Anda di halaman 1dari 17

REGRESI NON LINIER SEDERHANA MODEL HIPERBOLA

UNTUK MEMENUHI TUGAS MATA KULIAH

Analisis Regresi

Yang dibina oleh Bapak Hendro Permadi

oleh

Risna Widdy May Pamilu (150311604063)

Shima Kunaza Fazira (150311603603)

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

JURUSAN MATEMATIKA

OKTOBER 2018
BAB I
PENDAHULUAN
1.1 Latar Belakang
Regresi adalah salah satu metode peramalan yang dikenal dalam statistik.
Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan
sebab-akibat antara satu variabel dan variabel yang lain. Dalam dunia pendidikan,
regresi sangat sering digunakan oleh mahasiswa yang sedang menyelesaikan tugas
akhir.
Analisis regresi berguna untuk mengetahui pengaruh antara variabel bebas
(yang juga dikenal dengan prediktor) yang disimbolkan dengan 𝑥 dan variabel
terikat (yang juga dikenal dengan respon) yang disimbolkan dengan 𝑦 . Dalam
penelitian, variabel bebas adalah variabel yang dapat dimanipulasi oleh peneliti.
Misalnya seorang peneliti di bidang pendidikan yang mengkaji akibat dari berbagai
metode pembelajaran. Peneliti dapat menentukan metode pembelajaran (sebagai
variabel bebas) dengan menggunakan berbagai macam metode, seperti ekspositori,
ceramah, atau kooperatif. Dalam bahasa yang lebih lugas, variabel bebas adalah
variabel yang meramalkan sedangkan variabel terikat adalah variabel yang
diramalkan.
Variabel terikat adalah akibat yang ditimbulkan oleh variabel bebas.
Contohnya, kita mengkaji tentang hubungan antara metode pembelajaran yang
digunakan (variabel bebas) dengan tingkat pemahaman siswa. Maka dalam hal ini,
variabel terikatnya adalah tingkat pemahaman siswa. Jika kita meneliti hubungan
antara intensitas cahaya dan ketinggian tanaman kacang hijau, maka variabel
bebasnya ialah intensitas cahaya, sedangkan variabel terikatnya adalah ketinggian
tanaman kacang hijau.
Regeresi dapat digolongkan menjadi dua, yaitu regresi linier dan nonlinier.
Contoh regresi nonlinier antara lain regresi kuadratik, kubik, geometri, eksponen,
eksponen khusus, logistik, power, sigmoid, logaritmik, compound, dan hiperbola.
Meskipun terdapat banyak sekali bentuk regresi non linear yang biasa digunakan
tetapi di sini hanya akan membahas regresi hiperbola.
Dalam makalah ini, data akan diuji secara linier dan hiperbola dengan
menggunakan MiniTab sehingga dapat terlihat hubungan antara variabel bebas dan
terikatnya serta kecocokan dengan model regresi yang digunakan.
1.2 Rumusan Masalah

1. Bagaimana persamaan umum regresi hiperbola dan bentuk linear dari persamaan
tersebut?

2. Bagaimana penerapan regresi hiperbola dalam menganalisa data dengan


mengunakan MiniTab?

1.3 Tujuan

1. Menuliskan persamaan umum regresi hiperbola dan bentuk linear dari persamaan
tersebut.

2. Menerapkan regresi hiperbola dalam menganalisa data dengan menggunakan


MinTab.
BAB II

PEMBAHASAN

2.1 Persamaan Umum Regresi Non Linear Model Hiperbola


Persamaan umum regresi hiperbola adalah
1
𝑌𝑖 = + 𝜀𝑖
𝛽0 + 𝛽1 𝑋𝑖
Keterangan:
𝑌𝑖 : Nilai pengamatan ke 𝑖
𝑋𝑖 : Nilai peubah 𝑋 yang ke 𝑖
𝛽0 : Parameter
𝛽1 : Parameter dimana 𝛽1 ≠ 0
𝜀𝑖 : Galat ke 𝑖 yang diasumsikan berdistribusi bebas normal dengan nilai rata-rata 0
dan varians (𝜎 2 ) atau dapat ditulis dengan ∈ 𝑁𝐼𝐷(0, 𝜎 2 )
𝑖 : 1,2,3, . . . , 𝑛

Untuk menentukan persamaan regresi hiperbola dari himpunan data {(𝑋𝑖 , 𝑌𝑖 )|𝑖 =
1,2,3, … , 𝑛} yang diketahui, terlebih dahulu harus diketahui nilai dari parameter
𝛽0 dan 𝛽1, yang dapat diduga dahulu dengan model regresi taksiran, yaitu
1
𝑦𝑖 = + 𝑒𝑖
𝑎 + 𝑏𝑥𝑖

2.1.1 Transformasi Regresi Hiperbola ke Regresi Linear


Untuk menentukan nilai parameter 𝑎 dan 𝑏 dari persamaan regresi taksiran, dapat
digunakan metode kuadrat terkecil. Akan tetapi, bentukmdari persamaan regresi
taksiran haris terlebih dahulu ditransformasikan ke bentuk regresi linear, dengan
cara sebagai berikut
1
𝑦̂𝑖 =
𝑎 + 𝑏𝑥𝑖
1
= 𝑎 + 𝑏𝑥𝑖
𝑦̂𝑖

Dengan demikian hasil transformasi ke dalam bentuk linear adalah:

𝑦̂𝑖 ∗ = 𝑎 + 𝑏𝑥𝑖

1
dengan 𝑦̂𝑖 ∗ = 𝑦̂
𝑖
2.1.2 Menentukan Parameter Penduga dari Koefisien atau Parameter Regresi
Hiperbola
1
Koefisien atau parameter penduga dari persamaan 𝑌𝑖 = 𝛽 + 𝜀𝑖 adalah 𝑎 dan 𝑏,
0 +𝛽1 𝑋𝑖

dengan 𝑎 menduga nilai dari parameter 𝛽0 dan 𝑏 menduga nilai dari parameter 𝛽1.
Untuk menentukan rumus dari 𝑎 dan 𝑏 dapat dicari dengan metode kuadrat terkecil
sebagai berikut:
𝑛

𝑆 = ∑(𝑦𝑖∗ − 𝑦̂𝑖 ∗ )2
𝑖=1
𝑛

= ∑(𝑦𝑖∗ − 𝑦̂𝑖 ∗ )2
𝑖=1
𝑛
2 2
= ∑ 𝑦𝑖∗ − 2𝑦𝑖∗ 𝑦̂𝑖 ∗ + 𝑦̂𝑖 ∗
𝑖=1
𝑛
2
= ∑(𝑦𝑖∗ − 2 𝑦𝑖∗ (𝑎 + 𝑏𝑥𝑖 ) + (𝑎 + 𝑏𝑥𝑖 )2 )
𝑖=1
𝑛
2
= ∑(𝑦𝑖∗ − 2𝑦𝑖∗ (𝑎 + 𝑏𝑥𝑖 ) + 𝑎2 + 2𝑎𝑏𝑥𝑖 + 𝑏 2 𝑥𝑖2 )
𝑖=1
Dilanjutkan dengan meminimumkan fungsi 𝑆 diatas dengan cara
mendifferensialkan fungsi tersebut terhadap 𝑏 dan 𝑎, lalu disamakan dengan nol.
Untuk parameter 𝑎, fungsi 𝑆 didifferensialkan terhadap 𝑎.

𝑛
𝜕𝑆
= ∑(0 − 2𝑦𝑖∗ + 2𝑎 + 2𝑏𝑥𝑖 + 0)
𝜕𝑎
𝑖=1
𝑛

= ∑(−2𝑦𝑖∗ + 2𝑎 + 2𝑏𝑥𝑖 )
𝑖=1
𝑛

0 = 2 ∑(−𝑦𝑖∗ + 𝑎 + 𝑏𝑥𝑖 )
𝑖=1
𝑛

0 = ∑(−𝑦𝑖∗ + 𝑎 + 𝑏𝑥𝑖 )
𝑖=1
𝑛 𝑛

0= − ∑ 𝑦𝑖∗ + 𝑛𝑎 + 𝑏 ∑ 𝑥𝑖
𝑖=1 𝑖=1
𝑛 𝑛

𝑛𝑎 = ∑ 𝑦𝑖∗ − 𝑏 ∑ 𝑥𝑖
𝑖=1 𝑖=1
(∑𝑛𝑖=1 𝑦𝑖∗ − 𝑏 ∑𝑛𝑖=1 𝑥𝑖 )
𝑎=
𝑛
𝑎 = ̅̅̅
𝑌 ∗ − 𝑏𝑋̅
1
∑𝑛𝑖=1
𝑦𝑖 𝑏 ∑𝑛𝑖=1 𝑥𝑖
𝑎= −
𝑛 𝑛
Sedangkan untuk parameter 𝑏, fungsi 𝑆 didifferensialkan terhadap 𝑏.
𝑛
𝜕𝑆
= ∑(0 − 2𝑦𝑖∗ 𝑥𝑖 + 0 + 2𝑎𝑥𝑖 + 2𝑏𝑥𝑖2 )
𝜕𝑏
𝑖=1
𝑛

0 = ∑(−2𝑦𝑖∗ 𝑥𝑖 + 2𝑎𝑥𝑖 + 2𝑏𝑥𝑖2 )


𝑖=1
𝑛

0 = 2 ∑(−𝑦𝑖∗ 𝑥𝑖 + 𝑎𝑥𝑖 + 𝑏𝑥𝑖2 )


𝑖=1
𝑛

0 = ∑(−𝑦𝑖∗ 𝑥𝑖 + 𝑎𝑥𝑖 + 𝑏𝑥𝑖2 )


𝑖=1
𝑛 𝑛 𝑛

0= − ∑ 𝑦𝑖∗ 𝑥𝑖 + 𝑎 ∑ 𝑥𝑖 + 𝑏 ∑ 𝑥𝑖2
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛

𝑏 ∑ 𝑥𝑖2 = ∑ 𝑦𝑖∗ 𝑥𝑖 − 𝑎 ∑ 𝑥𝑖
𝑖=1 𝑖=1 𝑖=1
Substitusikan ̅̅̅
𝑌 ∗ − 𝑏𝑋̅ pada 𝑎, diperoleh
𝑛 𝑛 𝑛

𝑏 ∑ 𝑥𝑖2 = ∑ 𝑦𝑖∗ 𝑥𝑖 − ̅̅̅∗ −


(𝑌 𝑏𝑋̅) ∑ 𝑥𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛

𝑏 ∑ 𝑥𝑖2 = ∑ 𝑦𝑖∗ 𝑥𝑖 − ̅̅̅


𝑌 ∗ ∑ 𝑥𝑖 + 𝑏𝑋̅ ∑ 𝑥𝑖
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛 𝑛
∑𝑖=1 𝑥𝑖 ∑𝑖=1 𝑦𝑖∗
𝑏 ∑ 𝑥𝑖2 − 𝑏 ∑ 𝑥𝑖 = ∑ 𝑦𝑖∗ 𝑥𝑖 − ∑ 𝑥𝑖
𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛 𝑛
(∑𝑖=1 𝑥𝑖 )(∑𝑖=1 𝑥𝑖 ) ∑𝑖=1 𝑦𝑖∗
𝑏 (∑ 𝑥𝑖2 − ) = ∑ 𝑦𝑖∗ 𝑥𝑖 − ∑ 𝑥𝑖
𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1

∑𝑛𝑖=1 𝑦𝑖∗ 𝑛
∑𝑛𝑖=1 𝑦𝑖∗ 𝑥𝑖 − ∑𝑖=1 𝑥𝑖
𝑏= 𝑛
(∑𝑛 𝑥 )(∑𝑛 𝑥 )
(∑𝑛𝑖=1 𝑥𝑖2 − 𝑖=1 𝑖 𝑛 𝑖=1 𝑖 )

(𝑛 ∑𝑛𝑖=1 𝑦𝑖∗ 𝑥𝑖 − (∑𝑛𝑖=1 𝑦𝑖∗ )(∑𝑛𝑖=1 𝑥𝑖 )


𝑏=
𝑛 ∑𝑛𝑖=1 𝑥𝑖2 − (∑𝑛𝑖=1 𝑥𝑖 )2
𝑥 1
(𝑛 ∑𝑛𝑖=1 𝑦𝑖 − ∑𝑛𝑖=1 𝑦 ∑𝑛𝑖=1 𝑥𝑖 )
𝑖𝑖 𝑖
𝑏=
𝑛 ∑𝑖=1 𝑥𝑖2 − (∑𝑛𝑖=1 𝑥𝑖 )2
𝑛
2.2 PENERAPAN REGRESI HIPERBOLA
Berikut data jumlah pembeli di Supermarket “NGALAMANIA” selama bulan April.
Hari-Ke Jumlah Pembeli Hari-Ke Jumlah Pembeli
1 235 16 32
2 221 17 30
3 190 18 30
4 155 19 28
5 113 20 35
6 105 21 30
7 72 22 24
8 70 23 24
9 65 24 25
10 65 25 25
11 55 26 27
12 42 27 24
13 40 28 22
14 40 29 23
15 40 30 19

2.2.1 ANALISIS DENGAN MODEL LINEAR

Terlebih dahulu kita uji dengan uji linear kemudian dari gambar di atas kita mengetahui
bahwa 𝑅 − 𝑆𝑞 = 65,28%, sedangkan apabila data tersebut merupakan model linear
seharusnya 𝑅 − 𝑆𝑞 mendekati 95%. Jadi dari uji linear ini, kita mengetahui bahwa data
yang kita peroleh tidak cocok menggunakan model linear. Kita mencoba menguji data yang
diperoleh menggunakan model hiperbola.
2.2.2 ANALISIS REGRESI MENGGUNAKAN MODEL NON LINIER HIPERBOLA

a. Perhitungan secara manual


Persamaan regresi hiperbola ditransformasi menjadi bentuk linier yaitu
𝑦̂𝑖 ∗ = 𝑎 + 𝑏𝑥𝑖
1
dengan 𝑦̂𝑖 ∗ = 𝑦̂
𝑖

Parameter 𝑎 dan 𝑏 dapat diperoleh dari

1
∑𝑛𝑖=1 𝑏 ∑𝑛𝑖=1 𝑥𝑖
𝑦𝑖
𝑎= −
𝑛 𝑛
𝑥 1
(𝑛 ∑𝑛𝑖=1 𝑦𝑖 − ∑𝑛𝑖=1 𝑦 ∑𝑛𝑖=1 𝑥𝑖 )
𝑖𝑖 𝑖
𝑏=
𝑛 ∑𝑖=1 𝑥𝑖2 − (∑𝑛𝑖=1 𝑥𝑖 )2
𝑛

𝑋 1
𝑖 𝑋 𝑌 𝑋2
𝑌 𝑌
1 1 235 0,004255 0,004255 1
2 2 221 0,00905 0,004525 4
3 3 190 0,015789 0,005263 9
4 4 155 0,025806 0,006452 16
5 5 113 0,044248 0,00885 25
6 6 105 0,057143 0,009524 36
7 7 72 0,097222 0,013889 49
8 8 70 0,114286 0,014286 64
9 9 65 0,138462 0,015385 81
10 10 65 0,153846 0,015385 100
11 11 55 0,2 0,018182 121
12 12 42 0,285714 0,02381 144
13 13 40 0,325 0,025 169
14 14 40 0,35 0,025 196
15 15 40 0,375 0,025 225
16 16 32 0,5 0,03125 256
17 17 30 0,566667 0,033333 289
18 18 30 0,6 0,033333 324
19 19 28 0,678571 0,035714 361
20 20 35 0,571429 0,028571 400
21 21 30 0,7 0,033333 441
22 22 24 0,916667 0,041667 484
23 23 24 0,958333 0,041667 529
24 24 25 0,96 0,04 576
25 25 25 1 0,04 625
26 26 27 0,962963 0,037037 676
27 27 24 1,125 0,041667 729
28 28 22 1,272727 0,045455 784
29 29 23 1,26087 0,043478 841
30 30 19 1,578947 0,052632 900
Jumlah 465 3923 15,848 0,793941 9455
𝑥 1
(𝑛 ∑𝑛𝑖=1 𝑦𝑖 − ∑𝑛𝑖=1 𝑦 ∑𝑛𝑖=1 𝑥𝑖 )
𝑖𝑖 𝑖
𝑏= 𝑛
𝑛 ∑𝑖=1 𝑥𝑖2 − (∑𝑛𝑖=1 𝑥𝑖 )2
(30 × 15,848) − (0,793941 × 465)
=
(30 × 9455) − (4652 )

475,4300 − 369,1824
=
283650 − 216225
106,2575
= = 0,00157594
67425
1
∑𝑛𝑖=1 𝑏 ∑𝑛𝑖=1 𝑥𝑖
𝑦𝑖
𝑎= −
𝑛 𝑛
0,793941 − (0,00157594 × 465)
=
30
= 0,002038
1
Sehingga model regresinya 𝑦 ∗ = 𝑦 = 0,002038 + 0,00157594𝑥

1
Jika diubah ke bentuk awal menjadi 𝑦 = 0,002038+0,00157594𝑥

b. Analisis menggunakan minitab


Jika data di atas dihitung menggunakan minitab, maka diperoleh persamaan regresi
1
= 0,002038 + 0,001576𝑥. Hasil yang diperoleh mendekati hasil yang dihitung
y

secara manual.
Kita lihat pada gambar di atas bahwa 𝑅 − 𝑆𝑞 (koefisien determinasi)= 96,0%,
sedangkan dengan model linear hasilnya 𝑅 − 𝑆𝑞 (koefisien determinasi)= 65,3%.
Akibatnya, dapat disimpulkan bahwa perhitungan menggunakan model regresi non-
linier hiperbola lebih valid dari pada menggunakan model regresi linier.

2.3 ANALISIS MODEL REGRESI HIPERBOLA MENGENAI JUMLAH PEMBELI


SELAMA BULAN APRIL

1. Menguji model regresi

1
Model regresi = 0,002083 + 0,00157594𝑥 dapat diuji dengan menggunakan uji F
y
dengan hipotesis sebagai berikut.
𝐻0 : 𝛽1 = 0 artinya model regresi tidak berarti

𝐻1 : 𝛽1 ≠ 0 artinya model regresi berarti

 Terima 𝐻0 jika 𝐹hitung < 𝐹tabel


 Tolak 𝐻𝑜 jika 𝐹hitung > 𝐹tabel

Dengan menggunakan alat bantu Minitab, diperoleh:


Oleh karena data tersebut merupakan data lapangan, maka digunakan 𝛼 = 0,05. Dari
hasil tersebut, kita peroleh 𝐹hitung = 665,37. Sementara itu, dari tabel kita peroleh
𝐹tabel = 7,64. Oleh karena 𝐹hitung > 𝐹tabel dengan derajat bebas (1,28), maka
menolak 𝐻0 . Jadi, model regresi berarti atau dengan kata lain data tersebut sangat
mendukung adanya hubungan antara periode hari (𝑥) dengan jumlah pembeli di
supermarket (𝑦) selama bulan April. Akibatnya, dapat disimpulkan bahwa model
regresi signifikan.

2. Uji Koefisien Regresi


Untuk menguji koefisian regresi digunakan uji 𝑇, dengan hipotesis sebagai berikut:

𝐻0 : 𝛽1 = 0 artinya variabel bebas tidak berpengaruh terhadap variabel terikat

𝐻1 : 𝛽1 ≠ 0 artinya variabel bebas berpengaruh terhadap variabel terikat

Jika 𝑇ℎ𝑖𝑡𝑢𝑛𝑔 < 𝑇𝑡𝑎𝑏𝑒𝑙 , maka menerima 𝐻0

Jika 𝑇ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑇𝑡𝑎𝑏𝑒𝑙 , maka menolak 𝐻0

Dengan alat bantu minitab, diperoleh data sebagai berikut.


Oleh karena data tersebut merupakan data lapangan, maka digunakan 𝛼 = 0,05. Dari
hasil tersebut, kita peroleh 𝑇hitung = 25,79. Sementara itu, dari tabel kita peroleh
𝑇tabel = 2,045. Oleh karena 𝑇hitung > 𝑇tabel, maka menolak 𝐻0 . Jadi, variabel bebas
(𝑥) pada model regresi berpengaruh terhadap variabel terikat (𝑦). Atau dapat
disimpulkan bahwa periode hari mempengaruhi jumlah pembeli yang datang ke
supermarket Ngalamania.

3. Uji Normalitas Residual


1
Model regresi = 0,002083 + 0,00157594𝑥 memiliki residu yang dapat diuji apakah
y

residual tersebut berdistribusi normal ataukah sebaliknya. Hal ini dapat dilakukan
dengan menggunakan uji normalitas residual dengan hipotesis sebagai berikut.
𝐻0 : Residual berdistribusi normal.
𝐻1 : Residual tidak berdistribusi normal.
Untuk menentukan menolak atau menerima 𝐻0 , dilakukan perbandingan 𝑃𝑣𝑎𝑙𝑢𝑒
dengan suatu nilai 𝛼 (taraf kepercayaan) dengan 𝛼 = 0,05 karena data diperoleh dari
penelitian di lapangan.
Jika 𝑃𝑣𝑎𝑙𝑢𝑒 > 𝛼, maka gagal menolak 𝐻0
Jika 𝑃𝑣𝑎𝑙𝑢𝑒 < 𝛼, maka menolak 𝐻0
Dengan menggunakan alat bantu Minitab, diperoleh:
Dari tabel tersebut diperoleh residu, kemudian dengan menggunakan normality test diperoleh
𝑃𝑣𝑎𝑙𝑢𝑒 = 0,236 > 𝛼 = 0,05. Sehingga, dapat disimpulkan bahwa residual berdistribusi
normal.

4. Uji Kebebasan Residual


Selain dapat dilakukan uji normalitas residual, dapat pula dilakukan uji kebebasan
residual. Dengan menggunakan minitab (Stat → Time Series → Autocorrelation)
diperoleh gambar sebagai berikut.

Dari gambar terlihat bahwa garis biru tidak ada yang keluar atau melebihi garis merah,
sehingga dapat disimpulkan bahwa residual bebas.

5. Uji Homogenitas Residual


Pemeriksaan ini dilakukan dengan tujuan untuk mengetahui apakah sisa antara
variabel terikat dengan variabel bebas mempunyai keragaman yang homogen, atau
tidak menunjukkan kecenderungan tertentu. Jika standar sisa 95% berada diantara
(−2,2) secara merata maka sisa dikatakan berada dalam sebaran sehingga mempunyai
keragaman yang tetap. Sebenarnya jika asumsi kehomogenan ini terpenuhi maka
secara otomatis asumsi normalitas akan dipenuhi, jika asumsi ini tidak dipenuhi maka
dilakukan cara untuk mengatasi salah satunya dengan cara melakukan transformasi
terhadap data tersebut. Dengan menggunakan minitab diperoleh sebagai berikut.
Pada gambar sebelah kanan atas, terlihat bahwa standar sisa 95% berada antara (-2, 2)
atau (−0,005, 0,005) secara merata. Dengan kata lain sisa dikatakan berada dalam
sebaran sehingga keragamannya tetap (homogen).
BAB III
PENUTUP
Kesimpulan:

1. Persamaan umum regresi hiperbola adalah


1
𝑌𝑖 = + 𝜀𝑖
𝛽0 + 𝛽1 𝑋𝑖
Keterangan:
𝑌𝑖 : Nilai pengamatan ke 𝑖
𝑋𝑖 : Nilai peubah 𝑋 yang ke 𝑖
𝛽0 : Parameter
𝛽1 : Parameter dimana 𝛽1 ≠ 0
𝜀𝑖 : Galat ke 𝑖 yang diasumsikan berdistribusi bebas normal dengan nilai rata-
rata 0 dan varians (𝜎 2 ) atau dapat ditulis dengan ∈ 𝑁𝐼𝐷(0, 𝜎 2 )
𝑖 : 1,2,3, . . . , 𝑛

2. Dalam penerapan model regresi hiperbola pada data jumlah pembeli di


supermarket Ngalamania selama bulan April dapat disimpulkan:
1
a. Persamaan regresi hiperbolanya adalah 𝑦 = 0,002038+0,00157594𝑥

b. Perhitungan data menggunakan model regresi non-linier hiperbola lebih valid


dari pada menggunakan model regresi linier.
c. Data tersebut sangat mendukung adanya hubungan antara periode hari (𝑥)
dengan jumlah pembeli di supermarmet (𝑦) selama bulan April (signifikan).
d. Periode hari (𝑥) mempengaruhi jumlah pembeli (𝑦) di supermarket
Ngalamania selama bulan April.
e. Residual pada data tersebut berdistribusi normal, bebas, dan homogen.
DAFTAR PUSTAKA

Permadi, Hendro. 1999. Teknik Analisis Regresi. Malang: Universitas Negeri Malang.

Permadi, Hendro; Abadyo. 2005. Metoda Statistika Praktis. Malang: Universitas Negeri
Malang.