Analisis Regresi untuk Pemula: Memprediksi Tren Bisnis dengan Akurat

Pengantar: Mengapa Analisis Regresi adalah Alat Rahasia untuk Keunggulan Kompetitif

Di tengah derasnya arus informasi di era digital, kemampuan untuk mengubah data mentah menjadi wawasan bisnis yang dapat ditindaklanjuti merupakan sebuah keharusan. Di Indonesia, berbagai industri, mulai dari keuangan, teknologi, kesehatan, hingga manufaktur, kini semakin gencar mencari talenta yang memiliki keahlian analisis data untuk mendukung pengambilan keputusan strategis.¹ Menurut laporan dari Forum Ekonomi Dunia (World Economic Forum), profesi analis data dan ilmuwan data diproyeksikan menjadi dua dari sepuluh profesi yang paling dibutuhkan hingga tahun 2030.² Hal ini menunjukkan adanya urgensi bagi perusahaan untuk mengadopsi pendekatan berbasis data guna mempertahankan keunggulan kompetitif.

Salah satu metode statistik yang paling fundamental namun paling kuat dalam domain ini adalah analisis regresi. Secara sederhana, analisis regresi adalah teknik yang digunakan untuk mengukur hubungan antara satu atau lebih variabel bebas (independen) dengan variabel terikat (dependen).⁴ Lebih dari sekadar menunjukkan korelasi, metode ini memungkinkan para profesional untuk memahami, memprediksi, dan bahkan menjelaskan mengapa suatu fenomena terjadi.⁴ Dengan kata lain, regresi memberikan kemampuan untuk “memprediksi masa depan” dan “mengidentifikasi faktor-faktor kunci” yang mendorong tren bisnis.⁴

Laporan ini dirancang untuk mendemistifikasi analisis regresi, mengubahnya dari sekadar konsep teknis yang rumit menjadi alat praktis yang dapat digunakan oleh para pengambil keputusan bisnis dan pemula yang ingin terjun ke bidang ini. Laporan ini menguraikan langkah-langkah, jenis model, dan studi kasus praktis untuk membantu pembaca memahami bagaimana data dapat diubah menjadi narasi yang jelas dan terukur.⁷ Pada akhirnya, nilai seorang analis tidak hanya terletak pada kemampuan teknisnya dalam menjalankan model, tetapi juga pada keahliannya untuk menerjemahkan hasil analisis menjadi wawasan yang bermakna dan dapat ditindaklanjuti bagi perusahaan.⁹ Dengan kompleksitas pasar dan volume data tidak terstruktur yang terus meningkat, analisis regresi menjadi solusi terukur untuk memilah dan memanfaatkan data tersebut menjadi strategi yang kohesif.

Bagian I: Fondasi Analisis Regresi untuk Pengambil Keputusan Bisnis

Bab 1: Membongkar Konsep Dasar: Variabel Bebas vs. Variabel Terikat

Memahami analisis regresi dimulai dengan pengenalan dua jenis variabel utama yang membentuk fondasi model ini: variabel bebas dan variabel terikat. Variabel bebas, yang sering dilambangkan dengan X (juga dikenal sebagai variabel independen atau variabel prediktor), adalah variabel yang diasumsikan memengaruhi atau menjelaskan perubahan pada variabel lain.⁴ Sebaliknya, variabel terikat, yang dilambangkan dengan

Y (juga dikenal sebagai variabel dependen atau variabel respons), adalah variabel yang nilainya ingin diprediksi atau dijelaskan oleh variabel bebas.⁴

Konsep ini dapat dipahami dengan mudah melalui beberapa contoh relasional yang intuitif. Dalam konteks pendidikan, seorang guru mungkin ingin mengetahui apakah ada hubungan antara jumlah jam belajar (variabel X) dan nilai ujian yang didapat oleh siswa (variabel Y).⁴ Di sini, nilai ujian dipengaruhi oleh jam belajar, sehingga nilai ujian adalah variabel terikat. Di sisi lain, dalam sebuah studi ekonomi, seseorang dapat menganalisis apakah jumlah uang saku yang diterima mahasiswa (variabel

Y) dipengaruhi oleh jarak tempuh dari rumah ke kampus (variabel X).¹¹ Dalam skenario bisnis, analisis regresi sering digunakan untuk menentukan seberapa besar pengaruh anggaran pemasaran (variabel

X) terhadap penjualan produk (variabel Y).¹² Pemahaman yang jelas tentang peran masing-masing variabel ini sangat penting untuk membangun model yang valid dan dapat diandalkan.⁵

Bab 2: Mengapa Regresi Sangat Penting bagi Bisnis Anda?

Analisis regresi bukanlah sekadar alat statistik, melainkan jembatan yang menghubungkan data mentah dengan narasi bisnis yang berharga. Kemampuannya untuk memberikan dasar ilmiah pada keputusan bisnis menjadikannya instrumen yang krusial. Model ini memungkinkan perusahaan untuk beralih dari pendekatan yang reaktif—sekadar bereaksi terhadap kondisi pasar—menjadi pendekatan yang proaktif, yakni mengantisipasi perubahan dan merencanakan strategi dengan lebih matang.

Salah satu fungsi utama regresi adalah prediksi dan peramalan (forecasting).⁴ Dengan menganalisis data historis, perusahaan dapat membangun model regresi untuk memprediksi tren masa depan, seperti permintaan produk di tahun depan atau proyeksi kinerja keuangan kuartal berikutnya.⁶ Ini bukan hanya tentang memprediksi angka, tetapi tentang memprediksi perilaku konsumen, dinamika pasar, atau efisiensi operasional. Dengan pemahaman yang lebih baik mengenai pola ini, proses bisnis dapat dioptimalkan secara signifikan.⁵

Selain itu, regresi juga berfungsi untuk mengidentifikasi faktor-faktor kunci yang paling berpengaruh terhadap sebuah hasil.⁴ Misalnya, sebuah perusahaan dapat menggunakan analisis regresi untuk mengetahui apakah kualitas produk, harga, atau layanan pelanggan memiliki pengaruh terbesar terhadap loyalitas pelanggan.⁴ Dengan informasi ini, alokasi sumber daya dapat diarahkan ke faktor-faktor yang memiliki dampak paling signifikan, sehingga investasi menjadi lebih efisien.⁶

Seluruh proses analisis ini berpuncak pada pengambilan keputusan strategis yang terinformasi.¹² Hasil regresi dapat digunakan untuk membuat rekomendasi yang didukung oleh data, seperti memutuskan apakah akan berinvestasi lebih banyak pada kampanye pemasaran PPC atau pemasaran konten, atau untuk menentukan strategi harga yang paling optimal.⁶ Terakhir, analisis regresi juga dapat digunakan untuk

menguji hipotesis bisnis.¹² Sebuah perusahaan dapat menggunakannya untuk memvalidasi apakah promosi yang baru diluncurkan benar-benar menghasilkan pengaruh yang signifikan pada penjualan, atau apakah hubungan tersebut hanya kebetulan semata.

Bagian II: Menjelajahi Berbagai Jenis Model Regresi

Bab 3: Model Terpopuler untuk Pemula: Regresi Linear Sederhana

Bagi mereka yang baru memulai, regresi linear sederhana adalah model yang paling mudah dipahami dan sering kali menjadi titik awal yang ideal untuk mempelajari konsep regresi.¹⁵ Model ini melibatkan satu variabel independen (

X) dan satu variabel dependen (Y), di mana hubungan antara keduanya diasumsikan dapat direpresentasikan oleh sebuah garis lurus.⁴

Rumus dasar dari model ini adalah:

Y=a+bX

Di sini, Y adalah variabel terikat, X adalah variabel bebas, a adalah konstanta (nilai Y ketika X=0), dan b adalah koefisien regresi. Koefisien b ini menunjukkan seberapa besar perubahan rata-rata pada Y untuk setiap satu unit perubahan pada X.⁵ Sebagai contoh, dalam sebuah studi kasus, model ini dapat digunakan untuk menganalisis pengaruh jumlah iklan digital (

X) terhadap penjualan produk (Y).⁴ Dengan model ini, perusahaan dapat melihat secara jelas bagaimana peningkatan pada anggaran iklan dapat memengaruhi volume penjualan.

Bab 4: Memahami Kompleksitas Bisnis: Regresi Linear Berganda

Dunia bisnis jarang dipengaruhi oleh satu faktor tunggal. Seringkali, sebuah hasil bisnis—seperti penjualan atau profitabilitas—adalah produk dari interaksi berbagai variabel. Inilah mengapa regresi linear berganda (multivariate linear regression) menjadi alat yang lebih kuat dan realistis.¹⁶ Model ini merupakan perpanjangan dari regresi linear sederhana yang memungkinkan analisis pengaruh dua atau lebih variabel independen terhadap satu variabel dependen.⁴

Rumus dasarnya adalah:

Y=b0​+b1​X1​+b2​X2​+⋯+bn​Xn​+ϵ

Dalam persamaan ini, Y tetap merupakan variabel dependen, sementara X1​,X2​,…,Xn​ adalah variabel independen yang berbeda, dan b0​,b1​,b2​,…,bn​ adalah koefisien regresi yang sesuai.¹² Model ini memungkinkan seorang analis untuk mengontrol pengaruh dari setiap variabel bebas, sehingga hasil analisis menjadi lebih akurat. Contoh klasik dari penerapannya adalah memprediksi gaji (variabel

Y) yang dipengaruhi oleh tingkat pendidikan (X1​) dan pengalaman kerja (X2​).⁴ Dengan model ini, perusahaan dapat memahami kontribusi masing-masing faktor terhadap gaji karyawan.

Kriteria	Regresi Linear Sederhana	Regresi Linear Berganda
Jumlah Variabel Independen	Satu	Dua atau lebih
Kompleksitas	Relatif sederhana, mudah dipahami	Lebih kompleks, memerlukan pemahaman yang lebih dalam
Aplikasi Bisnis	Analisis hubungan satu-ke-satu (misalnya, iklan vs. penjualan)	Analisis hubungan multi-faktor (misalnya, harga, promosi, dan lokasi vs. penjualan)
Akurasi Prediksi	Mungkin kurang akurat di dunia nyata	Cenderung lebih akurat karena mempertimbangkan lebih banyak faktor

Bab 5: Memprediksi Keputusan Kategoris: Pengenalan Regresi Logistik

Analisis regresi linear cocok untuk memprediksi nilai yang berkelanjutan (misalnya, harga saham atau jumlah penjualan), tetapi bagaimana jika variabel terikat yang ingin diprediksi bersifat kategorikal atau biner? Di sinilah regresi logistik berperan.¹⁵ Model ini dirancang khusus untuk memprediksi probabilitas terjadinya suatu kejadian yang memiliki dua kemungkinan hasil, seperti ya atau tidak, hidup atau mati, atau membeli atau tidak membeli.¹⁵

Dalam dunia bisnis, regresi logistik memiliki aplikasi yang sangat praktis. Contohnya termasuk memprediksi kemungkinan seorang nasabah akan melakukan gagal bayar pinjaman (loan default) berdasarkan riwayat kreditnya, atau memprediksi kemungkinan seorang pelanggan akan membeli produk tertentu setelah melihat iklan.¹⁶ Regresi logistik memungkinkan perusahaan untuk mengambil keputusan yang berisiko rendah dengan mengidentifikasi individu atau situasi yang memiliki probabilitas tinggi untuk mencapai hasil yang diinginkan. Memahami kapan harus menggunakan regresi logistik adalah kunci untuk menghindari kesalahan umum yang dilakukan oleh pemula, seperti mencoba menerapkan model linear pada data kategorikal.⁵

Bagian III: Panduan Praktis untuk Menerapkan Analisis Regresi

Bab 6: Proses 5-Langkah Menuju Prediksi Akurat

Menerapkan analisis regresi adalah sebuah proses yang sistematis dan memerlukan pemikiran kritis serta pemahaman bisnis yang kuat.⁹ Proses ini sering kali tidak linear, melainkan merupakan siklus berulang yang memungkinkan perbaikan model seiring waktu. Berikut adalah panduan 5 langkah yang dapat diikuti:

1. Merumuskan Masalah Bisnis dan Mengidentifikasi Variabel. Tahap awal dimulai dengan pertanyaan bisnis yang jelas, bukan sekadar data yang tersedia.⁵ Seorang analis data yang efektif memiliki
   business acumen yang kuat untuk mengidentifikasi variabel-variabel relevan yang akan dianalisis.¹⁰ Misalnya, daripada sekadar bertanya “Apa yang akan terjadi pada penjualan?”, pertanyaan yang lebih baik adalah “Apakah diskon yang kami berikan (
   X1​) dan jumlah iklan di media sosial (X2​) memengaruhi jumlah penjualan (Y)?”
2. Pengumpulan dan Pembersihan Data. Tahap ini sering kali merupakan yang paling memakan waktu dan melelahkan, tetapi sangat penting.²³ Data mentah yang dikumpulkan dari berbagai sumber—baik internal maupun eksternal—biasanya memiliki kesalahan, nilai yang hilang, atau data duplikat.⁹ Seorang analis harus membersihkan dan memformat data agar siap untuk dianalisis, menggunakan alat seperti Excel, SQL, atau pustaka Python seperti Pandas.²³ Kualitas analisis sangat bergantung pada kualitas data yang mendasarinya.
3. Membangun Model dan Menjalankan Analisis. Setelah data siap, langkah selanjutnya adalah membangun model regresi. Berbagai alat dapat digunakan untuk tujuan ini, mulai dari perangkat lunak statistik seperti SPSS ²⁵ atau fitur “Data Analysis” pada Microsoft Excel ⁶, hingga bahasa pemrograman yang lebih canggih seperti Python atau R yang menawarkan pustaka yang luas untuk analisis.²⁶ Pilihan alat ini bergantung pada kompleksitas data dan model yang dibutuhkan.
4. Menginterpretasi Hasil. Setelah analisis dijalankan, hasilnya akan berupa metrik dan koefisien yang perlu ditafsirkan. Proses ini memerlukan pemahaman tentang apa arti angka-angka tersebut dalam konteks bisnis.⁵ Interpretasi yang benar adalah kunci untuk mengubah hasil teknis menjadi wawasan yang bermakna.
5. Menggunakan Hasil untuk Pengambilan Keputusan. Tahap terakhir adalah mengomunikasikan temuan kepada para pemangku kepentingan. Tujuannya adalah untuk menyajikan wawasan yang dapat digunakan untuk tindakan nyata, seperti menyesuaikan strategi pemasaran, mengoptimalkan operasional, atau mengalokasikan anggaran dengan lebih efektif.²⁷ Kemampuan untuk menyajikan data secara visual dengan grafik dan dasbor juga menjadi keterampilan yang sangat berharga di tahap ini.⁹

Bab 7: Studi Kasus Praktis dengan Contoh Nyata

Untuk memberikan gambaran yang lebih konkret, berikut adalah dua contoh studi kasus nyata yang menunjukkan bagaimana analisis regresi digunakan dalam bisnis.

Studi Kasus 1: Prediksi Permintaan Produk dengan Excel

Sebuah perusahaan ingin memahami bagaimana harga dan pendapatan konsumen memengaruhi permintaan produk mereka. Mereka mengumpulkan data historis untuk harga dan pendapatan (X) serta permintaan produk (Y). Dengan menggunakan fitur “Data Analysis” di Microsoft Excel, mereka dapat menjalankan model regresi linear berganda.6

• Langkah Awal: Aktifkan “Analysis Toolpak” di Excel jika belum tersedia.
• Input Data: Masukkan data permintaan pada “Input Y Range” dan data harga serta pendapatan pada “Input X Range”.
• Hasil: Excel akan menampilkan tabel hasil yang menunjukkan bagaimana perubahan pada harga dan pendapatan memengaruhi permintaan. Analisis ini memungkinkan perusahaan untuk memprediksi permintaan di masa depan dan menyesuaikan strategi penetrasi pasar atau harga.⁶

Studi Kasus 2: Analisis Keuangan: Memprediksi Harga Saham

Seorang investor ingin memprediksi harga saham (Y) berdasarkan Return on Equity (ROE) dan Return on Investment (ROI) sebagai variabel independen (X). Setelah mengumpulkan data historis, analisis regresi dijalankan menggunakan SPSS.25

• Persamaan Regresi yang Dihasilkan: Y=129,154+34,208X1​+130,529X2​, di mana X1​ adalah ROE dan X2​ adalah ROI.²⁵
• Interpretasi Persamaan: Koefisien X1​ sebesar 34,208 berarti bahwa setiap kenaikan satu unit pada ROE akan meningkatkan harga saham sebesar Rp34.208, dengan asumsi ROI tetap konstan. Demikian pula, koefisien X2​ sebesar 130,529 menunjukkan bahwa setiap kenaikan satu unit pada ROI akan meningkatkan harga saham sebesar Rp130.529.²⁵ Hasil ini memberikan dasar yang jelas bagi investor untuk membuat keputusan yang terinformasi.

Bagian IV: Membaca Hasil dan Menguji Keakuratan Model

Bab 8: Interpretasi Hasil Regresi: Lebih dari Sekadar Angka

Setelah model regresi dijalankan, hasilnya sering kali disajikan dalam bentuk tabel yang berisi berbagai metrik statistik. Membaca dan menafsirkan angka-angka ini adalah keterampilan yang membedakan seorang analis data yang efektif dari sekadar pengguna alat.

• Koefisien Regresi (b): Seperti yang dijelaskan sebelumnya, koefisien regresi menunjukkan besar pengaruh perubahan variabel independen terhadap variabel dependen.⁵ Dalam studi kasus harga saham, koefisien ROI sebesar 130,529 secara langsung menunjukkan dampak yang dapat diprediksi dari perubahan ROI terhadap harga saham.²⁵
• Nilai R-Squared (R2): Metrik ini mengukur seberapa baik model regresi dapat menjelaskan variasi dalam data dependen.⁵ Nilai
  R2 berkisar antara 0 hingga 100%. Misalnya, nilai R2 sebesar 0.918 (91.8%) pada studi kasus harga saham berarti bahwa 91.8% dari variasi harga saham dapat dijelaskan oleh variasi pada ROI dan ROE. Sisanya, 8.2%, dijelaskan oleh variabel lain yang tidak termasuk dalam model.¹⁹ Meskipun nilai
  R2 yang tinggi sering kali diinginkan, seorang analis juga harus berhati-hati. Dalam regresi linear berganda, Adjusted R2 sering kali lebih disukai karena metrik ini menyesuaikan nilai R2 berdasarkan jumlah variabel bebas yang ditambahkan ke model, sehingga memberikan gambaran yang lebih akurat tentang keefektifan model.¹⁸

Metrik	Definisi	Interpretasi Bisnis
Koefisien Regresi (b)	Ukuran seberapa besar perubahan rata-rata Y untuk setiap satu unit perubahan pada X.	Dampak yang dapat diukur dari sebuah faktor (X) terhadap hasil bisnis (Y). Koefisien positif menunjukkan hubungan searah, sementara koefisien negatif menunjukkan hubungan berlawanan.5
R-Squared (R2)	Persentase variasi pada variabel dependen yang dijelaskan oleh model regresi.	Menunjukkan seberapa baik model dapat memprediksi atau menjelaskan hasil yang ada. Nilai yang lebih tinggi menunjukkan model yang lebih andal.5
Adjusted R-Squared	R2 yang disesuaikan dengan jumlah variabel independen dalam model.	Memberikan evaluasi model yang lebih konservatif dan sering kali digunakan untuk membandingkan model regresi berganda yang berbeda.18

Bab 9: Mengapa Asumsi Itu Penting: Menjaga Kualitas Analisis

Angka-angka hasil regresi tidak dapat diterima begitu saja tanpa proses validasi. Model regresi, terutama model linear, didasarkan pada beberapa asumsi klasik yang jika dilanggar, dapat menghasilkan hasil yang menyesatkan atau tidak akurat.¹⁹ Memahami dan menguji asumsi ini adalah salah satu perbedaan utama antara seorang pemula dan seorang ahli. Proses pengujian ini membangun kepercayaan pada model yang dikembangkan dan menunjukkan pemikiran kritis seorang analis.¹⁰

• Linearitas: Asumsi ini menyatakan bahwa hubungan antara variabel independen dan dependen harus bersifat linear.²⁰ Jika hubungan yang ada bersifat non-linear (misalnya, melengkung), model linear tidak akan dapat menangkap hubungan tersebut secara akurat.
• Multikolinearitas: Masalah ini terjadi ketika dua atau lebih variabel independen dalam model regresi memiliki korelasi yang sangat tinggi satu sama lain.¹⁹ Hal ini dapat membuat koefisien regresi menjadi tidak stabil dan sulit diinterpretasikan. Salah satu cara untuk mendeteksinya adalah dengan melihat nilai
  Variance Inflation Factor (VIF) atau Tolerance.¹⁹ Jika multikolinearitas terdeteksi, variabel-variabel yang sangat berkorelasi mungkin perlu disesuaikan atau dihilangkan dari model.
• Normalitas Residual: Asumsi ini menyatakan bahwa kesalahan prediksi (residual) harus terdistribusi secara normal.¹⁷ Salah satu cara untuk memeriksa asumsi ini adalah dengan melihat grafik
  Normal Probability Plot. Jika titik-titik data menyebar di sekitar garis diagonal, asumsi normalitas terpenuhi.¹⁹ Pelanggaran asumsi ini dapat menunjukkan adanya masalah dalam data, seperti keberadaan
  outlier.¹⁷

Bagian V: Aplikasi Analisis Regresi Lintas Sektor Bisnis

Analisis regresi adalah alat yang sangat fleksibel dan dapat diterapkan di berbagai sektor industri untuk memecahkan masalah bisnis yang kompleks.

Sektor	Contoh Masalah Bisnis	Variabel Independen (X)	Variabel Dependen (Y)
E-commerce & Ritel	Memprediksi permintaan produk 24	Anggaran iklan, promosi, data penjualan historis, musiman 30	Permintaan produk 24
Keuangan	Deteksi penipuan, memprediksi harga saham, atau risiko kredit 24	ROE, ROI, tingkat bunga, volume transaksi 25	Harga saham, kemungkinan penipuan 25
Kesehatan	Menganalisis efektivitas pengobatan 24	Dosis obat, usia pasien, riwayat penyakit 12	Tekanan darah, tingkat kesembuhan 29
Manufaktur	Prediksi pemeliharaan preventif 24	Data sensor mesin, suhu operasional, jam pemakaian 31	Waktu yang diperlukan untuk perbaikan 31
Pemasaran	Mengukur efektivitas kampanye iklan 6	Anggaran kampanye, jumlah tayangan iklan, jenis media iklan 6	Tingkat penjualan, click-through rate

Penutup: Mengubah Teori Menjadi Tindakan Nyata

Analisis regresi adalah alat yang tak ternilai dalam gudang senjata seorang analis data, memungkinkan perusahaan untuk mendapatkan wawasan yang akurat dan berbasis bukti. Meskipun konsepnya mungkin terasa rumit pada awalnya, pendekatan yang sistematis dan praktis dapat mengubah data menjadi aset strategis yang paling berharga. Laporan ini telah menguraikan bagaimana regresi dapat digunakan untuk memprediksi tren, mengidentifikasi faktor-faktor kunci, dan mendukung pengambilan keputusan di berbagai sektor.

Latar belakang pendidikan yang beragam bukanlah halangan untuk meniti karier di bidang analisis data.³² Yang terpenting adalah pemahaman yang kuat tentang analisis, statistik, dan keterampilan teknis yang relevan.³³ Komitmen untuk terus belajar juga sangat esensial karena bidang ini terus berkembang dengan pesat.⁹

Bagi para pemula, langkah berikutnya yang paling penting adalah mengubah teori menjadi tindakan. Membuat portofolio proyek adalah cara paling efektif untuk menunjukkan kemampuan yang telah dikuasai.³⁵ Portofolio bukanlah sekadar kumpulan pekerjaan, melainkan alat penceritaan pribadi yang membuktikan bahwa seseorang dapat menerapkan keterampilan teknis dan non-teknisnya untuk memecahkan masalah bisnis yang nyata.³⁷ Proyek-proyek ini dapat dipublikasikan di platform seperti GitHub untuk menunjukkan kemampuan dalam pembersihan data, analisis, dan visualisasi.³⁸

Selain itu, mendapatkan sertifikasi dari lembaga terkemuka seperti Google Data Analytics atau IBM Data Analyst dapat mempercepat proses pembelajaran dan memberikan validasi yang diakui oleh industri.⁴¹ Banyak program

bootcamp juga menawarkan kurikulum berbasis proyek dan jaminan penempatan kerja, yang menyediakan jalur yang terstruktur bagi mereka yang ingin beralih karier ke bidang ini.⁴³ Pada akhirnya, seorang analis data yang sukses adalah seseorang yang tidak hanya mampu mengolah angka, tetapi juga memiliki rasa ingin tahu, pemikiran kritis, dan kemampuan komunikasi yang kuat untuk mengubah data menjadi narasi yang memicu tindakan.

Karya yang dikutip

1. What Does a Data Analyst Do? Roles, Skills, and Salary, diakses Agustus 20, 2025, https://graduate.northeastern.edu/knowledge-hub/what-does-a-data-analyst-do/
2. Prospek Karier Data Analyst: Tugas, Peran & Dampaknya bagi Bisnis, diakses Agustus 20, 2025, https://idstar.co.id/prospek-karir-data-analyst-serta-gaji-perannya/
3. Data Analyst Job Description, diakses Agustus 20, 2025, https://data.org/resources/data-analyst-job-description/
4. Analisis Regresi: Pengertian, Jenis, Contoh, dan Manfaatnya dalam Penelitian – tsurvey.id, diakses Agustus 26, 2025, https://tsurvey.id/portal/analisis-regresi-pengertian-jenis-dan-manfaatnya
5. Pengertian dan Konsep Dasar Analisis Regresi untuk Pemula, diakses Agustus 26, 2025, https://www.fanruan.com/id/blog/analisis-regresi
6. Contoh Teknik Analisis Data Regresi dalam Kemajuan Perusahaa…, diakses Agustus 26, 2025, https://dqlab.id/contoh-teknik-analisis-data-regresi-dalam-kemajuan-perusahaan
7. Profesi Paling Dicari di Masa Depan: Data Analyst – TikTok, diakses Agustus 20, 2025, https://www.tiktok.com/@vmuliana/video/7138372110082116890
8. Profesi Data Analyst – Info 2025, Syarat & Gaji – Quipper Campus, diakses Agustus 20, 2025, https://campus.quipper.com/careers/data-analyst
9. Apa Itu Data Analyst? Ini Peran Vitalnya di Dunia Bisnis – iSeller Blog, diakses Agustus 20, 2025, https://www.isellercommerce.com/blog/apa-itu-data-analyst
10. Data Analyst Skills in 2025 (Top + Most Underrated Skills) – Teal, diakses Agustus 20, 2025, https://www.tealhq.com/skills/data-analyst
11. Analisis Regresi Sederhana – Management – BINUS Business School, diakses Agustus 26, 2025, https://bbs.binus.ac.id/management/2019/12/analisis-regresi-sederhana/
12. Analisis Regresi: Teknik Statistik untuk Prediksi dan Identifikasi Pola – prasmul-eli, diakses Agustus 26, 2025, https://prasmul-eli.co/id/articles/Analisis-Regresi:-Teknik-Statistik-untuk-Prediksi-dan-Identifikasi-Pola
13. PENGGUNAAN ANALISIS REGRESI DALAM PREDIKSI KINERJA KEUANGAN PERUSAHAAN: PENDEKATAN STATISTIK – coursework, diakses Agustus 26, 2025, https://coursework.uma.ac.id/index.php/ekonomi/article/download/650/795/2576
14. 10 Cara Menerapkan Analisis Regresi dalam Bisnis – Accurate Online, diakses Agustus 26, 2025, https://accurate.id/bisnis-ukm/pengertian-regresi/
15. Metode Pengolahan Data : 3 Jenis Analisis Regresi yang Sering Digunakan – DQLab, diakses Agustus 26, 2025, https://dqlab.id/metode-pengolahan-data-3-jenis-analisis-regresi-yang-sering-digunakan
16. Jenis-Jenis Analisis Regresi – BINUS UNIVERSITY, diakses Agustus 26, 2025, https://binus.ac.id/malang/2022/09/jenis-jenis-analisis-regresi/
17. Apa itu Regresi Linier? – Penjelasan tentang Model Regresi Linear – AWS, diakses Agustus 26, 2025, https://aws.amazon.com/id/what-is/linear-regression/
18. Analisis Regresi Linear Sederhana dan Linier Berganda Menggunakan R – AWS, diakses Agustus 26, 2025, https://rstudio-pubs-static.s3.amazonaws.com/874866_5f7f667e6c5f452a9a330d4517bec656.html
19. 1 REGRESI (SEDERHANA & BERGANDA) Analisis Regresi merupakan teknik analisis yang digunakan untuk pengujian pengaruh variabl, diakses Agustus 26, 2025, https://repository.umy.ac.id/bitstream/handle/123456789/24764/MODUL%20SPSS%20REGRESI%20%26ASUMSI%20KLASIK.pdf?sequence=1&isAllowed=y
20. Panduan Lengkap: Cara Melaporkan Hasil Regresi Linier Berganda – Universitas Bakrie Repository, diakses Agustus 26, 2025, https://repository.bakrie.ac.id/8933/1/Panduan%20Lengkap%20Cara%20Melaporkan%20Hasil%20Regresi%20Linier%20Berganda.pdf
21. 10 Essential Soft Skills for Data Analysts – Big Blue Data Academy, diakses Agustus 20, 2025, https://bigblue.academy/en/soft-skills-for-data-analysts
22. 15 Skill Data Analyst yang Penting Dikuasai untuk Berkarir – IDstar, diakses Agustus 26, 2025, https://idstar.co.id/skill-menjadi-data-analyst-handal/
23. A Day in the Life of a Data Analyst | by Afreen | Medium, diakses Agustus 20, 2025, https://medium.com/@afreenn04/a-day-in-the-life-of-a-data-analyst-938522c93084
24. A Day in the Life of a Certified Data Analyst: Insights, Projects, and …, diakses Agustus 20, 2025, https://www.stackroutelearning.com/a-day-in-the-life-of-a-certified-data-analyst-insights-projects-and-rewards/
25. Fungsi dan Contoh Analisis Regresi dalam Investasi – Pintu Blog, diakses Agustus 26, 2025, https://pintu.co.id/blog/analisis-regresi-adalah
26. 7 Must-Have Data Analyst Skills, diakses Agustus 20, 2025, https://graduate.northeastern.edu/knowledge-hub/data-analyst-skills/
27. Data Analyst Job Description – Kalibrr, diakses Agustus 20, 2025, https://www.kalibrr.com/id-ID/job-description/data-analyst
28. The Five C’s: Soft Skills That Every Data Analytics Professional Should Have – Forbes, diakses Agustus 20, 2025, https://www.forbes.com/councils/forbestechcouncil/2022/10/17/the-five-cs-soft-skills-that-every-data-analytics-professional-should-have/
29. Data Analyst Profesi Menjanjikan Masa Depan – Digital Skola, diakses Agustus 20, 2025, https://digitalskola.com/blog/data-science/data-analyst
30. Analisis Prediktif Penjualan Menggunakan Pendekatan Algoritma Regresi Linear untuk Optimalisasi Bisnis Industri – Conference Systems Universitas Semarang, diakses Agustus 26, 2025, https://conference.usm.ac.id/index.php/sinatti/sinatti2024/paper/download/573/246
31. The Future of Data Analytics: Trends in 7 Industries [2025], diakses Agustus 26, 2025, https://www.coherentsolutions.com/insights/the-future-and-current-trends-in-data-analytics-across-industries
32. Profesi Data Analyst: Pengertian, Tugas, dan Skill yang Wajib Dikuasai, diakses Agustus 26, 2025, https://blog.skillacademy.com/data-analyst-adalah
33. Mau Menjadi Data Analyst atau Scientist? Ini Rekomendasi Jurusan Kuliahnya – Aku Pintar, diakses Agustus 26, 2025, https://akupintar.id/info-pintar/-/blogs/mau-menjadi-data-analyst-atau-scientist-ini-rekomendasi-jurusan-kuliahnya
34. Top 3 Non-Technical Skills for Effective Data Analyst – Danni Liu, diakses Agustus 20, 2025, https://www.dannidanliu.com/top-3-non-technical-skills/
35. 10 Cara Menjadi Data Analyst di 2025 – Luarsekolah, diakses Agustus 26, 2025, https://www.luarsekolah.com/artikel/10-cara-menjadi-data-analyst-di-2025
36. Deretan Pertanyaan Interview Data Analyst Bagi Fresh Graduat…, diakses Agustus 26, 2025, https://dqlab.id/deretan-pertanyaan-interview-data-analyst-bagi-fresh-graduate
37. 10 pertanyaan interview data analyst dan trik menjawabnya – Prosple, diakses Agustus 26, 2025, https://id.prosple.com/interviews/10-pertanyaan-interview-data-analyst-dan-trik-menjawabnya
38. Create a Minimalism GitHub Page for Your Data Science Portfolio in …, diakses Agustus 26, 2025, https://chriskhanhtran.github.io/_posts/2020-01-13-portfolio-tutorial/
39. data-science-portfolio · GitHub Topics, diakses Agustus 26, 2025, https://github.com/topics/data-science-portfolio
40. data-analyst-portfolio · GitHub Topics, diakses Agustus 26, 2025, https://github.com/topics/data-analyst-portfolio
41. IBM Data Analyst Professional Certificate | Coursera, diakses Agustus 26, 2025, https://www.coursera.org/professional-certificates/ibm-data-analyst
42. 9 Popular Data Analyst Certifications 2025 Guide – ONLC, diakses Agustus 26, 2025, https://www.onlc.com/blog/popular-data-analyst-certifications/
43. Bootcamp Data Analytics Scholarship | Digital Skola, diakses Agustus 26, 2025, https://digitalskola.com/bootcamp/data-analytics-scholarship
44. Data Science Job Guarantee Bootcamp – Rakamin, diakses Agustus 26, 2025, https://www.rakamin.com/job-guarantee-bootcamp/data-science
45. TripleTen: online part-time coding bootcamps | Software Engineering, Data Science, QA Engineering, BI Analytics, Cyber Security, UX/UI Design, diakses Agustus 26, 2025, https://tripleten.com/