Regresi linear dan regresi logistik saat ini masih menjadi pilihan di banyak organisasi dan perusahaan dalam melakukan pemodelan hubungan antara sekelompok variabel prediktor dengan variabel target (respons).
Perkembangan modelmodel machine learning yang memiliki ketepatan prediksi yang menjanjikan, memunculkan banyak pemikiran untuk menggantikan pemodelan yang lama. Seberapa baik pilihan ini? Ada dua hal yang menjadi tujuan akhir dari pembuatan model statistika prediktif.
Pertama adalah memberikan penjelasan yang sederhana mengenai bagaimana variabel prediktor berhubungan dengan variabel respons. Sementara yang kedua adalah melakukan prediksi terhadap nilai variabel target berdasarkan karakteristik yang dinyatakan dalam bentuk nilainilai variabel prediktor.
Model Sederhana, Mudah Dinterpretasikan. Ketika analisis terhadap model digunakan untuk merumuskan kebijakan dan berbagai hal strategis bagi organisasi dan bisnis, muncul tuntutan terhadap penginterpretasian dari model yang dihasilkan. Interpretasi tidaklah terlalu sulit untuk dilakukan pada saat model yang digunakan bersifat sederhana.
Yang dimaksud adalah ketika hubungan antara prediktor dan target dinyatakan dalam bentuk linear, fungsi yang digunakan bersifat aditif, serta variabel prediktor yang dilibatkan tidak sangat banyak. Model statistika semacam regresi linear dan regresi logistik termasuk dalam kategori ini.
Regresi logistik misalnya, banyak diimplementasikan oleh bank dan lembaga pembiayaan lainnya dalam membangun model scoring mereka, baik untuk keperluan seleksi penerima pembiayaan maupun untuk keperluan penagihan.
