Regresi Logistik
Pertemuan 9
Deden Istiawan
Itesa Muhammadiyah
ASE 4335 - Ganjil
2025-05-21
Regresi Logistik
- Regresi logistik digunakan ketika variabel respons (Y) bersifat kategori, khususnya biner (misal: ya/tidak, sukses/gagal).
- Contoh kasus:
- Memprediksi apakah pelanggan membeli produk (1) atau tidak (0).
- Menentukan apakah pasien memiliki penyakit tertentu (1) atau tidak (0).
Perbedaan Linear dan Logistik
| Y bersifat kontinu |
Y bersifat kategori (biner) |
| Output berupa nilai prediksi |
Output berupa probabilitas |
Model Regresi Logistik
\[
Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_p X_p + \varepsilon
\]
Fungsi sigmoid (logistik) digunakan untuk memodelkan probabilitas:
\[
\pi(x) = \frac{\exp\left( \beta_0 + \beta_1 X_1 + \cdots + \beta_p X_p \right)}{1 + \exp\left( \beta_0 + \beta_1 X_1 + \cdots + \beta_p X_p \right)}
\]
Evaluasi Model
- Confusion Matrix
- Akurasi
- Precision dan Recall
- AUC - ROC Curve
Confusion Matrix
![An RStudio window]()
Paradoks Akurasi
![An RStudio window]()
Paradoks Akurasi
![An RStudio window]()
Confusion Matrix
![An RStudio window]()
Precission
Merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan hasil yang diprediksi positf. Precission menjawab pertanyaan “Berapa persen email yang benar-benar spam dari seluruh email yang diprediksi sebagai spam?”
![An RStudio window]()
Recall
Merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan data yang benar positif. Recall menjawab pertanyaan “Berapa persen email yang diprediksi sebagai spam dibandingkan dengan keseluruhan email yang sebenarnya spam?”
![An RStudio window]()
Analogi
Bayangkan kamu adalah seorang penjaga pintu yang bertugas menyaring undangan palsu di sebuah acara eksklusif:
Precision = Seberapa banyak dari yang kamu tolak benar-benar undangan palsu? (menghindari salah menolak yang asli)
Recall = Seberapa banyak dari seluruh undangan palsu yang berhasil kamu tolak? (menghindari membiarkan yang palsu masuk)
