Berikut adalah tabel yang merinci perbedaan antara regresi linier dan regresi logistik, dua metode analisis statistik yang digunakan untuk memodelkan hubungan antara variabel. Tabel ini mencakup berbagai aspek seperti definisi, tujuan, jenis variabel, bentuk model, asumsi, interpretasi, dan aplikasi.
| Aspek | Regresi Linier | Regresi Logistik |
| Definisi | Regresi linier adalah metode statistik yang digunakan untuk memodelkan hubungan antara satu variabel dependen kontinu dan satu atau lebih variabel independen. | Regresi logistik adalah metode statistik yang digunakan untuk memodelkan hubungan antara satu variabel dependen biner (dua kategori) dan satu atau lebih variabel independen. |
| Tujuan | – Memprediksi nilai variabel dependen berdasarkan nilai variabel independen. – Menentukan kekuatan dan arah hubungan antara variabel. |
– Memprediksi probabilitas terjadinya suatu peristiwa (misalnya, sukses/gagal) berdasarkan nilai variabel independen. – Menentukan faktor-faktor yang mempengaruhi kemungkinan terjadinya peristiwa. |
| Jenis Variabel | – Variabel dependen bersifat kontinu (misalnya, tinggi badan, pendapatan). – Variabel independen dapat bersifat kontinu atau kategorikal. |
– Variabel dependen bersifat biner (misalnya, ya/tidak, sukses/gagal). – Variabel independen dapat bersifat kontinu atau kategorikal. |
| Bentuk Model | – Model regresi linier dinyatakan dalam bentuk persamaan garis lurus: Y = a + bX + ε, di mana Y adalah variabel dependen, X adalah variabel independen, a adalah intercept, b adalah koefisien regresi, dan ε adalah error. | – Model regresi logistik dinyatakan dalam bentuk fungsi logit: log(p/(1-p)) = a + bX, di mana p adalah probabilitas terjadinya peristiwa, X adalah variabel independen, a adalah intercept, dan b adalah koefisien regresi. |
| Asumsi | – Hubungan antara variabel dependen dan independen adalah linier. – Residual (error) terdistribusi normal. – Homoskedastisitas (varians residual konstan). – Tidak ada multikolinearitas antara variabel independen. |
– Hubungan antara variabel independen dan log odds dari variabel dependen adalah linier. – Tidak memerlukan asumsi normalitas residual. – Tidak ada multikolinearitas antara variabel independen. |
| Interpretasi | – Koefisien regresi menunjukkan perubahan rata-rata pada variabel dependen untuk setiap unit perubahan pada variabel independen. – Nilai R-squared menunjukkan proporsi varians dalam variabel dependen yang dapat dijelaskan oleh variabel independen. |
– Koefisien regresi menunjukkan perubahan log odds dari variabel dependen untuk setiap unit perubahan pada variabel independen. – Probabilitas terjadinya peristiwa dapat dihitung dari model. |
| Aplikasi | – Digunakan dalam analisis data untuk memprediksi nilai kontinu, seperti penjualan, suhu, atau pengeluaran. – Umum digunakan dalam ilmu sosial, ekonomi, dan ilmu kesehatan. |
– Digunakan dalam analisis data untuk memprediksi hasil biner, seperti keberhasilan pengobatan, apakah seseorang akan membeli produk, atau apakah pasien akan sembuh. – Umum digunakan dalam ilmu kesehatan, pemasaran, dan ilmu sosial. |
| Contoh | – Memprediksi pendapatan berdasarkan tingkat pendidikan dan pengalaman kerja. – Memprediksi tinggi badan berdasarkan usia dan jenis kelamin. |
– Memprediksi kemungkinan seseorang menderita diabetes berdasarkan faktor risiko seperti usia, berat badan, dan riwayat keluarga. – Memprediksi apakah seorang pelanggan akan membeli produk berdasarkan iklan yang dilihat. |
Tabel di atas memberikan gambaran yang jelas dan terperinci mengenai perbedaan antara regresi linier dan regresi logistik. Dengan memahami perbedaan ini, peneliti dan analis data dapat memilih metode yang paling sesuai untuk analisis yang ingin dilakukan, serta memahami cara interpretasi hasil yang diperoleh dari masing-masing metode. Keduanya merupakan alat penting dalam analisis statistik dan pemodelan data.