PENERAPAN UJI REGRESI LINIER BERGANDA

Dosen Pembimbing:
Ritna Udiyani S.Kep.,Ns.,M.Kep

Oleh :

Alda NIM 1114190632

Eka Nurdamayanti NIM 1114190633
Helda Aprilia NIM 1114190635
Mariatul Kiptiah NIM 1114190637

PROGRAM STUDI ILMU KEPERAWATAN

STIKES DARUL AZHAR BATULICIN
TAHUN 2022

1
 KATA PENGANTAR

Alhamdulillah segala puji bagi Allah yang Maha Pengasih lagi Maha Penyayang.
Dialah satu-satunya Dzat yang memberikan perlindungan dunia dan akhirat kelak. Dialah
sesungguhnya Maha pemberi petunjuk yang tiada dapat menyesatkan.Pertama-tama marilah
kita panjatkan puji syukur kehadirat Allah Swt yang senantiasa memberikan rahmat dan
karunia-Nya sehingga penulis dapat menyelesaikan makalah ini tepat pada waktunya.
Laporan ini dapat tersusun dengan baik berkat bantuan, bimbingan, masukan, dan
motivasi dari banyak pihak. Pada kesempatan ini, penulis mengucapkan terima kasih kepada:
1. Ritna Udiyani, S.Kep.,Ns.,M.Kep selaku Dosen pembimbing mata kuliah
Biostatistik yang telah memberikan masukan dan kesempatan sehingga penulis
dapat menyelesaikan laporan ini dengan baik.
2. Orang tua serta saudara-saudara tercinta atas do’a, motivasi, dan harapannya
sehingga penulis dapat menyelesaikan laporan ini dengan lancar.
3. Teman-teman yang telah memberikan motivasi dan masukan yang baik kepada
penulis sehingga bisa menyelesaikan laporan ini dengan lancar.
Mudah-mudahan amal baik mereka senantiasa mendapat pahala dan balasan yang
setimpal dari Allah Swt. Semoga makalah ini dapat bermanfaat bagi penulis khususnya dan
pembaca pada umumnya amin.

Simpang Empat, November 2022

Penulis

2
DAFTAR ISI

3
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang
seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
suatu variabel. Istilah regresi pertama kali dikemukakan oleh Sir Francis Galton (1822-
1911), seorang antropolog dan ahli meteorologi terkenal dari Inggris. Dalam makalahnya
yang berjudul "Regression towards mediocrity in hereditary stature, yang dimuat dalam
Journal of the Anthropological Institute, volume 15, hal. 246-263, tahun 1885.
Dalam mengkaji hubungan antara beberapa variabel menggunakan analisis
regresi, terlebih dahulu peneliti menentukan satu variabel yang disebut dengan variabel
tidak bebas dan satu atau lebih variabel bebas. Jika ingin dikaji hubungan atau pengaruh
satu variabel bebas terhadap variabel tidak bebas, maka model regresi yang digunakan
adalah model regresi linier sederhana. Kemudian Jika ingin dikaji hubungan atau
pengaruh dua atau lebih variabel bebas (variable prediktor) terhadap variabel tidak bebas,
maka model regresi yang digunakan adalah model regresi linier berganda (multiple
linear regression model). Pada model ini terdapat dua analisis yaitu analisi regresi ganda
dua prediktor dan analisis regresi tiga prediktor. (Ibnu Adam, 2019)
Berdasarkan pemaparan diatas, maka penulis ingin menjelaskan lebih lanjut
terkait penerapan uji regresi linier berganda beserta dengan pengaplikasiannya kedalam
SPSS

4
1.2. Rumusan Masalah
Bagaimana Penerapan Uji Regresi Linier Berganda ?
1.3. Tujuan
1.3.1. Umum
Untuk mengetahui Bagaimana Penerapan Uji Regresi Linier Berganda.
1.3.2. Khusus
a. Untuk mengetahui Bagaimana Uji Regresi Linier Berganda
b. Untuk mengetahui Bagaimana banyaknya asumsi Uji Regresi Linier Berganda
c. Untuk mengetahui Bagaimana mengaplikasikan Uji Regresi Linier Berganda
menggunakan SPSS

1.4. Manfaat
a. Penulis
Semoga dengan pembuatan makalah ini penulis dapat menambah wawasan dan
pengalaman tentang Penerapan Uji Regresi Linier Berganda
b. Institusi
Sebagai bahan pertimbangan dalam menyusun program pembelajaran serta
menentukan metode dan media pembelajaran yang tepat pada Uji Regresi Linier
Berganda
c. Masyarakat
Semoga dengan ada nya penyusunan makalah ini masyarakat dapat memahami
Bagaimana Uji Regresi Linier Berganda

5
 BAB II
TINJAUAN PUSTAKA

2.1 Definisi Regresi Linier Berganda

Istilah regresi dikembangkan oleh Galton. Galton melakukan analisis
perbandingan antara tinggi badan anak laki-laki dengan tinggi badan ayahnya.
Hasilnya disimpulkan bahwa rata-ratatinggi badan anak laki-laki dari ayah yang
tinggi kurang dibandingkan dengan rata-rata ayah mereka. Sebaliknya rata-rata tinggi
anak laki-laki dari ayah yang pendek, lebih dari rata-rata tinggi ayah mereka. (Nur
Padilah, 2019)
Regresi tidak lain adalah bentuk hubungan antara variabel prediktor dan
variable respon. Hubungan ini biasanya dinyatakan dalam bentuk persamaan
matematis yang bentuknya dapat linier maupun non-linier. Persamaan yang
dihasilkan merupakan sebuah prediksi yang menggambarkan hubungan antara
variabel prediktor dan variable respon. (Nur Padilah, 2019)
Regresi berkaitan erat dengan korelasi. Setiap regresi pasti ada korelasinya
tetapi korelasi belum tentu dilanjutkan dengan regresi. Korelasi yang tidak
dilanjutkan regresi adalah korelasi antara dua variabel yang tidak mempunyai
hubungan kausal sebab akibat atau hubungan fungsional. Oleh karena itu analisis
regresi dilakukan apabila hubungan dua variabel mempunyai hubungan kausal atau
hubungan fungsional. Analisis regresi terdiri atas berbagai jenis, salah satunya adalah
regresi linier berganda. Analisis regersi linier berganda adalah analisis yang
melibatkan lebih dari satu variabel bebas atau prediktor. Dalam bahasa Inggris,
model ini disebut dengan multiple linier regression. Perbedaan regresi linier
sederhana dengan regresi linier berganda adalah pada analisis regresi sederhana
hanya melibatkan satu variabel dependen dan satu variabel independen. Sedangkan
regresi linear berganda menggunakan jumlah variabel bebas yang berjumlah lebih
dari satu. Analisis regresi linier berganda dilakukan untuk mengetahui arah dan
sejauh mana pengaruh variabel independen terhadap variabel dependen. (Nur
Padilah, 2019)
Analisis regresi berganda digunakan oleh peneliti, ketika peneliti bermaksud
memprediksi bagaimana kondisi (naik turun) variabel dependen (kriteria), ketika dua
6 prediktor dimanipulasi (meningkatkan
atau lebih variabel independen sebagai faktor
atau menurunkan nilainya). Selain itu, regresi linier berganda digunakan untuk
mengetahui linearitas hubungan dua atau lebih variabel independen dengan satu
variable dependen dan dapat pula digunakan untuk memprediksi harga variabel
dependen jika harga-harga variabel independen diketahui. Rumus umum persamaan
linier regresi ganda adalah: Y=a+bIXI + b2X2 Sebelum menggunakan analisis
regresi ganda perlu dikontrol terhadap beberapa kondisi yang berkaitan dengan data.
Beberapa syarat yang harus dikontrol dan dipenuhi dalam analisis regresi ganda
dijelaskan Irianto (2017) sebagai berikut:
1. Sampel harus diambil secara acak (random) dari populasi yang berdistribusi
normal
2. Oleh karena sampel diambil dari populasi yang berdistribusi normal, maka
sampel juga harus berdistribusi normal. Normalitas dapat diatasi dengan
mengambil sampel banyak. Disamping itu, normalitas dapat diuji dengan
normalitas menggunakan uji Liliefors.
3. Data variabel terikat harus berskala interval atau skala ratio, sedangkan skala
untuk variabel bebas tidak harus interval atau ratio tetapi bisa juga untuk data
yang berskala lebih rendah. Dalam hal ini data variabel bebas diubah dengan
sistem coding (pemberian tanda tertentu).
4. Antara variabel bebas dengan variabel terikat mempunyai hubungan secara
teoritis dan melalui perhitungan korelasi sederhana dapat diuji signifikansi
hubungan tersebut. Jika ternyata antara variabel bebas dengan variabel terikat
tidak memiliki hubungan sederhana yang signifikan maka korelasi ganda pun
tidak akan signifikan.
5. Persamaan regresi yang terbentuk harus linier. Langkah-langkah perhitungan
dalam analisis regresi ganda dinyatakan sebagai berikut:
a) Menentukan persamaan regresi ganda Y atas X1, X2 dan X3.
b) Menguji signifikansi persamaan regresi ganda Y atas X1, X2 dan X3.
c) Menghitung koefisien korelasi ganda dan koefisien determinasinya.
d) Menguji signifikansi koefisien persamaan regresi ganda Y atas X1, X2 dan
X3.
e) Berikan kesimpulan atas semua hasil analisis yang telah diperoleh

7
2.2 Asumsi Regresi Linier Berganda
Regresi linier juga memiliki syarat atau asumsi yang harus terpenuhi agar model
prediksi yang dihasilkan nantinya bersifat BLUE (Best Linear Unbiased Estimation).
Asumsi pada regresi linier berganda antara lain:
1. Data interval atau rasio Skala data semua variabel terutama variabel terikat
adalah interval atau rasio. Asumsi ini tidak perlu diuji, cukup kita pastikan
bahwa data yang digunakan adalah data interval atau rasio (numeric atau
kuantitatif).
2. Linearitas Variabel bebas berhubungan dengan variabel terikat. Asumsi
linearitas diuji dengan uji linearitas regresi, misalnya dengan kurva estimasi.
Dengan kurva estimasi kita bisa menentukan ada hubungan linier atau tidak
dengan melihat nilai p value linearitas. Jika p value < 0,05 maka terdapat
hubungan yang linear antara prediktor dan response.
3. Normalitas residual adalah beda antara y dengan y prediksi. Dalam hal ini, y
adalah variabel terikat, sedangkan y prediksi adalah y hasil persamaan regresi
yang dibuat. Dengan demikian, residual dibangun dengan rumus y y prediksi.
Asumsi normalitas pada regresi linear adalah pada residualnya, bukan pada data
per variabel. 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 disebut dengan data pencilan atau data yang nilainya extreme atau
lain dari pada yang lainnya. Batasan outlier tidak bisa dilihat dari nilai absolut
studentized residual. Jika absolut studentized residual > 3, maka sampel atau
observasi yang dimaksud menjadi outlier.
5. Homoskedastisitas adalah sebuah kondisi saat 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 adalah keadaan saat terdapat interkorelasi atau korelasi
8
kuat antar variabel bebas di dalam model. Dinyatakan ada interkorelasi jika
korelasi antar variabel bebas di dalam model regresi linear berganda > 0,8.
 Beberapa pakar menggunakan batasan lebih dari 0,9. Cara lain yang lebih
objektif adalah dengan menggunakan nilai variance inflating factor (VIF) dan
tolerance. Dikatakan ada multikolinearitas jika nilai VIF > 10 dan/atau nilai
tolerance < 0,01. Berdasarkan uraian di atas, maka jelas sekali bahwa asumsi
multikolinearitas hanya ada dalam regresi linear berganda dan tidak ada pada
regresi linear sederhana. Sebab pada regresi linear berganda ada lebih dari satu
variabel bebas, sedangkan pada regresi linear sederhana hanya ada satu variabel
bebas.
7. Non 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.

2.3 Tutorial Penerapan Uji Regresi Linier Berganda kedalam SPSS

Analisis regresi linear berganda adalah Salah satu bentuk analisis regresi linier
di mana variabel bebasnya lebih dari satu. Analisis regresi adalah analisis yang dapat
digunakan untuk mengukur pengaruh suatu variabel bebas terhadap Variabel tidak
bebasnya.
Metode analisis ini menjadi salah satu analisis yang banyak digunakan karena
alasan mudah dan memiliki kekuatan yang cukup dalam menjelaskan suatu pengaruh
suatu variabel bebas ke variabel terikatnya. Ada banyak sekali kondisi yang dapat kita
uji dengan analisis regresi linier.
1. Sediakan data penelitian
Dalam kasus ini, untuk menambah pemahaman mengenai analisis regresi berganda,
kita lakukan ujicoba pengujian regresi berganda dengn SPSS, kita ambil salah satu
contoh dimana data yang kita masukkan adalah data fiktif.

i Y X1 X2 X3 X4 X5

1 521 18308 185 4 80 7,2

2 367 1148 600 0,6 1 8,5

3 443 18068 372 3,7 32 5,7

4 365 7729 142 9 2,4 45 7,3

i Y X1 X2 X3 X4 X5

5 614 100484 432 29,8 191 7,5

6 385 16728 290 3,3 32 5

7 286 14630 346 3,3 678 6,7

8 397 4008 328 0,7 341 6,2

9 764 38927 354 12,9 240 7,3

10 427 22322 266 6,5 112 5

11 153 3711 320 1,1 173 2,8

12 231 3136 197 1 12 6,1

13 524 50508 266 11,4 206 7,1

14 328 28886 173 5,5 155 5,9

15 240 16996 190 2,8 50 4,6

16 286 13035 239 2,5 30 4,4

17 285 12973 190 3,7 93 7,4

18 569 16309 241 4,2 97 7,1

19 96 5227 189 1,2 40 7,5

20 498 19235 358 4,8 489 5,9

21 481 44487 315 6 768 9

22 468 44213 303 9,3 164 9,2

23 177 23619 228 4,4 55 5,1

24 198 9106 134 2,6 55 8,6

25 458 24917 189 5,1 74 6,6

26 108 3872 196 0,8 6 6,9

27 246 8945 183 1,6 21 2,7

28 291 2373 417 1,2 11 5,5

29 68 7128 233 1,1 124 7,2

1
30 311 23624 349 7,7 1042 6,6
0
i Y X1 X2 X3 X4 X5

31 606 5242 284 1,5 13 6,9

32 512 92629 499 18 381 7,2

33 426 28795 231 6,6 136 5,8

34 47 4487 143 0,6 9 4,1

35 265 48799 249 10,8 265 6,4

36 370 14067 195 3,1 46 6,7

37 312 12693 288 2,8 30 6

38 222 62184 229 11,9 265 6,9

39 280 9153 287 1 960 8,5

40 759 14250 224 3,5 116 6,2

41 114 3680 161 0,7 9 3,4

42 419 18063 221 4,9 118 6,6

43 435 65112 237 17 65 6,6

44 186 11340 220 1,7 21 4,9

45 87 4553 185 0,6 61 6,4

46 188 28960 260 6,2 156 5,8

47 303 19201 261 4,9 73 6,3

48 102 7533 118 1,8 75 10,5

49 127 26343 268 4,9 90 5,4

50 251 1641 300 0,5 5 5,1

1
1
 2. Input Data ke dalam Aplikasi SPSS

Tutorial analisis regresi linier berganda dengan SPSS

1. Masukkan data fiktif ke SPSS (dalam tutorial ini menggunakan SPSS Versi 21)
2. Pada Menu Bar, pilih Analyze > Regression > Linear
3. Akan muncul jendela seperti dibawah ini:
4. Lalu, masukkan variabel Y ke bagian Dependent dan variabel X1, X2, X3, X4, dan
X5 ke bagian Independent(s), kemudian klik OK.

Tutorial analisis regresi linier berganda dengan SPSS

1
2
3. Tentukan Model Summary

4. Lakukan Uji Simultan

Diketahui p-value uji simultan 0,003 (lebih kecil dari). Berdasarkan hasil uji

simultan dapat dinyatakan bahwa terdapat cukup bukti untuk menyatakan bahwa
minimal ada satu βi yang tidak sama dengan nol atau dengan kata lain, minimal ada
satu variable bebas yang berpengaruh signifikan terhadap variable Y.

5. Buat Output Koefisien dan Signifikansi

Namun, pada hasil uji parsial tak ada satupun koefisien yang signifikan pada tingkat
signifikansi 5 persen.
1
3
6. Lakukan Pengujian Linearitas
Untuk menguji apakah asumsi Linieritas terpenuhi, kita dapat menggunakan plot
residual dengan fitted value (predicted value) atau bisa juga dengan plot residual
dengan variable independent (John Neter, 1989:118).

Cara menampilkan plot residual vs fitted value di SPSS:

1. Pilih menu Analyze >> Regression >> Linear
2. Masukkan variable dependent dan variable-variabel bebas
3. Klik Save >> centang pada Unstandardized Predicted Value dan Unstandardized
Residual>>Continue>>OK

1
4
4. Pilih menu Graphs >> Legacy Dialogs >> Scatter/Dot >> pilih Simple Scatter

5. Masukkan variable Unstandardized Residual sebagai Y dan Unstandardized

Predicted Value sebagai X >> OK

1
5
6. Maka akan muncul output seperti berikut.

Interpretasi plot:
Berdasarkan plot residual dengan fitted value tersebut, terlihat bahwa
tebaran nilai-nilai pada plot membentuk suatu pola acak, sehingga asumsi
linieritas terpenuhi.
7. Lakukan Pengujian Asumsi Normalitas
Untuk menguji asumsi Normalitas, dapat menggunakan analisis Normal
P-P Plot atau dengan uji-uji normalitas seperti uji Liliefors atau Kolmogorov-
Smirnov. Namun, pada saat ini kita akan menggunakan uji Kolmogorov-
Smirnov untuk menguji normalitas dari residual dari regresi.
a. Untuk melakukan uji normalitas, pastikan kita telah memiliki
variabel Unstandardized Residuals, yang kita dapatkan dari hasil uji
linearitas diatas.
b. Setelah itu, kita dapat melakukan uji Kolmogorov-Smirnov dengan
mengklik Analyze >> Nonparametric Test >> Legacy Dialogs >> 1-
Sample K-S
1
6
Kemudian akan muncul jendela seperti ini, dan masukkan
variabel UnstandardizedResiduals.

1
7
Lalu akan muncul hasil seperti berikut.

Kita perhatikan pada nilai Asymp. Sig. (2-tailed) yang merupakan p-

value untuk uji KS ini. P-Value atau Asymp. Sig. (2-tailed) yang dihasilkan
sebesar 0,652 yang lebih besar dari alpha=0,05. Hal ini menunjukkan
bahwa residual dari regresi telah memenuhi asumsi normalitas.

1
8
 BAB III
HASIL ANALISIS

Judul Jurnal : “Analisis Regresi Linier Berganda Dalam Estimasi Produk tivitas
Tanaman Padi Di Kabupaten Karawang” (Tesa Nur Padilah), Volume 5 No. 2 Bulan
Desember Tahun 2019

Karawang merupakan salah satu pusat penanaman padi di Pulau Jawa. Sebagai pusat
penanaman padi, sudah seharusnya produktivitas padi dari tahun ke tahun mengalami
peningkatan. Namun, produktivitas padi ternyata tidak konsisten, tahun 2015 mengalami
kenaikan sedangkan tahun 2016 mengalami penurunan. Oleh karena itu, diperlukan suatu
estimasi sehingga dapat diketahui produktivitas padi untuk tahun-tahun berikutnya.
Beberapa algoritma yang dapat digunakan untuk mengestimasi hubungan antar
variabel diantaranya regresi linier, fuzzy, dan jaringan syaraf tiruan. Regresi linier terbagi
menjadi regresi linier sederhana dan regresi linier berganda. Regresi linier berganda
digunakan untuk menelusuri pola hubungan antara variabel terikat dengan dua atau lebih
variabel bebas. Berdasarkan suatu penelitian, regresi linier berganda lebih baik jika
dibandingkan dengan metode fuzzy dan jaringan syaraf tiruan.
Oleh karena itu, masalah produktivitas padi di Kabupaten Karawang dapat diestimasi
dengan menggunakan analisis regresi linier berganda. Model regresi linier berganda dapat
dinyatakan dalam bentuk perkalian matriks. Selanjutnya, perhitungan nilai-nilai koefisien
regresi dapat dicari dengan menggunakan eliminasi Gauss.
Berdasarkan model regresi yang didapat, sebesar 80,46% faktor-faktor produktivitas
padi dapat dijelaskan oleh produksi, luas panen, luas tanam, curah hujan, dan hari hujan.
Sedangkan sisanya 19,54% dapat dijelaskan oleh faktor-faktor lain yang tidak diteliti dalam
penelitian ini. Variabel-variabel yang mempengaruhi peningkatan jumlah produktivitas yaitu
variabel produksi dan curah hujan, sedangkan variabel-variabel yang mempengaruhi
penurunan jumlah produktivitas yaitu variabel luas panen, luas tanam, dan hari hujan.
Ratarata kesalahan relatif regresi yang diperoleh yaitu 0,04642 atau 4,642%.

1
9
A. Identifikasi Variabel
Data yang digunakan adalah data perbulan yang berjumlah 57 data. Variabel terikat
pada penelitian ini adalah produktivitas padi (kw/ha). Data produktivitas padi dihasilkan
dari dua data utama yaitu data produksi dibagi dengan luas panen (Damiri & Ishak, n.d.).
Sedangkan variabel-variabel bebasnya yaitu produksi, luas panen, luas tanam, rata-rata
curah hujan, dan rata-rata hari hujan.
 Analisis Data Pengujian Asumsi Klasik
1. Uji Normalitas Uji normalitas menggunakan uji Kolmogorov-Smirnov (K-S)
dengan bantuan tools Minitab. Hasil uji normalitas untuk data produksi dapat
dilihat pada gambar berikut.

Gambar 1. Uji normalitas data produksi

Gambar 2. Uji Normalitas Data Luas Panen

2
0
 Gambar 3. Uji Normalitas Data Luas Tanam

Gambar 4. Uji Normalitas Data Rata-Rata Curah Hujan

Gambar 5. Uji Normalitas Data Rata-Rata Hari Hujan

Berdasarkan Gambar 1, 2, 3, 4, dan 5, nilai P-Value untuk data produksi, luas panen,
luas tanam, ratarata curah hujan, dan rata-rata hari
2 hujan masing-masing adalah >0,150;
1
0,110; >0,150; <0,010; dan 0,035. Data berdistribusi normal jika nilai P-value lebih dari 0,05.
Ini berarti variable produksi, luas panen, dan luas tanam berdistribusi normal, sedangkan
variable rata-rata curah hujan dan rata-rata hari hujan tidak berdstribusi normal.
Pada data yang tidak berdistribusi normal dilakukan transformasi Box-Cox.
Kemudian pada data hasil transformasi tersebut dilakukan uji normalitas, hasilnya sebagai
berikut.

Gambar 6. Uji Normalitas Data Hasil Transformasi

Berdasarkan Gambar 6, P-Value untuk data transformasi curah hujan dan transformasi
hari hujan keduanya bernilai >0,150. Ini berarti kedua variabel tersebut berdistribusi normal.
Dengan demikian, data yang akan digunakan selanjutnya adalah variabel produksi, luas
panen, luas tanam, transformasi curah hujan, dan transformasi hari hujan.

2
2
 BAB IV
KESIMPULAN DAN SARAN

4.1 Kesimpulan
Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang
seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
suatu variabel. Dalam analisis regresi terdapat dua jenis analisis yaitu analisis regresi
linier sederhana dan analisis regresi linier berganda. Analisis regersi linier sederhana
adalah analisis yang melibatkan satu variabel, sedangkan analisis regresi linier berganda
adalah analisis yang melibatkan lebih dari satu variabel bebas atau prediktor. Regresi
linier berganda digunakan untuk mengetahui linearitas hubungan dua atau lebih variabel
independen dengan satu variable dependen dan dapat pula digunakan untuk memprediksi
harga variabel dependen jika harga-harga variabel independen diketahui.

4.2 Saran
Sebaiknya mahasiswa/i mampu mempelajari dan memahami tentang Penerapan Uji
Regresi Linier Berganda

2
3
 DAFTAR PUSTAKA

Riza Ibnu Adam. 2019. ANALISIS REGRESI LINIER BERGANDA DALAM

ESTIMASI PRODUKTIVITAS TANAMAN PADI DI KABUPATEN
KARAWANG - Volume 5 No. 2 Jurnal Pendidikan Matematika dan
Matematika. ISSN : 2460 – 7797. https://jurnal.umj.ac.id/index.php/fbc

Aziz, K.W., Prasetyo, Y., & Sukmono, D. 2018. “ANALISIS REGRESI LINIER
TERHADAP POLA HISTOGRAM SPEKTRAL ALGORITMA NDVI,
EVI, DAN LSWI UNTUK MENGESTIMASI TINGKAT
PRODUKTIVITAS PADI (STUDI KASUS : KABUPATEN DEMAK,
JAWA TENGAH)”. Jurnal Geodesi Undip. Vol. 7

Nur Padilah. 2019. “PERAMALAN PRODUKSI DENGAN METODE REGRESI

LINIER BERGANDA”. Prozima. Vol. 1 (2), pp: 82-89.

2
4