digunakan untuk memprediksi atau menguji pengaruh satu variabel bebas atau
variabel independent terhadap variabel terikat atau variabel dependent. Bila skor
variabel bebas diketahui maka skor variabel terikatnya dapat diprediksi besarnya.
Analisis regresi juga dapat dilakukan untuk mengetahui linearitasvariabel terikat
dengan variabel bebasnya.
Analisis regresi linear sederhana terdiri dari satu variabel bebas (predictor) dan satu
variabel terikat (respon), dengan persamaan :
Y = a + bX
Keterangan :
Y : Variabel terikat
a : Konstanta regresi
bX : Nilai turunan atau peningkatan variabel bebas
DASAR PENGAMBILAN KEPUTUSAN UJI REGRESI SEDERHANA
Pengambilan keptusan dalam uji regresi sederhana dapat mengacu pada dua hal,
yakni dengan membandingkan nilai t hitung dengan t tabel, atau dengan
membandingkan nilai signifikansi dengan nilai probabilitas 0,05.
Membanginkan nilai t hitung dan t tabel:
Jika nilai t hitung lebih besar dari nilai t tabel, artinya variabel bebas
berpengaruh terhadap variabel terikat.
Jika nilai t hitung tidak lebih besar dari nilai t tabel, artinya variabel bebas
tidak berpengaruh terhadap variabel terikat.
Jika nilai signifikansi tidak lebih dari nilai probabilitas 0,05, artinya variabel
bebas berpengaruh secara signifikan terhadap variabel terikat.
Jika nilai signifikansi lebih dari nilai probabilitas 0,05, artinya variabel bebas
tidak berpengaruh secara signifikan terhadap variabel terikat.
4. Klik Statistics, lalu berikan tanda pada Estimates dan Model Fit, Kemudian Klik
Continue.. Terakhir klik Ok untuk mengakhiri perintah.
Output Bagian Kedua (Model Summary) : Tabel di atas menjelaskan besarnya nilai
korelasi/ hubungan (R) yaitu sebesar 0,463 dan dijelaskan besarnya prosentase
pengaruh variabel bebas terhadap variabel terikat yang disebut koefisien determinasi
yang merupakan hasil dari penguadratan R. Dari output tersebut diperoleh koefisien
determinasi (R2) sebesar 0,215, yang mengandung pengertian bahwa pengaruh
variabel bebas (Trust) terhadap variabel terikat (Partisipasi) adalah sebesar 21,5%,
sedangkan sisanya dipengaruhi oleh variabel yang lain.
Output bagian Ketiga (ANOVA) : Pada bagian ini untuk menjelaskan apakah ada
pengaruh yang nyata (signifikan) variabel Trust (X) terhadap Variabel Partisipasi (Y).
Dari output tersebut terlihat bahwa F hitung = 13,951 dengan tingkat signifikansi /
Probabilitas 0,000 < 0,05, maka model regresi dapat dipakai untuk memprediksi
variabel partisipasi
Output Bagian Keempat (Coefficients) : Pada tabel Coefficients, pada kolom B pada
Constant (a) adalah 9,481, sedang nilai Trust (b) adalah 0,438, sehingga persamaan
regresinya dapat ditulis :
Y = a + bX atau 9,481 + 0,438X
Koefisien b dinamakan keofisien arah regresi dan menyatakan perubahan rata-rata
variabel Y untuk setiap perubahan variabel X sebesar satu satuan. Perubahan ini
merupakan pertabahan bila b bertanda positif dan penurunan bila b bertanda negatif.
Sehingga dari persamaan tersebut dapat diterjemahkan :
Kostanta sebesar 9,481 menyatakan bahwa jika tidak ada nilai Trust maka
nilai Partisipasi sebesar 9,481.
Ho : Tidak ada pengaruh yang nyata (signifikan) variabel Trust (X) terhadap
variabel Partispasi (Y).
Dari output di atas dapat diketahui nilai t hitung = 3,735 dengan nilai signifikansi
0,000 < 0,05, maka Ho ditolak dan H1 diterima, yang berarti Ada pengaruh yang
nyata (signifikan) variabel Trust (X) terhadap variabel Partispasi (Y).
Contoh
Regresi
dengan SPSS
Linier
Sederhana
Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai
variabel bebas.
2.
3.
Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel
bebas diluar jangkaun sample.
Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan
persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :
1.
Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance
term sebesar 0 atau dengan simbol sebagai berikut: E (U / X) = 0,
2.
Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak
ada hubungan linier yang nyata,
3.
Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05,
Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of Estimate < Standard Deviation,
4.
5.
6.
7.
8.
Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(variabel predictor) sedang variabel lainnya variabel terikat (variabel response)
Berikut
ini
contoh
perhitungan
regresi
linier
sederhana
menggunakan
Proses mulai
pilih Linear,
dengan
memilih
menu Analyze,
kemudian
2.
3.
4.
Tabel Koefisien.
Cara membaca output spss hasil uji regresi linier tersebut adalah
:
1.
Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi
variabel bebas dan variabel terikat.
2.
Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien
korelasi.
Pada
contoh
diatas
nilai
korelasi
adalah
0,342.
Nilai
ini
dapat
Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari
regresi. Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi
(Sig.). Cara yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. <
0,05, maka model regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel
ketiga, diperoleh nilai Sig. = 0,140 yang berarti > kriteria signifikan (0,05), dengan
demikian model persamaan regresi berdasarkan data penelitian adalah tidak
signifikan artinya, model regresi linier tidak memenuhi kriteria linieritas.
4.
Agar anda memahami artikel ini, pelajari juga tentang Uji F dan Uji T: " Uji F dan Uji T" dan
"Analisis Regresi Korelasi"
Analisis regresi digunakan untuk memprediksi pengaruh variabel bebas terhadap variabel terikat.
Analisis regresi juga dapat dilakukan untuk mengetahui kelinieritas variabel terikat dengan varibel
bebasnya, selain itu juga dapat menunjukkan ada atau tidaknya data yang outlier atau data yang
ekstrim.
Analisis regresi linear berganda terdiri dari satu variabel dependen dan dua atau lebih variabel
independen. Misalnya dalam suatu kegiatan penelitian ingin diketahui apakah variabel X (Sex dan
Nilai harian 1) berpengaruh terhadap variabel Y (nilai rapot). Data penelitian adalah sebagai
berikut:
Nama
Sex
Nilai harian 1
Nilai Rapot
IDM01
IDM02
1
2
50
61
68
86
IDM03
IDM04
IDM05
IDM06
IDM07
IDM08
IDM09
IDM10
IDM11
IDM12
IDM13
IDM14
IDM15
1
1
1
2
2
1
1
2
2
1
1
2
1
80
76
40
73
86
77
59
56
66
80
72
95
83
78
80
76
74
70
80
76
85
60
69
89
90
88
3. Klik Data view dan masukan data sehingga tampak hasilnya sebagai berikut:
4. Lakukan analisis dengan cara: Analize, Regression, Liniear. akan muncul dialog seperti gambar
berikut; Selanjutnya isilah kotak menu Dependen dengan variabel terikat, yaitu variabel Rapor dan
kotak menu independen dengan variabel bebas, yaitu variabel Sex dan Harian 1.
5. Selanjutnya klik kotak menu Statistics. Pilih Estimates, Descriptives dan Model fit lau klik
Continue. Tampilan muncul seperti berikut
6. Kotak menu Plots, berfungsi untuk menampilkan grafik pada analisis regresi. klik kotak menu
Plots, kemudian klik Normal probanility plot yang terletak pada kotak menu Standardized
Residual plots. Selanjutnya klik Continue. Tampilannya adalah sebagai berikut:
7. Selanjutnya klik Continue. Untuk melakukan analisis kliklah OK. Beberapa saat kemudian
akan keluar outputnya, sebagai berikut:
Regression
[DataSet1]
Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77,93 dengan standar
deviasi 8,779 sedangkan rata-rata nilai harian 1 adalah 70,27 dengan standar deviasi 14,786
2. Korelasi
Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan sex adalah -0,042
hal ini menunjukan hubungan negatif.
besar hubungan nilai harian 1 dengan nilai rapot adalah 0,238 yang berarti ada hubungan positif,
makin besar nilai harian 1 maka makin tinggi pula nilai rapot.
3. Variabel masuk dan keluar
Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan sex, sedangkan
variabel yang dikeluarkan tidak ada (Variables Removed tidak ada)
4.Model sisaan
Pada tabel diatas angka R Square adalah 0,063 yaitu hasil kuadrat dari koefisien korelasi (0,250 x
0,250 = 0,063). Standar Error of the Estimate adalah 9,181, perhatikan pada analisis deskriptif
statitik bahwa standar deviasi nilai rapot adalah 8,779 yang jauh lebih kecil dari dari standar error,
oleh karena lebih besar daripada standar deviasi nilai rapot maka model regresi tidak bagus dalam
bertindak sebagai predictor nilai rapot.
5. Anova
Hipotesis:
Ho: B1=B2=0
Ha: ada Bi yang tidak nol
Pengambilan keputusan:
Jika F hitung <= T tabel atau probabilitas >= 0,05 maka Ho diterima
Jika F hitung > T tabel atau probabilitas < 0,05 maka Ho ditolak
Dari tabel diatas dapat dilihat nilai F hitung yaitu 0,401, sedangkan nilai F tabel dapat diperoleh
dengan menggunakan tabel F dengan derajat bebas (df) Residual (sisa) yaitu 12 sebagai df
penyebut dan df Regression (perlakuan) yaitu 2 sebagai df pembilang dengan tarap siginifikan
0,05, sehingga diperoleh nilai F tabel yaitu 3,89. Karena F hitung (0,401) < F tebel (3,89) maka
Ho diterima.
Berdasarkan nilai Signifikan, terlihat pada kolom sig yaitu 0,679 itu berarti probabilitas 0,679
lebih dari daripada 0,05 maka Ho diterima.
Kesimpulan:
Tidak ada koefisien yang tidak nol atau koefisien berarti, maka model regresi tidak dapat dipakai
untuk memprediksi nilai rapot.
6. Koefisien
Hipotesis:
Ho: Bi=0
Ha: ada Bi yang tidak nol , i=1 atau 2
Pengambilan keputusan:
Jika T hitung <= T tabel atau probabilitas >= 0,05 maka Ho diterima
Jika T hitung > T tabel atau probabilitas < 0,05 maka Ho ditolak
* Constant: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Constant yaitu
5,360, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung > T
tabel maka Ho ditolak. sedangkan sig pada tabel B adalah 0,000 yang berarti probabilitas 0,000,
karena probabilitas kurang dari 0,05 maka ditolak. Berarti bermakna dan diramalkan tidak melalui
titik (0,0).
** Sex: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Sex yaitu -0,277, pada
T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung < T tabel maka Ho
diterima. sedangkan sig pada tabel B adalah 0,786 yang berarti probabilitas 0,786, karena
probabilitas kurang dari 0,05 maka diterima. artinya B tidak berarti.
*** Harian 1: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Harian 1 yaitu
0,882, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung < T
tabel maka Ho diterima. sedangkan sig pada tabel B adalah 0,786 yang berarti probabilitas 0,395,
karena probabilitas kurang dari 0,05 maka diterima. artinya B tidak berarti
Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu:
Y = 69,429
Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan maksimum, mean dan
standar deviasi dari predicted value (nilai yang diprediksi) dan statistic residu.
7. Kelinieran
Jika residual berasal dari distribusi normal, maka nilai-nilai sebaran data akan terletak sekitar garis
lurus, terlihat bahwa sebaran data pada gambar diatas tersebar hampir semua tidak pada sumbu
normal, maka dapat dikatakan bahwa pernyataan normalitas tidak dapat dipenuhi.
Regresi Linear
Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau
beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi sering disebut
variabel bebas, variabel independen atau variabel penjelas. Variabel yang dipengaruhi sering
disebut dengan variabel terikat atau variabel dependen. Regresi linear hanya dapat digunakan
pada skala interval dan ratio
Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana yaitu dengan satu buah
variabel bebas dan satu buah variabel terikat; dan regresi linear berganda dengan beberapa variabel
bebas dan satu buah variabel terikat. Analisis regresi linear merupakan metode statistik yang
paling jamak dipergunakan dalam penelitian-penelitian sosial, terutama penelitian ekonomi.
Program komputer yang paling banyak digunakan adalah SPSS (Statistical Package For Service
Solutions).
Jika biaya promosi bernilai nol, maka profitabilitas akan bernilai 1,2 juta rupiah.
Interpretasi terhadap nilai intercept (dalam contoh ini 1,2 juta) harus hati-hati dan sesuai dengan
rancangan penelitian. Jika penelitian menggunakan angket dengan skala likert antara 1 sampai 5,
maka interpretasi di atas tidak boleh dilakukan karena variabel X tidak mungkin bernilai nol.
Interpretasi dengan skala likert tersebut sebaiknya menggunakan nilai standardized
coefficient sehingga tidak ada konstanta karena nilainya telah distandarkan.
Contoh: Pengaruh antara kepuasan (X) terhadap kinerja (Y) dengan skala likert antara 1 sampai
dengan 5. Hasil output yang digunakan adalah standardized coefficients sehingga Y = 0,21 X dan
diinterpretasikan bahwa peningkatan kepuasan kerja akan diikuti dengan peningkatan kinerja atau
penurunan kepuasan kerja juga akan diikuti dengan penurunan kinerja. Peningkatan kepuasan
kerja dalam satu satuan unit akan diikuti dengan peningkatan kinerja sebesar 0,21 (21%).
Regresi Linear Berganda
Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana, hanya
variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:
Y = a + b1 X1 + b2 X2 + .... + bn Xn.
Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a adalah konstanta
(intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas.
Interpretasi terhadap persamaan juga relatif sama, sebagai ilustrasi, pengaruh antara motivasi (X1),
kompensasi (X2) dan kepemimpinan (X3) terhadap kepuasan kerja (Y) menghasilkan persamaan
sebagai berikut:
Y = 0,235 + 0,21 X1 + 0,32 X2 + 0,12 X3
1.
Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan kepemimpinan
tetap, maka kepuasan kerja juga akan meningkat
2.
Jika variabel kompensasi meningkat, dengan asumsi variabel motivasi dan kepemimpinan
tetap, maka kepuasan kerja juga akan meningkat.
3.
Jika variabel kepemimpinan meningkat, dengan asumsi variabel motivasi dan kompensasi
tetap, maka kepuasan kerja juga akan meningkat.
Interpretasi terhadap konstanta (0,235) juga harus dilakukan secara hati-hati. Jika
pengukuran variabel dengan menggunakan skala Likert antara 1 sampai dengan 5 maka tidak
boleh diinterpretasikan bahwa jika variabel motivasi, kompensasi dan kepemimpinan bernilai nol,
sebagai ketiga variabel tersebut tidak mungkin bernilai nol karena Skala Likert terendah yang
digunakan adalah 1.
Analisis regresi linear berganda memerlukan pengujian secara serempak dengan menggunakan F
hitung. Signifikansi ditentukan dengan membandingkan F hitung dengan F tabel atau melihat
signifikansi pada output SPSS. Dalam beberapa kasus dapat terjadi bahwa secara simultan
(serempak) beberapa variabel mempunyai pengaruh yang signifikan, tetapi secara parsial tidak.
Sebagai ilustrasi: seorang penjahat takut terhadap polisi yang membawa pistol (diasumsikan
polisis dan pistol secara serempak membuat takut penjahat). Akan tetapi secara parsial, pistol tidak
membuat takut seorang penjahat. Contoh lain: air panas, kopi dan gula menimbulkan kenikmatan,
tetapi secara parsial, kopi saja belum tentu menimbulkan kenikmatan.
Penggunaan metode analisis regresi linear berganda memerlukan uji asumsi klasik yang secara
statistik harus dipenuhi. Asumsi klasik yang sering digunakan adalah asumsi normalitas,
multikolinearitas, autokorelasi, heteroskedastisitas dan asumsi linearitas..
Langkah-langkah yang lazim dipergunakan dalam analisis regresi linear berganda adalah
1) koefisien determinasi; 2) Uji F dan 3 ) uji t. Persamaan regresi sebaiknya dilakukan di akhir
analisis karena interpretasi terhadap persamaan regresi akan lebih akurat jika telah diketahui
signifikansinya. Koefisien determinasi sebaiknya menggunakan Adjusted R Square dan jika
bernilai negatif maka uji F dan uji t tidak dapat dilakukan.
Bentuk-bentuk regresi yang juga sering digunakan dalam penelitian adalah regresi
logistik atau regresi ordinal.
Pertanyaan-pertanyaan yang sering muncul
1.
Dalam uji regresi sederhana apakah perlu menginterpretasikan nilai F hitung?
Uji F adalah uji kelayakan model (goodness of fit) yang harus dilakukan dalam analisis regresi
linear. Untuk analisis regresi linear sederhana Uji F boleh dipergunakan atau tidak, karena uji F
akan sama hasilnya dengan uji t.
2.
Kapan menggunakan uji satu arah dan kapan menggunakan uji dua arah?
Penentuan arah pengujian adalah berdasarkan masalah penelitian, tujuan penelitian dan
perumusan hipotesis. Jika hipotesis sudah menentukan arahnya, maka sebaiknya digunakan uji
satu arah, tetapi jika hipotesis belum menentukan arah, maka sebaiknya menggunakan uji dua
arah. Penentuan arah pada hipotesis berdasarkan tinjauan literatur. Contoh hipotesis dua arah:
Terdapat pengaruh antara kepuasan terhadap kinerja. Contoh hipotesis satu arah: Terdapat
pengaruh positif antara kepuasan terhadap kinerja. Nilai t tabel juga berbeda antara satu arah dan
dua arah. Jika menggunakan signifikansi, maka signifikansi hasil output dibagi dua terlebih
dahulu, baru dibandingkan dengan 5%.
3.
Apa bedanya korelasi dengan regresi?
Korelasi adalah hubungan dan regresi adalah pengaruh. Korelasi bisa berlaku bolak-balik, sebagai
contoh A berhubungan dengan B demikian juga B berhubungan dengan A. Untuk regresi tidak bisa
dibalik, artinya A berpengaruh terhadap B, tetapi tidak boleh dikatakan B berpengaruh terhadap A.
Dalam kehidupan sehari-hari kedua istilah itu (hubungan dan pengaruh) sering dipergunakan
secara rancu, tetapi dalam ilmu statistik sangat berbeda. A berhubungan dengan B belum tentu A
berpengaruh terhadap B. Tetapi jika A berpengaruh terhadap B maka pasti A juga berhubungan
dengan B. (Dalam analisis lanjut sebenarnya juga ada pengaruh yang bolak-balik yang disebut
dengan recursive, yang tidak dapat dianalisis dengan analisis regresi tetapi
menggunakan (structural equation modelling).
KORELASI
Merupakan teknik statistik yang digunakan untuk menguji ada/tidaknya hubungan serta
arah hubungan dari dua variabel atau lebih.
Koefisien Korelasi :
Besar kecilnya hubungan antara dua variabel dinyatakan dalam bilangan
yang disebut Koefisien Korelasi. Besarnya koefisien korelasi antara-10+1
Contoh melakukan analisis koefisien korelasi :
1. Input Data :
2. Tahap Analisis
3. Blok kedua variabel, Klik tombol >, Lalu aktifkan box Pearson & Klik OK
4. Cara baca output : Lihat Koefisien pearson korelasi =0,982 dan Sig. (2-tailed) =0,000
REGRESI
Analisis regresi adalah analisis lanjutan dari korelasi. Menguji sejauh mana pengaruh
variabel independen terhadap variabel dependen setelah diketahui ada hubungan antara
variabel tersebut.
Regresi Sederhana:
yaitu regresi untuk 1 variabel independen dengan 1 variabel dependen
Contoh melakukan analisis regresi sederhana (dengan menggunakan data yang sama) :
1. Tahap Analisis
2. Variabel pertama masukkan dalam kotak Dependent, variabel kedua masukkan dalam
kotak Independent. Abaikan yang lain dan klik OK
Kasus masih sama,Sebuah penelitian terhadap batang pohon mahoni yang diambil
delapan sampel acak dan akan diteliti apakah ada pengaruh diameter batang pohon
dengan tinggi batang pohon.
Langkah-langkah yang dilakukan :
1. Klik Start -> IBM SPSS 21
2. Pada Variable View input data seperti berikut ini :
Pada Method pilih Enter berarti analisis data setiap variabel dianalisis satu-satu.
Klik Continue
7. Pilih Options masukkan nilai taraf signifikansi dalam hal ini kita pilih 5% sehingga ketik
0,05 pada kolomEntry. Tandai Include Constant in Equation.
Pada kolom ini brfungsi untuk uji-F, digunakan untuk melihat pengaruh variabel bebas X
secara bersamaan terhadap variabel tak bebas Y. (Regresi Linear Berganda)
Exclude cases listwise :hanya data yang valid untuk semua variabel yang
ikut dianalisis
Replace with mean : Semua data dianalisis dan untuk data yang kosong
digantikan dengan rata-rata variabel tersebut.
Klik Continue
8. Output Analisis Regresi Linear Sederhana
Dari output di atas diperoleh nilai koefisien determinasi R2 = 0,785 berarti sekitar 75,5%
variasi dari diameter batang pohon mahoni dapat menjelaskan variasi dari variabel tinggi
batang pohon mahoni. (cukup tinggi).
dan nilai korelasi R = 0,886. Artinya hubungan yang kuat antara variabel diameter batang
pohon mahoni dengan variabel tinggi pohon mahoni.
Pada Adjusted R Square diperoleh nilai 0,750 artinya sekitar 75% variasi yang terjadi
pada tinggi pohon dapat dijelaskan oleh variabel diameter batang pohon mahoni dan
sisanya dijelaskan oleh variabel lainnya.
Note :
R Square dan Adjusted R Square sama-sama boleh digunakan bedanya adalah jika
kita ingin menggeneralisasikan ke populasi maka gunakan Adjusted R Square,dan
individu yang kita gunakan adalah dipilih secara acak, namun jika individu atau sampel
non acak sebaiknya gunakan R Square. Pada ukuran sampel yang besar, nilai R Square
dan Adjusted R Square akan mendekati nilai sama.
Pada kolom B adalah nilai konstanta dan koefisien persamaan regresi. Sehingga dari
angka inilah kita dapat membentuk persamaan regresi.
(Constant) = -1,315
Diameter Batang Pohon Mahoni = 4,541
by MEYF