BAB I

PENDAHULUAN

A. Latar Belakang
Statistik memegang peranan yang penting dalam penelitian, baik dalam
penyusunan model, perumusan hipotesa, dalam pengembangan alat dan instrumen
pengumpulan data, dalam penyusunan desain penelitian, dalam penentuan sampel
dan dalam analisa data. Dalam banyak hal, pengolahan dan analisa data tidak luput
dari penerapan teknik dan metode statistik tertentu, yang mana kehadirannya dapat
memberikan dasar bertolak dalam menjelaskan hubungan-hubungan yang terjadi.
Statistik dapat digunakan sebagai alat untuk mengetahui apakah hubungan
kausalitas antara dua atau lebih variabel benar-benar terkait secara benar dalam
suatu kausalitas empiris ataukah hubungan tersebut hanya bersifat random atau
kebetulan saja.
Sepanjang sejarah umat manusia, orang melakukan penelitian tentang ada
tidaknya hubungan antara dua hal, fenomena, kejadian atau lainnya dan ada tidak
nya pengaruh antara satu kejadian dengan kejadian yang lainnya. Karena itu untuk
mempermudah dalam melakukan perhitungan suatu kejadian-kejadian maka
digunakan regresi dalam ilmu statistika.
Dalam hal ini, ada banyak buku yang membahas mengenai regresi linier
berganda atau multivariat. Oleh karena itu, kita harus mengetahui isi buku tersebut
agar kita tahu bagaimana pemahaman isi buku tersebut dan kita bisa melakukan
perbandingan atau membandingkan buku satu dengan buku yang lainnya, atau bisa
disebut Critical book report.

B. Tujuan Penulisan
Tujuan penulisan critical book riview yaitu :
1. Untuk menambah wawasan tentang materi praktikum statistika matematika.
2. Untuk memenuhi tugas mata kuliah praktikum statistika matematika.
3. Mengembangkan pemikiran yang sistematis dan kritis.
4. Untuk menguatkan minat pembaca bagi generasi muda.
5. Mencari dan mengetahui informasi mengenai regresi linier berganda yang ada
didalam 2 buku

1
C. Manfaat Critical Book Review
Manfaat dari critical book review adalah mengembangkan budaya
membaca, berpikir sistematis & kritis, dan mengekspresikan pendapat.

D. Identitas Buku Yang Direview

Identitas Buku Utama
1. Judul : Analisis Regresi Untuk Penelitian
2. Edisi : Pertama
3. Pengarang : Prof. Dr. Suyono, M.Si
4. Penerbit : Deepublish
5. Kota terbit : Yogyakarta
6. Tahun terbit : 2018
7. ISBN : 978-602-453-823-1

Identitas Buku Pembanding

1. Judul : Analisis Regresi Dasar Dan Penerapannya
Dengan R
2. Edisi : Pertama
3. Pengarang : Robert Kurniawan & Budi Suniarto
4. Penerbit : Kencana
5. Kota terbit : Jakarta
6. Tahun terbit : 2016
7. ISBN : 978-602-422-034-1

2
 BAB II
RINGKASAN BUKU

A. Ringkasan Isi Buku Utama

1. Pendahuluan
Analisis regresi linear berganda  adalah pengembangan dari analisis regresi
linear sederhana dimana terdapat lebih dari satu variabel independen X. Analisis ini
digunakan untuk melihat sejumlah variabel independen X1 , X2 , … Xk  terhadap
variabel dependen Y berdasarkan nilai variabel-variabel independen X1 , X2 , … Xk.
Perbedaaan antara regresi sederhana dengan regresi berganda terletak pada jumlah
variabel bebasnya. Jika dalam regresi sederhana jumlah variabel bebas yang
digunakan untuk memprediksi variabel tergantung hanya satu, maka regresi
berganda jumlah variabel bebas yang digunakan untuk memprediksi variabel
tergantung lebih dari satu. Dalam regresi berganda seluruh variabel bebas
dimasukkan kedalam perhitungan regresi serentak. Dengan demikian dipeorleh
persamaan regresi guna memprediksi variabel terikat dengan memasukkan secara
serentak serangkaian variabel bebas. Dalam persamaan regresi dihasilkan konstanta
dan koefisien regresi bagi masing-masing variabel bebas.

2. Model Regresi Berganda

Regresi berganda digunakan unuk menganalisis hubungan kausal beberapa
variabel bebas (X) terhadap satu variabel tergantung (Ŷ). Model yang digunakan
untuk analisis regresi berganda sebagai berikut:
Ŷ = a + b₁X₁ + b₂X₂ + …. + bnXn
Ŷ = nilai yang diramalkan (diprediksi)
a  = konstanta/intercep
b₁  = koefisien regresi/slope untuk X₁
X₁ = variabel bebas X₁
b₂  = koefisien regresi/slope untuk X₁
X₂ = variabel bebas X₁
bn  = koefisien regresi/slope untuk Xn
Xn = variabel bebas Xn

3
3. Asumsi-asumsi model regresi linier berganda
Asumsi-asumsi pada model regresi linier berganda adalah sebagai berikut:
 Model regresinya adalah linier dalam parameter.
 Nilai rata-rata dari error adalah nol.
 Variansi dari error adalah konstan (homoskedastik).
 Tidak terjadi autokorelasi pada error.
 Tidak terjadi multikolinieritas pada variabel bebas.

 Error berdistribusi normal.

4. Estimasi Parameter Model Regresi Linier Berganda
Estimasi parameter ini bertujuan untuk mendapatkan model regresi linier berganda
yang akan digunakan dalam analisis. Pada materi pelatihan ini, metode yang
digunakan untuk mengestimasi parameter model regresi linier berganda adalah
metode kuadrat terkecil atau sering juga disebut dengan metode ordinary least
square (OLS). Metode OLS ini bertujuan meminimumkan jumlah kuadrat error.
Berdasarkan persamaan (2.2) dapat diperoleh penaksir (estimator) OLS untuk Q

adalah sebagai berikut yaitu Q^ = (XT X ) – 1XT Y. Penaksir OLS pada

persamaan (2.3) merupakan penaksir yang tidak bias, linier dan terbaik.

5. Pelanggaran – Pelanggaran Terhadap Asumsi Regresi Linier Berganda

Dalam analisis regresi linier berganda terdapat beberapa pelanggaran-
pelanggaran yang seringkali dilakukan terhadap asumsi-asumsinya, diantaranya
diuraikan berikut ini.
a. Multikolinieritas
Multikolinieritas adalah terjadinya hubungan linier antara variabel bebas dalam
suatu model regresi linier berganda (Gujarati, 2003). Hubungan linier antara
variabel bebas dapat terjadi dalam bentuk hubungan linier yang sempurna (perfect)
dan hubungan linier yang kurang sempurna (imperfect). Adapun dampak adanya
multikolinieritas dalam model regresi linier berganda adalah :
1) Penaksir OLS masih bersifat BLUE, tetapi mempunyai variansi dan
kovariansi yang yang besar sehingga sulit mendapatkan taksiran (estimasi)
yang tepat.
2) Akibat penaksir OLS mempunyai variansi dan kovariansi yang yang besar,

4
 menyebabkan interval estimasi akan cenderung lebih lebar dan nilai hitung
statistik uji t akan kecil, sehingga membuat variabel bebas secara statistik
tidak signifikan mempengaruhi variabel tidak bebas.
3) Walaupun secara individu variabel bebas tidak berpengaruh terhadap

variabel tidak bebas melalui uji t, tetapi nilai koefisien determinasi (R2)
masih bisa relatif tinggi.
Selanjutnya untuk mendeteksi adanya multikolinieritas dalam model regresi linier
berganda dapat digunakan nilai variance inflation factor (VIF) dan tolerance
(TOL) dengan ketentuan jika nilai VIF melebihi angka 10, maka terjadi
multikolinieritas dalam model regresi. Kemudian jika nilai TOL sama dengan 1,
maka tidak terjadi multikolinieritas dalam model regresi.
b. Heteroskedastisitas
Heteroskedastisitas adalah variansi dari error model regresi tidak konstan atau
variansi antar error yang satu dengan error yang lain berbeda. Dampak adanya
heteroskedastisitas dalam model regresi adalah walaupun estimator OLS masih
linier dan tidak bias, tetapi tidak lagi mempunyai variansi yang minimum dan
menyebabkan perhitungan standard error metode OLS tidak bisa dipercaya
kebenarannya. Selain itu interval estimasi maupun pengujian hipotesis yang
didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil
regresi. Akibat dari dampak heteroskedastisitas tersebut menyebabkan estimator
OLS tidak menghasilkan estimator yang BLUE dan hanya menghasilkan estimator
OLS yang linear unbiased estimator (LUE). Selanjutnya dilakukan deteksi masalah
heteroskedastisitas dalam model regresi. Salah satu cara yang dapat digunakan
untuk mendeteksi adanya heteroskedastisitas dalam model regresi adalah dengan
Metode Glejser. Glejser merupakan seorang ahli ekonometrika dan mengatakan
bahwa nilai variansi variabel error model regresi tergantung dari variabel bebas.
Selanjutnya untuk mengetahui apakah pola variabel error mengandung
heteroskedastisitas Glejser menyarankan untuk melakukan regresi nilai mutlak
residual dengan variabel bebas. Jika hasil uji F dari model regresi yang diperoleh
tidak signifikan, maka tidak ada heteroskedastisitas dalam model regresi.
c. Autokorelasi
Autokorelasi adalah terjadinya korelasi antara satu variabel error dengan variabel
error yang lain. Autokorelasi seringkali terjadi pada data time series dan dapat juga

5
terjadi pada data cross section tetapi jarang. Adapun dampak dari adanya
autokorelasi dalam model regresi adalah sama dengan dampak dari
heteroskedastisitas yang telah diuraikan di atas, yaitu walaupun estimator OLS
masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi yang minimum
dan menyebabkan perhitungan standard error metode OLS tidak bisa dipercaya
kebenarannya. Selain itu interval estimasi maupun pengujian hipotesis yang
didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil
regresi. Akibat dari dampak adanya autokorelasi dalam model regresi menyebabkan
estimator OLS tidak menghasilkan estimator yang BLUE dan hanya menghasilkan
estimator OLS yang LUE (Widarjono, 2007). Selanjutnya untuk mendeteksi adanya
autokorelasi dalam model regresi linier berganda dapat digunakan metode Durbin-
Watson. Durbin-Watson telah berhasil mengembangkan suatu metode yang
digunakan untuk mendeteksi adanya masalah autokorelasi dalam model regresi
linier berganda menggunakan pengujian hipotesis dengan statistik uji yang cukup
populer
Tabel Uji Statistik Durbin-Watson
Nilai Statistik Durbin- Hasil
Watson
0 < d < dL Menolak hipotesis nol; ada autokorelasi positif
dL ≤ d ≤ dU Daerah keragu-raguan; tidak ada keputusan
dU ≤ d ≤ 4 − dU Menerima hipotesis nol; tidak ada autokorelasi
positif/negatif
4 − dU ≤ d ≤ 4 − d L Daerah keragu-raguan; tidak ada keputusan
4 − dL ≤ d ≤ 4 Menolak hipotesis nol; ada autokorelasi positif
Salah satu keuntungan dari uji Durbin-Watson yang didasarkan pada error adalah
bahwa setiap program komputer untuk regresi selalu memberi informasi statistik d.
Adapun prosedur dari uji Durbin-Watson adalah :
1) Melakukan regresi metode OLS dan kemudian mendapatkan nilai errornya.
2) Menghitung nilai d dari persamaan pada tabel diatas (kebanyakan program
komputer secara otomatis menghitung nilai d).
3) Dengan jumlah observasi (n) dan jumlah variabel bebas tertentu tidak
termasuk konstanta (p-1), kita cari nilai kritis dL dan dU di statistik Durbin-
Watson.
4) Keputusan ada atau tidaknya autokorelasi dalam model regresi didasarkan
pada Tabel.

6
 Selain Kriteria uji seperti pada Tabel 6.1, dapat juga digunakan kriteria lain untuk
mendeteksi adanya autokorelasi dalam model regresi linier berganda adalah sebagai
berikut :
1) Jika nilai d < −2, maka ada autokorelasi positif.
2) Jika −2 ≤ d ≤ 2, maka tidak ada autokorelasi.
3) Jika nilai d > 2, maka ada autokorelasi negatif.

6. Analisis Korelasi Ganda (R)

Analisis ini digunakan untuk mengetahui hubungan antara dua atau lebih variabel
independen (X1, X2,…Xn) terhadap variabel dependen (Y) secara serentak.
Koefisien ini menunjukkan seberapa besar hubungan yang terjadi antara variabel
independen (X1, X2,……Xn) secara serentak terhadap variabel dependen (Y). nilai
R berkisar antara 0 sampai 1, nilai semakin mendekati 1 berarti hubungan yang
terjadi semakin kuat, sebaliknya nilai semakin mendekati 0 maka hubungan yang
terjadi semakin lemah. Pedoman untuk memberikan interpretasi koefisien korelasi
sebagai berikut:
0,00 - 0,199    = sangat rendah
0,20 - 0,399    = rendah
0,40 - 0,599    = sedang
0,60 - 0,799    = kuat
0,80 - 1,000    = sangat kuat

7. Analisis Determinasi (R2)

Analisis determinasi dalam regresi linear berganda digunakan untuk mengetahui
prosentase sumbangan pengaruh variabel independen (X1, X2,……Xn) secara
serentak terhadap variabel dependen (Y). Koefisien ini menunjukkan seberapa
besar prosentase variasi variabel independen yang digunakan dalam model mampu
menjelaskan variasi variabel dependen. R2 sama dengan 0, maka tidak ada
sedikitpun prosentase sumbangan pengaruh yang diberikan variabel independen
terhadap variabel dependen, atau variasi variabel independen yang digunakan
dalam model tidak menjelaskan sedikitpun variasi variabel dependen. Sebaliknya
R2 sama dengan 1, maka prosentase sumbangan pengaruh yang diberikan variabel
independen terhadap variabel dependen adalah sempurna, atau variasi variabel

7
 independen yang digunakan dalam model menjelaskan 100% variasi variabel
dependen. Adjusted R Square adalah nilai R Square yang telah disesuaikan, nilai ini
selalu lebih kecil dari R Square dan angka ini bisa memiliki harga negatif. Menurut
Santoso (2001) bahwa untuk regresi dengan lebih dari dua variabel bebas
digunakan Adjusted R2 sebagai koefisien determinasi. Standard Error of the
Estimate adalah suatu ukuran banyaknya kesalahan model regresi dalam
memprediksikan nilai Y. Dari hasil regresi di dapat nilai 870,80 atau Rp.870,80
(satuan harga saham), hal ini berarti banyaknya kesalahan dalam prediksi harga
saham sebesar Rp.870,80. Sebagai pedoman jika Standard error of the estimate
kurang dari standar deviasi Y, maka model regresi semakin baik dalam
memprediksi nilai Y.

B. Ringkasan Isi Buku Pembanding

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
Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan
kepemimpinan tetap, maka kepuasan kerja juga akan meningkat
Jika variabel kompensasi meningkat, dengan asumsi variabel motivasi dan
kepemimpinan tetap, maka kepuasan kerja juga akan meningkat.
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, karena ketiga variabel tersebut tidak mungkin bernilai

8
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.

Asumsi Klasik regresi Linear Berganda

Seperti halnya uji parametris lainnya, maka regresi linear juga mempunyai syarat
atau asumsi klasik yang harus terpenuhi. Agar model prediksi yang dihasilkan
nantinya bersifat BLUE (Best Linear Unbiased Estimation). Asumsi klasik pada
regresi linear berganda antara lain: Data interval atau rasio, linearitas, normalitas,
non outlier, homoskedastisitas, non multikolinearitas dan non autokorelasi.
1) Data Interval atau rasio.
Skala data semua variable terutama variable terikat adalah interval atau rasio.
Asumsi ini tidak perlu diuji, cukup anda pastikan bahwa data yang digunakan
adalah data interval atau rasio (numeric atau kuantitatif).

9
 2) Linearitas
Ada hubungan linear antara variable bebas dengan variable terikat. Asumsi
linearitas diuji dengan uji linearitas regresi, misalnya dengan kurva estimasi.
Dengan kurva estimasi kita bisa tentukan ada hubungan linear atau tidak dengan
melihat nilai p value linearitas. Jika p value < 0,05 maka terdapat hubungan yang
linear antara predictor dan response.
3) Normalitas Residual
Residual adalah beda antara y dengan y prediksi. Y adalah variable terikat,
sedangkan y prediksi adalah Y hasil persamaan regresi yang dibuat. Sehingga
residual dibangun dengan rumus: y – y prediksi. Asumsi normalitas pada regresi
linear adalah pada residualnya, bukan pada data per variabelnya. Uji Asumsi
normalitas regresi linear dapat diuji dengan berbagai metode uji normalitas,
seperti uji Shapiro wilk, lilliefors atau Kolmogorov smirnov, Anderson darling,
ryan joiner, Shapiro francia, jarque bera, skewness kurtosis test dan berbagai jenis
uji normalitas lainnya.
4) Non Outlier
Outlier disebut dengan data pencilan atau data yang nilainya extreme atau lain dari
pada yang lainnya. Batasan outlier atau tidak bisa dilihat dari nilai absolut
studentized residual. Jika absolut studentized residual > 3 maka sampel atau
observasi yang dimaksud menjadi outlier.
5) Homoskedastisitas
Homoskedastisitas adalah sebuah kondisi dimana varians dari error bersifat konstan
atau tetap. Dengan kata lain bahwa varians dari error bersifat identic untuk setiap
pengamatan. Kebalikan dari homoskedastisitas adalah heteroskedastisitas. Model
regresi linear berganda yang baik adalah model yang bebas dari kondisi
heteroskedastisitas. Untuk menguji homoskedastisitas regresi linear berganda,
dapat digunakan uji homoskedastisitas dari glejser, uji park, uji white, spearman
heteroskedastisitas, dan masih banyak uji lainnya.
6) Non Multikolinearitas
Multikolinearitas adalah keadaan dimana terdapat interkorelasi atau korelasi kuat
antar variable bebas di dalam model. Dinyatakan ada interkorelasi jika korelasi
antar variable bebas di dalam model regresi linear berganda > 0,8. Beberapa pakar
menggunakan batasan lebih dari 0,9. Cara lain yang lebih objektif adalah dengan

10
 menggunakan nilai variance inflating factor (VIF) dan tolerance. Dikatakan ada
multikolinearitas jika nilai VIF > 10 dan/atau nilai tolerance < 0,01.
7) Non Autokorelasi
Autokorelasi dapat diartikan bahwa terdapat korelasi antar waktu. Sehingga bisa
diartikan dengan mudah bahwa autokorelasi ini sering terjadi pada regresi linear
berganda dengan data time series atau runtun waktu. Dan jarang sekali terjadi pada
data cross section. Data runtun waktu ini misalnya data return saham sebuah
perusahaan per bulan dari tahun 2012 sd 2017. Sedangkan data cross section,
misalnya data hasil dari kuesioner yang disebarkan pada semua siswa sebuah kelas,
dimana hanya diukur satu kali saja.Ini bisa diuji dengan menggunakan nilai Durbin
Watson (DW) dan run test. Jika menggunakan uji Durbin Watson, dikatakan tidak
ada autokorelasi jika nilai DW hitung > Batas atas DW table dan (4 – DW Hitung)
> Batas atas DW Tabel.

Kesalahan Persepsi Tentang Asumsi Regresi Linear

Ada beberapa kesalahan klasik yang sering terjadi pada para peneliti yang masih
awal belajar untuk meneliti. Terutama yang masih awal berkenalan dengan regresi
linear berganda. Yaitu: lebih dulu melakukan uji asumsi klasik baru kemudian
melakukan uji regresi linear. Seharusnya, dari sekian banyak asumsi yang ada
dalam regresi linear berganda, hanya asumsi linearitas yang harus dilakukan
terlebih dulu. Dan uji linearitas regresi hanya dilakukan jika tujuan dari dibuatnya
model regresi adalah untuk mebentuk model terbaik. Sedangkan jika tujuannya
untuk sekedar menjawab hipotesis, maka asumsi linearitas ini bisa diabaikan.
Asumsi multikolinearitas bisa dilakukan sebelum uji regresi, sebab yang digunakan
adalah data per variable. Sedangkan asumsi yang lainnya haruslah setelah
dilakukan uji regresi. Alasannya adalah: uji normalitas, outlier, homoskedastisitas
dan autokorelasi menggunakan nilai error atau residual sebagai parameternya.

BAB III
PEMBAHASAN

A. Pembahasan Isi Buku

11
 Kedua buku ini membahas mengenai regresi linier berganda tetapi keluasan
pembahasan dalam membahas materi mengenai regresi linier berganda di kedua
buku ini sedikit berbeda-beda. Pada buku utama dan buku pembanding, setiap
pembahasan dilengkapi dengan penyelesaian contoh-contoh yang langsung pada
penerapannya, misal nya pada bidang pendidikan.
Pada buku utama, dibahas mengenai analisis regresi berganda dimana buku
utama tersebut disertai dengan contoh-contoh soal dan penyelesaiannya, baik secara
manual maupun dengan program SPSS. Menurut saya, hal tersebut sangat
membantu pembaca dalam menyelesaikan soal-soal lain terkait dengan analisis
regresi linier berganda karena materi yang dibahas dibuat lengkap. Salah satu
keunikan dari buku utama ini adalah disertai dengan gambar atau printscreen dari
program SPSS sehingga pembaca dapat langsung mengaplikasikannya pada
program SPSS. Pada akhir bab, penulis juga memberikan beberapa soal-soal latihan
yang sekiranya dapat mengasah pemahaman pembaca terkait analisis regresi linier
berganda.
Pada buku pembanding, penulis menguraikan isi materi terlalu singkat
sehingga informasi yang diperoleh pun tentu lebih sedikit dibandingkan dengan
buku utama. Selain itu pada beberapa persamaan sering ditemui bentuk persamaan-
persamaan tanpa disertai keterangan tentang persamaan tersebut, berbeda dengan
buku utama yang memaparkan materi lebih jelas dan setiap ada persamaan selalu
disertai dengan keterangan tentang persamaan tersebut. selai itu contoh-contoh soal
terkait analisis regresi linier berganda yang dipaparkan pada buku pembanding ini
tidak disertai dengan pengaplikasian nya menggunakan program SPSS seperti pada
buku utama. Penerapan program SPSS dalam analisis regresi linier berganda tentu
memberikan kelebihan tersendiri karena pembaca bisa mendapatkan informasi dan
ilmu yang lebih luas lagi.

B. Kelebihan Dan Kekurangan

1. Dilihat dari aspek tampilan buku (Face Value), buku yang direview adalah sudah
cukup menarik untuk dibaca dibandingkan buku pembanding. Namun ada sedikit
kekurangan yaitu warna sampul buku sedikit dicerahkan agar para pembaca tertarik

12
 untuk membaca buku yang direview tersebut seperti pada sampul buku
pembanding.
2. Dari aspek layout dan tata letak, serta tata tulis, termasuk penggunanaan font adalah
buku yang direview lebih unggul dibandingkan dengan buku pembanding.
3. Dari aspek isi buku, buku yang di review penjelasan rumusnya lebih jelas atau lebih
mudah di pahami sebab dibuku ini menjelaskan tentang darimana asal rumusnya
diturunkan. Dan juga dibuku ini memberikan contoh-contoh yang beragam
sehingga membuat pembaca lebih memahami isi materi tersebut.
4. Dari aspek tata bahasa, buku utama dan buku pembanding sudah lumayan cukup
bagus sehingga pada buku utama dan pembanding jika dibaca mudah untuk
memahami materi yang ada didalamnya..

BAB IV
PENUTUP

A. Kesimpulan

13
 Analisis regresi linear berganda  adalah pengembangan dari analisis regresi
linear sederhana dimana terdapat lebih dari satu variabel independen X. Analisis ini
digunakan untuk melihat sejumlah variabel independen X1 , X2 , … Xk  terhadap
variabel dependen Y berdasarkan nilai variabel-variabel independen X1 , X2 , … Xk.
Buku pertama dan kedua ini sudah sangat baik untuk menjadi
referensi bagi pembaca yang mempelajari tentang program praktikum
statistika. Kelebihan dari buku pertama atau utama didalamnya sangat luas
pembahasannya. Contoh yang diberikan sangat jelas langkah-langkah dalam
menyelesaikannya yang dipaparkan oleh penulis, sehingga mudah untuk
diterapkan dalam mengerjakan latihan soal-soal. Memberikan banyak soal-
soal latihan agar pembaca dapat lebih memahami setiap materi yang
dibacanya.

B. Saran
Penulisan buku pertama dan kedua sudah sangat baik dari
pembahasannya materi analisis regresi linier berganda. Meskipun begitu
bahkan seorang ahli pun tetap memerlukan kritik dan saran yang membangun
untuk kepenulisan buku berikutnya. Menurut saya sebagai pembaca, buku
ketiga ini akan lebih bagus lagi jika setiap setiap pembahasan rumus diberikan
kata-kata yang menjelaskan rumus tersebut, langkah-langkah yang jelas dan
contoh yang relevan untuk lebih mudah memahaminya materi serta
memberbanyak memberikan contoh dab latihan. Penulis banyak berharap
kepada para pembaca untuk memberikan kritik dan saran yang membangun
kepada penulis demi sempurnanya karya tulis ilmiah ini dan penulisan karya-
karya tulis ilmia di kesempatan – kesempatan berikutnya. Semoga tugas ini
berguna bagi penulis dan khususnya juga bagi para pembaca.

DAFTAR PUSTAKA

Robert Kurniawan & Budi Suniarto, 2016. Analisis Regresi Dasar Dan
Penerapannya Dengan R. Jakarta : Kencana.
Suyono, 2018. Analisis Regresi Untuk Penelitian. Yogyakarta : Deepublish.
14
15