Sumbu X mewakili variabel perilaku pesaing harga dan kualitas produk.
Perlu diketahui bahwa analisis regresi tidak memprediksi sebab-akibat, hanya hubungan antar variabel. Kesalahan dalam penelitian akan menunjukkan benar atau salahnya sebuah rumus yang digunakan. Semakin besar error term, semakin tidak pasti garis regresi tersebut. 50% kesalahan mungkin menunjukkan bahwa variabel itu tidak lebih baik daripada peluang. Atau, bisa juga 85 persen, menunjukkan bahwa ada kemungkinan besar variabel independen mempengaruhi variabel dependen.
Ini berarti bisnis perlu melakukan sedikit riset pasar. Tanyakan kepada pelanggan mengapa mereka membeli sesuatu pada hari tertentu. Bisa jadi kopi menarik bagi mereka, dan turunnya hujan membuat mereka bertahan, kemudian mereka melihat produk yang ingin mereka beli secara kebetulan. Dari saja, kitahu bahwa penyebab peningkatan penjualan adalah hujan, tetapi Anda juga bisa meningkatkan peluang dengan menawarkan kopi gratis. Ingat, satu tanpa yang lain tidak akan menghasilkan hasil yang sama [Im/m].
