Laporan Skill Lab

BIOSTATISTIKA

Blok Manajemen Kesehatan Gigi Masyarakat

Genap: 2016-2017

Oleh :

1. Hendito Khairiansyah (NIM : 151610101039)

2. Yuni Mulya Utami (NIM : 151610101045)
3. Irene Fransiska (NIM : 151610101047)
4. Yolandha Ogis S (NIM : 151610101049)
5. Rabella Guspia Z (NIM : 151610101054)
6. Devina Yulia P (NIM : 151610101063)

Fakultas Kedokteran Gigi

Universitas Jember

2017
 KATA PENGANTAR

Puji Syukur Kehadirat Allah SWT, atas limpahan rahmat dan hidayah-
Nya sehingga kami dapat menyelesaiakan Laporan Skill Lab Blok Manajemen
Kesehatan Gigi Masyarakat. Banyak sekali hambatan yang kami alami dalam
pembuatan laporan ini, tetapi berkat dukungan dari berbagai pihak maka kami
bersyukur pada akhirnya dapat menyelesaikan makalah tutorial ini dengan baik.
Kami juga berterimakasih kepada perpustakaan fakultas kedokteran gigi
dan juga UPT Perspustakaan Uiversitas Jember yang telah memberikan banyak
bantuan dalam menyediakan buku-buku referensi dan memberikan pinjaman, serta
kakak tingkat dan juga teman-teman mahasiswa fakultas kedokteran gigi..
Tiada gading yang tak retak, bagitu pula kami sangat menyadari bahwa
dalam pembuatan makalah ini masih jauh dari kesempurnaan. Oleh karena itu
kami sangat mangharapkan kritik dan saran yang membangun demi
kesempurnaan laporan ini.
Semoga laporan ini dapat bermanfaat di kemudian hari, khususnya dalam
bidang kedokteran gigi di kalangan Universitas Jember.

Jember, Juni 2017

Penyusun

i
 DAFTAR ISI

Daftar Isi ........................................................................................................ i

Kata pengantar............................................................................................... ii

BAB 1 Pendahuluan ......................................................................................1

BAB 2 Tinjauan Pustaka ............................................................................... 3
BAB 3 Hasil dan Pembahasan ...................................................................... 6
Daftar Pustaka................................................................................................ 7

ii
iii
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Analisis regresi merupakan salah satu alat statistik yang banyak
digunakan dalam berbagai bidang. Analisis tersebut bertujuan untuk
mengetahui hubungan antara variabel dependen dan variabel independen. Ada
beberapa macam tipe dari analisis regresi. Tipe yang pertama adalah analisis
regresi linier sederhana yang berfungsi untuk mengetahui hubungan linier
antara dua variabel, satu variabel dependen dan satu variabel independen. Tipe
kedua adalah analisis regresi linier berganda yang merupakan model regresi
linier dengan satu variabel dependen dan lebih dari satu variabel independen.
Di bidang kedokteran gigi seringkali menggunakan analisis regresi
linier sederhana dan ganda untuk penelitian. Sebagai peneliti seharusnya
faham tentang analisis regresi linier sehingga persamaan regresi yang
dihasilkan valid dan bisa diaplikasikan. Analisis regresi linier sederhana
terdapat satu variabel dependen (Y) dan satu variabel independen (X). Analisis
regresi linier ganda terdapat satu variable dependen (Y) dan lebih dari satu
variable independen (Xi) di mana i=1,2,3p, dengan tujuan memprediksi
nilai Y (variabel dependen) berdasarkan nilai X (variabel independen).
Regresi sendiri memiliki sejarah dan terus dikembangkan. Serangkaian
studi yang dikembangkan oleh para statistisi berhasil menunjukkan bahwa
dalam banyak kasus, regresi menggunakan teknik kuadrat terkecil (khususnya
teknik Ordinary Least Square/OLS) sering memberikan hasil yang kurang
tepat. Oleh sebab itu,banyak bermunculan teknik Regresi Modern, yaitu
regresi yang digunakan pada kondisi dimana asumsi-asumsi klasik tidak
terpenuhi.
Bagaimanakah model regresi linear sederhana dan regresi linear
berganda, asumsi-asumsinya, serta makna dari parameter-parameter regresi
linear berganda dan regresi linear sederhana akan penulis bahas dalam
makalah ini dengan judul REGRESI LINEAR SEDERHANA DAN
REGRESI LINEAR BERGANDA

1.2 Rumusan Masalah

Rumusan masalah Berdasarkan rumusan masalah di atas, maka tujuan dari
penuisan makalah ini adalah :

1
 1. Apakah yang dimaksud dengan regresi linear dan regresi linear
berganda ?
2. Apa saja asumsi asumsi klasik regresi linear berganda dan asumsi
regresi linear sederhana ?
3. Bagaimana langkah langkah atau proses pengujian asumsi klasik
regresi linear berganda dan asumsi regresi linear sederhana dengan
menggunakan software R ?
4. Apa makna dari parameter dalam regresi linear dan regresi linear
berganda?

1.3 Tujuan
Tujuan Berdasarkan rumusan masalah di atas, maka tujuan dari penulisan
makalah ini adalah :
1. Untuk mengetahui pengertian regresi linear sederhana dan regresi
linear berganda, agar mahasiswa dapat memahami dan membedakan
antara regresi linear sederhana dan regresi linear berganda.
2. Untuk mengetahui dan memahami asumsi asumsi klasik dalam
regresi linear berganda dan asumsi dalam regresi linear sederhana
3. Untuk mengetahui langkah langkah atau proses pengujian asumsi
klasik regresi linear berganda dan asumsi regresi linear sederhana
dengan menggunakan software R
4. Untuk mengetahui makna dari parameter dalam regresi linear
(sederhana dan berganda)

BAB II
TINJAUAN PUSTAKA

Definisi Regresi
Istilah regresi pertama kali dalam konsep statistik digunakan oleh Sir
Francis Galton dimana yang bersangkutan melakukan kajian yang menunjukkan

2
bahwa tinggi badan anak-anak yang dilahirkan dari para orang tua yang tinggi
cenderung bergerak (regress) kearah ketinggian rata-rata populasi secara
keseluruhan. Galton memperkenalkan kata regresi (regression) sebagai nama
proses umum untuk memprediksi satu variabel, yaitu tinggi badan anak dengan
menggunakan variabel lain, yaitu tinggi badan orang tua. Pada perkembangan
berikutnya hukum Galton mengenai regresi ini ditegaskan lagi oleh Karl Pearson
dengan menggunakan data lebih dari seribu. Pada perkembangan berikutnya, para
ahli statistik menambahkan isitilah regresi berganda (multiple regression) untuk
menggambarkan proses dimana beberapa variabel digunakan untuk memprediksi
satu variabel lainnya. (Sarwono, 2013)
Regresi dalam pengertian moderen menurut Gujarati (2009) ialah sebagai
kajian terhadap ketergantungan satu variabel, yaitu variabel tergantung terhadap
satu atau lebih variabel lainnya atau yang disebut sebagai variabel variabel
eksplanatori dengan tujuan untuk membuat estimasi dan / atau memprediksi rata
rata populasi atau nilai rata-rata variabel tergantung dalam kaitannya dengan nilai
nilai yang sudah diketahui dari variabel ekslanatorinya. (Sarwono, 2013)
Iriawan (2006: 199) mencatat bahwa analisis regresi sangat berguna dalam
penelitian antara lain: (1) model regresi dapat digunakan untuk mengukur
kekuatan hubungan antara variabel respons dan variabel prediktor, (2) model
regresi dapat digunakan untuk mengetahui pengaruh suatu atau beberapa variabel
predictor terhadap variabel respons, (3) model regresi berguna untuk memprediksi
pengaruh suatu variabel atau beberapa variabel predictor terhadap variabel
respons. (Nirmala, 2012)

2.1 Tujuan
Tujuan menggunakan analisis regresi ialah membuat estimasi rata-rata dan nilai
variabel tergantung dengan didasarkan pada nilai variabel bebas. Menguji
hipotesis karakteristik dependensi dan untuk meramalkan nilai rata-rata variabel
bebas dengan didasarkan pada nilai variabel bebas diluar jangkauan sampel.
(Sarwono, 2013)

3
2.2 Asumsi Penggunaan Regresi
Penggunaan regresi linear sederhana didasarkan pada asumsi diantaranya sbb :
Model regresi harus linier dalam parameter

Variabel bebas tidak berkorelasi dengan disturbance term (Error) .

Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E

(U / X) = 0
Varian untuk masing-masing error term (kesalahan) konstan

Tidak terjadi otokorelasi Model regresi dispesifikasi secara benar.

Tidak terdapat bias spesifikasi dalam model yang digunakan dalam

analisis empiris.
Jika variabel bebas lebih dari satu, maka antara variabel bebas
(explanatory) tidak ada hubungan linier yang nyata.
(Sarwono, 2013)

2.3 Syarat-Syarat
Model kelayakan regresi linear dalam IBM SPSS didasarkan pada hal-hal sebagai
berikut :
a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA
sebesar < 0.05
b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan
ini diketahui jika angka Standard Error of Estimate < Standard Deviation
c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan uji t.
Koefesien regresi signifikan jika t hitung > t table (nilai kritis). Dalam
IBM SPSS dapat diganti dengan menggunakan nilai signifikansi (sig)
dengan ketentuan sebagai berikut: Jika sig < 0,05; koefesien regresi
signifikan Jika sig > 0,05; koefesien regresi tidak signifikan
d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi
antar variabel bebas yang sangat tinggi atau terlalu rendah. Syarat ini
hanya berlaku untuk regresi linier berganda dengan variabel bebas lebih
dari satu. Terjadi multikolinieritas jika koefesien korelasi antara variable
bebas > 0,7 atau < - 7

4
 e. Tidak terjadi otokorelasi jika: - 2 DW 2
f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2
semakin besar nilai tersebut maka model semakin baik. Jika nilai
mendekati 1 maka model regresi semakin baik. Nilai r2 mempunyai
karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1.
Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna.
Maksudnya seluruh variasi dalam variabel tergantung (variabel Y) dapat
diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan 0, maka
tidak ada hubungan linier antara variabel bebas (variabel X) dan variabel
tergantung (variabel Y).
g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung
(Y)
h. Data harus berdistribusi normal
i. Data berskala interval atau rasio
j. Terdapat hubungan dependensi, artinya satu variabel merupakan variabel
tergantung yang tergantung pada variabel (variabel) lainnya.
(Sarwono, 2013)

Dapat disimpulkan bahwa Analisis regresi adalah suatu analisis yang

dilakukan terhadap dua variabel yaitu variabel independen (prediktor) dan
variabel dependen (respon) untuk mengetahui apakah ada pengaruh variabel
prediktor terhadap variabel respon sehingga variabel respon dapat diduga
berdasarkan variabel prediktornya. Berdasarkan jumlah variabel independennya,
analisis regresi linier dibagi menjadi dua macam yaitu, analisis regresi linier
sederhana dan analisis regresi linier ganda. Pada, analisis regresi linier sederhana,
jumlah variabel independen yang digunakan sebagai penduga variabel dependen
adalah satu. Sedangkan pada analisis regresi linier ganda, jumlah variabel
independen yang digunakan sebagai penduga variabel dependen adalah lebih dari
satu. (Wasilaine dkk, 2014)
Saat ini, analisis regresi yang lebih sering digunakan adalah analisis
regresi linier ganda. Dapat dilihat dari berbagai kejadian yang terjadi dalam
kehidupan sehari-hari yaitu suatu peristiwa dapat disebabkan oleh berbagai faktor

5
yang mempengaruhinya. Contohnya, tinggi bayi sekarang yang dipengaruhi oleh
usia bayi, panjang bayi waktu lahir , berat bayi waktu lahir, dan ukuran dada bayi
waktu lahir. (Wasilaine dkk, 2014)

2.4Analisis Regresi
Analisis regresi adalah hubungan yang didapat dan dinyatakan dalam bentuk
persamaan matematik yang menyatakan hubungan fungsional antar variabel-
variabel. (Suwarsito, 2012)
Regresi dibagi menjadi 2 yaitu :
a) Analisis regresi linier sederhana
Analisis ini digunakan untuk mendapatkan hubungan matematis dalam bentuk
suatu persamaan antara variabel tak bebas dengan variabel bebas tunggal.
(Suwarsito, 2012)
Regresi linier sederhana hanya memiliki satu perubahan regresi linier untuk
populasi adalah
Y= a + bx
Dengan :
Y = Subyek dalam variabel dependen yang diprediksikan
X = Subyek pada variabel independen yang mempunyai nilai tertentu.
a = Parameter intercept
b = Parameter koefisien regresi variabel bebas
Persamaan model regresi sederhana hanya memungkinkan bila pengaruh
yang ada itu hanya dari independent variabel (variabel bebas) terhadap dependent
variabel (variabel tak bebas). Jadi harga b merupakan fungsi dari koefisien
korelasi. Bila koefisien korelasi tinggi, maka harga b juga besar, sebaliknya bila
koefisien korelasi negatif maka harga b juga negatif, dan sebaliknya bila koefisien
korelasi positif maka harga b juga positif. (Suwarsito, 2012)

b)Analisis regresi linier berganda

Analisis ini digunakan untuk memprediksi berubahnya nilai variabel tertentu bila
variabel lain berubah. Dikatakan regresi berganda, karena jumlah variabel bebas
(independen) sebagai prediktor lebih dari satu, maka digunakan persamaan regresi
linier berganda dengan rumus, sebagai berikut :

6
 = 0+11+ +

Dimana :
= variabel tidak bebas (dependen)
0 , , = koefisien regresi
1 , , = variabel bebas (independen)
Koefisien-koefisien 0 , , dapat dihitung dengan menggunakan persamaan :
1=+11+22++
1=01+1(1)2+212++1
2=02+112+2(2)2++2
=0+11+22++()
(Suwarsito, 2012)
Tujuan analisis regresi linier adalah untuk mengukur intensitas hubungan antara
dua variabel atau lebih dan memuat prediksi / perkiraan nilai Y dan nilai X.
bentuk umum persamaan regresi linier berganda yang mencakup dua atau lebih
variable. (Suwarsito, 2012)

Asumsi Regresi Linier Berganda

Dalam metode regresi linier berganda ada beberapa asumsi yang harus dipenuhi,
asumsi tersebut adalah :
1. Nilai rata-rata kesalahan pengganggu nol, yaitu E = 0, untuk i= 1,2,...,n

2. Varian =
3. Tidak ada autokorelasi antara kesalahan pengganggu (galat/error), berarti
kovarian
4. Variabel bebas konstan dalam sampling yang terulang
dan bebas terhadap kesalahan penganggu
5. Tidak ada multikolenieritas diantara variabel bebas
6. artinya kesalahan pengganggu mengikuti distribusi normal

dengan rata-rata 0 dan varian

(Rahmadeni dkk, 2014)

7
Contoh Kasus
Sampel yang diambil masing-masing 5 data selama 5 hari yang meliputi
pengunjung (X1), pembeli (X2) dan nominal pembelian (Y).
Rumus :
Y = a + b1 X1 + b2 X2
Y = variabel terikat
a = konstanta
b1, b2 = variabel bebas
X1, X2 = koefisien regresi

Kesalahan Standart Estimasi

Untuk mengetahui ketepatan persamaan estimasi dapat digunakan kesalahan
standart estimasi (standard error of estimate). Besarnya kesalahan standar
estimasi menunjukkan ketepatan persamaan estimasi untuk menjelaskan nilai
variabel tidak bebas yang sesungguhnya. Semakin kecil nilai kesalahan standar
estimasi, makin tinggi ketepatan persamaan estimasi yang dihasilkan untuk
menjelaskan nilai variable tidak bebas sesungguhnya. Sebaliknya, semakin besar
nilai kesalahan standar estimasi, makin rendah ketepatan persamaan estimasi yang
dihasilkan untuk menjelaskan nilai variable tidak bebas sesungguhnya. Kesalahan
standar estimasi dapat ditentukan dengan rumus :
,1,2,=()21
Dengan :
= nilai data hasil pengamatan
y = nilai hasil regresi
n = ukuran sampel
k = banyak variabel bebas
(Suwarsito, 2012)
2.5 Konsep Linieritas Dalam Regresi
Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam variabel
dan linieritas dalam parameter. Yang pertama, linier dalam variabel merupakan
nilai rata-rata kondisional variabel tergantung yang merupakan fungsi linier dari

8
variabel (variabel) bebas. Sedang yang kedua, linier dalam parameter merupakan
fungsi linier parameter dan dapat tidak linier dalam variabel. (Sarwono, 2013)

SPSS
SPSS merupakan salah satu sekian banyak software statistika yang telah dikenal
luas dikalangan penggunaannya. Disamping masih banyak lagi software statistika
lainnya seperti Minitab, Syastas, Microstat dan masih banyak lagi. SPSS sebagai
sebuah tools mempunyai banyak kelebihan, terutama untuk aplikasi di bidang
ilmu sosial. (Suwarsito, 2012)

2.6 langkah-langkah analisis regresi

1. Melihat taksiran parameter model
Hasil taksiran parameter model dapat dilihat pada output:

Dari tabel di atas hasil taksiran parameter model yaitu:

Persamaan memperlihatkan taksiran intersep b0 sebesar 1,665 dan taksiran

parameter dari b1 sebesar 12,395 artinya apabila kandungan nikotin dalam rokok
meningkat sebesar 1 mg, maka karbon monoksida yang dihasilkannya rata-rata
akan meningkat pula sebesar 12,4 kali. Angka 1,665 menunjukkan bahwa jika
kandungan nikotin bernilai 0 (nol), maka kandungan karbon monoksida adalah
1,665.

9
2. Membuat nilai taksiran
Pada model regresi, ada asumsi bahwa distribusi residual mengikuti
Karbon
monoksida Nikotin Fit _1 Err_ 1
13.6 0.86 12.32472 1.27528
16.6 1.06 14.8038 1.7962
23.5 2.03 26.82734 -3.32734
10.2 0.67 9.96959 0.23041
5.4 0.4 6.62283 -1.22283
15 1.04 14.55589 0.44411
Output ini memperlihatkan bahwa kandungan nikotin 0,86 mg, perkiraan jumlah
karbon monoksida yang dihasilkan suatu rokok sebesar 12,32 mg.

3. Memeriksa Mean Square Residual

Pada model regresi, ada asumsi bahwa distribusi resiudual mengikuti distribusi
normal dengan rata-rata dan standar deviasi sekecil mungkin, semakin kecil
standar deviasi residual berarti nilai taksiran model semakin mendekati nilai
sebenarnya.

10
Mean Square Residual (MSE) merupakan varians residual (s2) ingat bahwa

varians adalah kuadrat dari standar deviasi jadi nilainya s = = 1,83

Suatu model regresi dikatakan dapat mewakili data apabila nilai sig model regresi
dalam ANOVA tidak melebihi toleransi ( ) yang telah ditetapkan, nilai statistic
uji F dapat juga digunakan.
Hipotesis:

11
atau dengan interpretasi gambar:
Uji kenormalan Residual
Hipotesis:
Uji kecukupan model adalah:
H0 = Residual berdistribusi normal
H1 = Residual tidak berdistribusi normal
Kriteria:
Daerah penolakan adalah KS > KS (1-) pada sejumlah pengamatan
(n)tertentu, atau nilai sig < nilai toleransi.

4. Memeriksa Utilitas Model

Hubungan kandungan nikotin dalam suatu rokok dengan karbon monoksida yang
dihasilkan rokok perlu diperiksa secara statistic. Oleh karena itu, parameternya
perlu diuji dan dibandingkan dengan level toleransi yang ditentukan.
Uji parameter model menggunakan statistic t.
Hipotesis (untuk parameter 1)

12
Output taksiran parameter menunjukkan bahwa statsitik t untuk variabel nikotin
dalam rokok adalah 11,759 dan nilai sig bernilai 0 df = 25 2 = 23, nilai

(lihat tabel distribusi t), ini menunjukkan bahwa nilai t > ,

atau nilai sig = 0,000 < nilai toleransi, kesimpulannya adalah menolak hipotesis
awal artinya ada pengaruh kandungan nikotin dalam rokok terhadap karbon
monoksida yang dihasilkan oleh rokok bisa diterima
5. Memeriksa Ukuran Kecukupan
Untuk mengukur kecukupan model regresi, kita dapat melihat koefisien
determinasi (r2 = R square)
Interprestasi output

Nilai koefisien determinasi model regresi adalah 0,857 atau 85,7% artinya 85,7%
variasi sampel jumlah karbon monoksida yang dihasilkan suatu rokok dijelaskan
oleh kandungan nikotin dalam rokok, sedangkan hubungan antar variabel dapat
dilihat dari nilai R. diperoleh 0,926 sangat kuat (kriteria kuat R > nilai toleransi)

13
2.7 langkah-langkah dengan SPSS

14
15
16
17
(Rusdi, 2010)

18
 BAB III

KESIMPULAN

Analisis regresi merupakan salah satu alat statistik yang banyak

digunakan dalam berbagai bidang. Ada beberapa macam tipe dari analisis
regresi. Tipe yang pertama adalah analisis regresi linier sederhana yang
berfungsi untuk mengetahui hubungan linier antara dua variabel, satu variabel
dependen dan satu variabel independen. Tipe kedua adalah analisis regresi
linier berganda yang merupakan model regresi linier dengan satu variabel
dependen dan lebih dari satu variabel independen.
Pengertian analisis regresi adalah suatu analisis yang dilakukan
terhadap dua variabel yaitu variabel independen (prediktor) dan variabel
dependen (respon) untuk mengetahui apakah ada pengaruh variabel prediktor
terhadap variabel respon sehingga variabel respon dapat diduga berdasarkan
variabel prediktornya. Berdasarkan jumlah variabel independennya, analisis
regresi linier dibagi menjadi dua macam yaitu, analisis regresi linier sederhana
dan analisis regresi linier ganda. Pada analisis regresi linier sederhana, jumlah
variabel independen yang digunakan sebagai penduga variabel dependen
adalah satu. Sedangkan pada analisis regresi linier ganda, jumlah variabel
independen yang digunakan sebagai penduga variabel dependen adalah lebih
dari satu. (Wasilaine dkk, 2014).
Di bidang kedokteran gigi seringkali menggunakan analisis regresi
linier sederhana dan ganda untuk penelitian. Analisis regresi linier sederhana
terdapat satu variabel dependen (Y) dan satu variabel independen (X). Analisis
regresi linier ganda terdapat satu variable dependen (Y) dan lebih dari satu
variable independen (Xi) di mana i=1,2,3p, dengan tujuan memprediksi
nilai Y (variabel dependen) berdasarkan nilai X (variabel independen).

19
 Tujuan menggunakan analisis regresi ialah membuat estimasi rata-rata
dan nilai variabel tergantung dengan didasarkan pada nilai variabel bebas.
Menguji hipotesis karakteristik dependensi dan untuk meramalkan nilai rata-
rata variabel bebas dengan didasarkan pada nilai variabel bebas diluar
jangkauan sampel. (Sarwono, 2013)
DAFTAR PUSTAKA

Al Rasyid, Hadi dkk. 2014. Model Peramalan Konsumsi Bahan Bakar Jenis
Premium Di Indonesia Dengan Regresi Linier Berganda. Jurnal Ilmiah Teknik
Industri, Vol. 13, No. 2

Imran dkk. 2014. Penggunaan Model Regresi Linier untuk Menyatakan

Hubungan Fungsional Perubahan Konsentrasi Oksigen Terlarut terhadap
Parameter Fisika-kimia Air Sungai Secang Kulon Progo. Yogyakarta: Berkala
MIPA, 24(2)

Mujiyati dan Zakaria Wahab. 2016. Analisis Pengaruh Motivasi, Pengetahuan,

dan Sikap Konsumen Terhadap Pengambilan Keputusan Dalam Penggunaan
Orthodonsi Pada Siswa Sekolah Menengah Atas Negeri di Kota Palembang.
Jurnal Kedokteran Dan Kesehatan, Volume 3, No. 1, Januari 2016: 373-376

Nirmala Arum J, Dyah. 2012. Statistik Deskriptif & Regresi linier Berganda
dengan SPSS. Semarang: Semarang University Press

Rahmadeni dkk. 2014. Analisis Jumlah Tenaga Kerja Terhadap Jumlah Pasien
Rsud Arifin Achmad Pekanbaru Menggunakan Metode Regresi Gulud. Riau:
Jurnal Sains, Teknologi dan Industri, Vol. 12, No. 1, Desember 2014, pp. 48 57
ISSN 1693-2390 print/ISSN 2407-0939

Rusdi, Andi. 2010. Analisis Regresi. Surabaya.

Sarwono, Jonathan. 2013. 12 Jurus Ampuh SPSS Untuk Riset Skripsi. Jakarta:
Elexmedia Komputindo Kompas Gramedia

Sungkawa, Iwa. 2013. Penerapan Analisis Regresi Dan Korelasi Dalam

Menentukan Arah Hubungan Antara Dua Faktor Kualitatif Pada Tabel
Kontingensi. Jakarta: Jurnal Mat Stat, Vol. 13 No. 1 Januari 2013: 33-41

20
Suwarsito Pratimo, Dedi. 2012. Analisis Regresi Dan Korelasi Antara
Pengunjung Dan Pembeli Terhadap Nominal Pembelian Di Indomaret
Kedungmundu Semarang Dengan Metode Kuadrat Terkecil. Semarang:
Universitas Dian Nuswantoro, Ilmu Komputer, Teknik Informatika

Suyono. 2012. Analisis Regresi Untuk Penelitian. Yogykarta: Deepublish

Wasilaine dkk. 2014. Model Regresi Ridge Untuk Mengatasi Model Regresi
Linier Berganda Yang Mengandung Multikolinieritas. Ambon : Jurnal Barekeng
Vol. 8 No. 1 Hal. 31 37

21