LAPORAN PRAKTIKUM

STATISTIKA
“ANALISIS REGRESI LINEAR”

DISUSUN OLEH
Nama : Fajar Shufi Fauzianto
NPM : 21034010144
Kelompok : C4

DOSEN PENGAMPU
Restu Hikmah Ayu Murti, S.ST., M.Sc.
ASISTEN LABORATORIUM
Anggit Salis Media U

PROGRAM STUDI TEKNIK LINGKUNGAN

FAKULTAS TEKNIK
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
2022
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Dalam kehidupan sehari-hari, berdampingan dengan kecanggihan teknologi
yang terus menerus berkembang sudah menjadi hal yang biasa. Berbagai bidang pun
mengalami efek dari kecanggihan teknologi ini, salah satunya di bidang pengolahan
data, hadirnya big data dalam kehidupan sehari-hari diperlukan penerapan teknik
analisis data yang sesuai. Berbagai contoh teknik analisis data pun beragam dan
sudah tidak asing lagi digunakan karena sudah menadi kebutuhan.
Proses pengolahan data mentah menjadi informasi berharga banyak
menggunakan ilmu statistika. Statistika dan statistik memiliki makna yang berbeda.
Metode statistik (statistics) sebagai terjemahan dari kata statistika yakni prosedur
mulai dari data dikumpulkan hingga ditarik suatu kesimpulan (Sumanto, 2014).
Pengertian dari statistik adalah kumpulan dari data-data yang digambarkan dalam
bentuk gambar, diagram atau bentuk yang lain, seperti jumlah penduduk. Sedangkan
statistika mengacu pada salah satu cabang ilmu yang mempelajari tentang bagaimana
mengumpulkan, mengolah, menganalisis, menyajikan, interpretasi data dan
mengambil kesimpulan.
Secara umum, teknik pengolahan data statistika terbagi menjadi dua jenis,
yaitu teknik pengolahan data statistika deskriptif dan statistika inferensial. Statistika
deskriptif sesuai dengan namanya akan bertugas untuk mendeskripsikan data,
sementara statistika inferensial telah masuk ke tingkatan pengolahan data lebih lanjut
dimana akan berhubungan dengan hipotesis dan estimasi. Statistik inferensial
adalah metode yang menggunakan rumus statistik dan hasil perhitungannya
dijadikan sebagai pedoman dalam membuat kesimpulan secara umum atau
mengeneralisasikannya. Statistik inferensial memungkinkan untuk membuat
prediksi dari data tersebut. Dengan menggunakan statistik inferensial dapat
mengambil data sampel untuk mengamati atau memprediksi kasus dalam suatu
populasi. Biasanya teknik statistik yang digunakan yaitu uji-T, ANOVA, korelasi,
dan regresi. Analisis regresi adalah salah satu teknik analisis dalam penelitian
kuantitatif. Teknik analisis regresi ini bertujuan menentukan hubungan sebab akibat
antara satu variabel dengan variabel lainnya. Lebih jelasnya, analisis regresi ini
 berguna untuk mengetahui variabel bebas mana saja yang berhubungan dengan
variabel terikat. Manfaat lain dari analisis regresi adalah menunjukkan hasil rata-rata
dan nilai hubungan antar variabel, dan untuk menguji hipotesis yang ingin diketahui
hasilnya.
Pada praktikum kali ini membahas tentang analisis regresi sederhana. Setelah
melaksanakan praktikum ini diharapkan mampu menemukan korelasi antara variabel
dependen dan sejumlah variabel independen dan memperkirakan bagaimana satu
atau lebih variabel dapat mempengaruhi variabel terikat untuk mengidentifikasi trend
dan pola.

1.2 Tujuan Praktikum

Berdasarkan praktikum yang telah dilakukan, praktikum ini bertujuan untuk:
1. Memahami dasar dari Analisis Regresi Linear.
2. Mengukur kekuatan hubungan antara variabel respond an variabel predictor.
3. Memprediksi pengaruh suatu variabel atau beberapa variabel prediktor
terhadap variabel respon.

1.3 Ruang Lingkup

Adapun ruang lingkup dari praktikum ini, yaitu:
1. Praktikum Uji Normalitas ini dilaksanakan secara daring melalui melalui
platform zoom meeting dan e-learning Program Studi Teknik Lingkungan
Fakultas Teknik UPN “Veteran” Jawa Timur pada Rabu, 09 November 2022.
2. Praktikum ini dilaksanakan dengan menggunakan dan menganalisa data dari
penelitian jurnal yang berjudul “Penurunan Kandungan Polutan Pada Air
Limbah Industri Tempe Menggunakan Moving Bed Biofilm Reactor
(MBBR)”
3. Pelaksanaan praktikum statistika menggunakan software MiniTAB dengan
proses pengujian Analisis Regrei Linear.
 BAB II

TINJAUAN PUSTAKA

2.1 Analisis Regresi Secara Umum

Analisis regresi merupakan alat statistik yang banyak digunakan dalam
berbagai bidang. Analisis regresi memiliki dua tugas utama yaitu memberikan dasar
untuk mengadakan prediksi dan memberikan dasar untuk pembicaraan mengenai
analisis kovariansi (Hadi S, 2004). Analisis tersebut bertujuan untuk mengetahui
hubungan antara variabel. Kata variabel didefinisikan sebagai karakteristik dari
objek yang diteliti. Terdapat dua jenis variabel dalam analisis regresi yaitu variabel
respon atau disebut dengan variabel dependen (Y) dan variabel prediktor atau disebut
variabel independen (X). Variabel respon (Y) dinyatakan juga sebagai variabel yang
dipengaruhi dan variabel prediktor (X) dinyatakan juga sebagai variabel yang
mempengaruhi. Ada tiga macam tipe dari analisis regresi. Tipe yang pertama adalah
regresi linier sederhana yang berfungsi untuk mengetahui hubungan linier antara dua
variabel, satu variabel dependen dan satu variabel independen. Tipe kedua adalah
regresi linier berganda yang merupakan model regresi linier dengan satu variabel
dependen dan lebih dari satu variabel independen. Tipe ketiga adalah regresi non
linier yang berasumsi bahwa hubungan antara variabel dependen dan variabel
independen tidak linier pada parameter regresinya (Yan and Gang Su, 2009).
Pada prinsipnya analisis regresi digunakan untuk membentuk suatu
persamaan yang harapannya dapat membantu dalam proses memprediksi nilai
variabel terikat dari variabel-variabel bebas yang ada dalam persamaan tersebut.
Karena keunggulannya dalam meramalkan nilai variabel terikatnya, analisis regresi
merupakan metode analisis yang populer dikalangan mahasiswa dan dosen untuk 5
keperluan penelitian (Yudiaatmaja F, 2013). Oleh karena itu analisis regresi perlu
dipelajari untuk mempermudah proses penelitian utamanya terkait penentuan
hubungan variabel bebas dan variabel terikatnya.

2.2 Analisis Regresi Linear Sederhana

Analisis regresi merupakan metode statistika yang banyak digunakan dalam
penelitian. Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada
tahun 1986. Secara umum, analisis regresi adalah kajian terhadap hubungan satu
variabel yang disebut sebagai variabel yang diterangkan dengan satu atau dua
variabel yang menerangkan. Variabel yang diterangkan selanjutnya disebut sebagai
variabel respon, sedangkan variabel yang menerangkan biasa disebut variabel bebas
(Gujarati, 2003).
Analisis ini merupakan analisis regresi yang hanya terdiri terdiri dari satu
variabel dependen dan satu variabel independen. Variabel Metode ini adalah metode
pertama yang dipelajari untuk memahami konsep dari regresi sendiri. Di dalam
regresi ini, variabel independen ini akan digunakan untuk menjelaskan atau
memprediksi hasil dari variabel dependen. Fokus utama dalam model regresi linier
sederhana terletak pada model yang menggunakan satu variabel independen X untuk
mengestimasi nilai variabel dependen Y (Wahana Komputer, 2009). Pada analisis
regresi sederhana biasa digunakan untuk mengetahui hubungan antara variabel
dengan satu variabel respon serta satu variabel predictor. Persamaan umum regresi
linier sederhana adalah (Supranto, 2001):
y = an + bx
Keterangan:
y : Subyek dalam variabel dependen yang dihasilkan
a : Harga y bila n = 0 (harga konstan)
b : Angka arah atau koefisien regresi, yang menunjukkan angka peningkatan
ataupun penurunan variabel dependen yang didasarkan pada variabel
independen. Bila b (+) maka naik, dan bila (-) maka terjadi penurunan.
n : Subyek pada variabel independen yang mempunyai nilai tertentu

Dimana, a dan b adalah dua parameter pada analisis regresi yang disebut
sebagai intercept (a) dan slope (b) (Walpole dan Myers, 1986). Pada analisis regresi
intercept didefinisikan sebagai adalah rata-rata variabel respon (Y) saat variabel
prediktor (X) bernilai 0. Sedangkan slope didefinisikan sebagai nilai yang
menunjukkan seberapa besar kontribusi atau pengaruh yang diberikan oleh suatu
variabel predikor (X) terhadap variabel respon (Y) atau dapat diartikan sebagai rata-
rata pertambahan atau pengurangan pada variabel Y untuk setiap peningkatan satu
satuan variabel X.
Pada regresi linear sederhana terdapat istilah koefisien determinasi. Koefisien
determinasi mencerminkan seberapa besar kemampuan variabel bebas dalam
menjelaskan varians variabel terikatnya. Mempunyai nilai antara 0 – 1 di mana nilai
yang mendekati 1 berarti semakin tinggi kemampuan variabel bebas dalam
menjelaskan varians variabel terikatnya (Kuncoro, 2011).
Tabel T Presentase Distribusi

Selain itu juga terdapat nilai t hitung dan F hitung. Nilai t hitung > t tabel
berarti ada pengaruh yang signifikan antara variabel bebas terhadap variabel terikat,
atau bisa juga dengan signifikansi di bawah 0,05 untuk penelitian sosial, dan untuk
penelitian bursa kadang-kadang digunakan toleransi sampai dengan 0,10.
Tabel F Regresi Linear

Sedangkan F hitung dilihat pada F Tabel. F tabel adalah suatu nilai tertentu
yang digunakan sebagai pembanding, apakah sebuah pengujian yang menggunakan
f hitung dikatakan signifikan atau tidak. Seperti yang kita ketahui sebelumnya, kata
signifikan dapat digambarkan bahwa terima H1 yang dalam artian adalah menerima
hipotesis alternatif (Hasan, 2010).
 BAB III

DATA

3.1 Data Penelitian

Berikut merupakan data yang akan diuji analisis regresi linear sederhana
menggunakan aplikasi MiniTab. Uji yang dilakukan adalah Analisis Statistik Regresi
Linear Sederhana. Data yang digunakan untuk Analisis Statistik Regresi Linear
Sederhana ini berasal dari penelitian jurnal yang berjudul “Pengaruh Derajat
Keasaman, Tegangan dan waktu kontak pada pengolahan limba cair tinja dengan
metode elektrokoagulasi” pada tahun 2010, Namun pada praktikum kali ini, data
yang dirunningkan hanya variabel waktu

PH/tegangan 30 Menit 60 Menit 90 Menit

pH 5, 3 200 190 180

pH 5, 6 190 180 170

pH 5, 9 180 150 140

pH 5, 12 160 140 130

ph 6, 3 130 120 100

pH 6, 6 120 110 90

pH 6, 9 100 80 80

pH 6, 12 90 70 70

pH 7, 3 120 120 110

pH 7, 6 110 100 90

pH 7, 9 90 90 80

ph 7, 12 80 80 70

pH 8, 3 110 100 50

pH 8, 6 100 90 40

pH 8, 9 80 80 30

pH 8, 12 70 60 20

pH 5, 3 200 190 180

3.2 Variabel
 Variabel dalam penelitian terdiri dari dua jenis, yaitu variabel dependen
(variabel terikat) dan independen (variabel bebas). Parameter yang digunakan adalah
waktu dalam satuan jam, kadar 30 Menit, kadar 60 Menit, kadar 90 Menit, kadar NH3
dan kadar PO4. Adapun variabelnya terbagi dalam data sebagai berikut:
1. Variabel Dependen/Respon/simbol Y
• Kadar 30 Menit
• Kadar 60 Menit
• Kadar 90 Menit
2. Variabel Independen/Predictor/simbol X
• Waktu dalam satuan jam
 BAB IV

LANGKAH PENGOLAHAN DATA

4.1 Langkah – Langkah Analisis Regresi Linear Sederhana (Menampilkan Grafik)

Berikut ini merupakan langkah-langkah pengolahan data statistik
menggunakan software Minitab:
1. Buka software Minitab
2. Masukkan data (data pada Bab III) ke dalam worksheet atau lembar kerja.

3. Isikan variabel data ke dalam kolom C1 dan beri nama kolom C1 dengan “30
Menit”
4. Isikan variabel data ke dalam kolom C2 dan beri nama kolom C2 dengan “60
Menit”
5. Isikan variabel data ke dalam kolom C3 dan beri nama kolom C3 dengan “90
Menit” dan seterusnya.
6. Simpan dalam Project dengan nama M4 Analisis Regresi Linear.MPJ dan
simpan dalam worksheet dengan nama M4 Waktu 30 Menit, 60 Menit dan
90 Menit.MTW
7. Pilih >Stat>Regression>Fitted Line Plot

Layar monitor akan memperlihatkan kotak dialog Fitted Line Plot seperti
pada gambar :
 8. Dalam Response (Y), masukkan COD

9. Dalam Predictor (X), masukkan Waktu

10. Kotak dialog menyediakan 3 model regresi. Untuk membuat regresi linear
sederhana, pilih Linear dibawah Type of Regression Model

11. Selanjutnya klik OK.

4.2 Langkah – Langkah Pengolahan Data Analisis Regresi Linear Sederhana
(Tanpa Menampilkan Grafik, Tetap Menguji Residual Berdistribusi Normal)
Berikut ini merupakan langkah-langkah pengolahan data statistik
menggunakan software Minitab:
1. Masukkan data (data pada Bab III) ke dalam worksheet atau lembar kerja.

2. Isikan variabel data ke dalam kolom C1 dan beri nama kolom C1 dengan “30
Menit”
3. Isikan variabel data ke dalam kolom C2 dan beri nama kolom C2 dengan “60
Menit”
4. Isikan variabel data ke dalam kolom C3 dan beri nama kolom C3 dengan “90
Menit” dan seterusnya.
5. Simpan dalam Project dengan nama M4 Analisis Regresi Linear.MPJ dan
simpan dalam worksheet dengan nama M4 Waktu 30 Menit, 60 Menit dan
90 Menit.MTW
6. Pilih >Stat>Regression>Regression>Fit Regression Model
 Layar monitor akan memperlihatkan kotak dialog Regression seperti pada
gambar :

7. Dalam Response, masukkan COD

8. Dalam Contnuous Predictor, masukkan Waktu

9. Klik tombol Graphs.

Layar monitor akan memperlihatkan kotak dialog Graphs seperti pada
gambar
 Kotak dialog Graphs menyediakan beberapa perintah untuk membuat grafik-
grafik residual. Grafik residual diperlukan untuk memeriksa kecukupan
model.
10. Dibawah Residual for Plots, Pilih Reguler

11. Dibawah Residual Plots, beri tanda cek () pada Normal probability plot
of residual lalu klik OK.

12. Dalam kotak dialog Regression, klik Result.

Layar monitor akan memperlihatkan kotak dialog Result seperti pada gambar
13. Dibawah Control the Display of Result, pilih In addition, sequential sums
of squares and the unusual observation in the table of fits and residuals.
14. Lalu, klik OK.
Layar monitor akan kembali memperlihatkan kotak dialog Regresion
15. Dalam kotak dialog Regression, klik Storage.
Layar monitor akan memperlihatkan kotak dialog Storage seperti pada
gambar

16. Dalam kotak dialog Regression – Storage, beri tanda cek () pada Residuals
dan Fits. Fungsinya untuk menampilkan residual yang dapat digunakan untuk
mendiagnosis model regresi

17. Selanjutnya, klik tombol OK

Layar monitor akan memperlihatkan kembali kotak dialog Regression
18. Pada kotak dialog Regression, klik tombol OK.
 BAB V

HASIL DAN PEMBAHASAN

5.1 Tabel dan Grafik Hasil Analisa Praktikum

1. Output Hasil Analisis Regresi Linear Sederhana (Menampilkan Grafik)

2. Output Hasil Analisis Regresi Linear Sederhana (Tanpa Menampilkan

Grafik, Tetap Menguji Residual Berdistribusi Normal)
5.2 Pembahasan
Untuk uji regresi linear sederhana menggunakan grafik fitted line plot, hasil
data akan diinterpretasikan dalam bentuk grafik dan terdapat persamaan taksiran
regresi model parameternya. Dalam persamaan tersebut, terdapat intersept dan slope
yang menunjukkan representasi hasil akhir data.
Sedangkan untuk uji regresi linear sederhana dengan residual data
berdistribusi normal, menggunakan distribusi T uji, dF, dan koefisien R2. Yang
nantinya, hasil dari T uji akan dibandingkan dengan tabel distribusi T hitung (t = (a,
dF)). Kemudian, untuk dugaan atau hipotesisnya, apabila H0 = tidak ada parameter
dalam model dan H1 = ada parameter dalam model. Apabila nilai t uji > t hitung,
maka H0 ditolak dan H1 diterima yang berarti ada parameter dalam model. Dan
begitupun sebaliknya, apabila nilai t uji < t hitung, maka H0 diterima dan H1 ditolak
yang berarti tidak ada parameter dalam model.
Kemudian, untuk hasil koefisien R2, nantinya akan diakarkan sehingga
menghasilkan koefisien r. Hasil koefisien r apabila mendekati angka 1, maka terdapat
hubungan linear yang kuat antara variabel respond an variabel predictor yang
digunakan. Begitu juga sebaliknya, jika koefisien r apabila mendekati angka 0, maka
terdapat hubungan linear yang lemah antara variabel respond an variabel predictor
yang digunakan.
Untuk uji regresi linear ANOVA, menggunakan distribusi cek MSE, F uji,
dan unusual observation. Hasil dari F uji akan dibandingkan dengan tabel distribusi
F hitung (t = (𝛼, v1, v2)). Kemudian, untuk hipotesisnya, apabila H0 = tidak ada
parameter dalam model dan H1 = ada parameter dalam model. Apabila nilai f uji >
f hitung, maka H0 ditolak dan H1 diterima yang berarti ada parameter dalam model.
Dan begitupun sebaliknya, apabila nilai f uji < f hitung, maka H0 diterima dan H1
ditolak yang berarti tidak ada parameter dalam model.
Praktikum analisis regresi linear kali ini, digunakan data hanya 2 variabel saja
yang dibutuhkan, variabel waktu sebagai variabel x atau predictor dan variabel 30
Menit sebagai variabel y atau respon.
PERSAMAAN REGRESI
1. Interpretasi Persamaan Regresi Linear Sederhana
Dianalisis antara variasi waktu sebagai predictor atau variabel X dan 30
Menit (%) sebagai response atau variabel Y, didapatkan hasil yaitu:
 30 Menit = 5,075 + 1,050 60 Menit
Standar deviasi model = 8,61164
Koefisien determinasi (R2) = 95,9%
Intersept = 73,62
Slope (parameter) = 2,061
Pada uji waktu dengan variasi 30 Menit, memiliki nilai intersept sebesar
73,62 dengan nilai slope (parameter) sebesar 2,061. Berdasarkan hasil
tersebut dapat ditarik kesimpulan apabila variasi waktu meningkat selama 2
jam, maka nilai 30 Menit yang dihasilkan rata-rata akan meningkat sebesar
2,061 kali. Sedangkan apabila variasi waktu kontaknya 0, maka nilai 30
Menit sebesar 73,62.
2. Uji Parameter Model
Uji parameter model untuk variasi waktu dengan 30 Menit
Slope (parameter) model yaitu waktu = 2,061
H0 = parameter tidak ada dalam model
H1 = parameter ada dalam model
Daerah Penolakan, α= 5%, p-value < α → H0 ditolak
Kesimpulan, p-value waktu = 0,0012 berati p-value < 5%, maka H0 ditolak,
berarti H1 diterima parameter ada dalam model. Artinya dugaan adanya
pengaruh waktu kontak terhadap 30 Menit bisa diterima.
Atau
Daerah Penolakan, t uji > t hitung → H0 ditolak
T hitung = t (α,df) = t (5%,4) = 2,776 (lihat tabel distribusi t statistik)
T uji = 5,44 (lihat tabel coefficients hasil running)
Kesimpulan, berarti berarti t uji > t hitung maka H0 ditolak, parameter ada
dalam model. Artinya dugaan adanya pengaruh waktu terhadap kadar 30
Menit bisa diterima.
3. Cek Koefisien Determinasi (R2)
R2 = 95,6%
Artinya 95,6% variasi sampel jumlah waktu yang tersedia dijelaskan oleh
kandungan 30 Menit yang terdapat dalam air limbah industri tempe.
R atau Koefisien Korelasi, R = √90,80% = 0,953 (rangenya 0 - 1),
 Artinya ada hubungan linear yang sangat kuat antara kandungan 30 Menit
dalam air limbah dengan jumlah waktu yang dihasilkannya.

ANALYSIS OF VARIANCE (ANOVA)

1. Cek Mean Square Error (MSE)
Nilai MSE model adalah 5,740, maka:

Standar deviasi = √5,740 = 2,395

Artinya, apabila semakin kecil nilai MSE, maka semakin kecil juga nilai
standar deviasinya. Ini artinya residual nilai taksiran model semakin
mendekati nilai aslinya.
2. Uji Regresi Model
Slope (parameter) model yaitu variasi waktu (jam) = 2,061
Hipotesis:
H0 = Parameter tidak ada di dalam model
H1 = Parameter ada di dalam model
Daerah Penolakan, α= 5%, p-value < α → H0 ditolak
Kesimpulan, p-value waktu = 0,0012 berati p-value < 5%, maka H0 ditolak,
berarti H1 diterima parameter ada dalam model. Artinya dugaan adanya
pengaruh waktu kontak terhadap 30 Menit bisa diterima.
Atau
Daerah Penolakan, F uji > F hitung → H0 ditolak
F hitung = F (𝛼, v1, v2) = F (5%,1,3) = 10,13 (lihat tabel distribusi t statistik)
F uji = 29,60 (lihat tabel ANOVA hasil running)
Kesimpulan, berarti berarti F uji > F hitung maka H0 ditolak, parameter ada
dalam model. Artinya dugaan adanya pengaruh waktu terhadap kadar 30
Menit bisa diterima.
3. Unusual Observation
Tidak ditemukan unusual observation dikarenakan tidak ada data yang
menyimpang.
4. Analisis Grafik Residual
Nilai taksiran digunakan untuk menghitung residual dan residual digunakan
untuk mendiagnosis model regresi yaitu diharapkan residual berdistribusi
normal. Residual model dapat dilihat di hasil tabel di atas. Pada gambar grafik
probabilitas normal residual, titik residual yang dihasilkan telah mendekati
garis lurus, maka residual dikatakan telah mengikuti distribusi normal.
Tetapi, juga terdapat residu yang tidak mengikuti garis lurus atau banyak
menyimpang maka ada indikasi bahwa residu tidak mengikuti distribusi
normal juga.
 BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan
Kesimpulan yang dapat ditarik dari praktikum analisis statistik regresi linear
sederhana kali ini adalah sebagai berikut:
1. Pada interpretasi persamaan regresi linear sederhana antara variabel waktu
sebagai variabel x dan variabel 30 Menit sebagai variabel y diperoleh hasil
30 Menit = 5,075 + 1,050 60 Menit.
2. Analisis berdasarkan nilai t uji dan F uji, dugaan adanya pengaruh antara
variasi waktu dengan konsentrasi 30 Menit dapat diterima.
3. Nilai R atau Koefisien Korelasi sebesar 0,953 dengan (rangenya 0 - 1)
menunjukkan adanya hubungan linear yang sangat kuat antara kandungan 30
Menit dengan jumlah waktu yang dihasilkannya.
4. Tidak ditemukan unusual observation dikarenakan tidak ada data yang
menyimpang pada variasi waktu dengan konsentrasi 30 Menit.
5. Pada data analisis variasi waktu dengan konsentrasi 30 Menit data telah
berdistribusi secara normal, independent, dan nilai besaran mean yang lebih
besar daripada median, namun data residual yang tidak tersebar pada sumbu
nol sehingga belum dapat dikatakan identik.

6.2 Saran
Saran yang dapat diberikan pada praktikum analisis regresi linear data
statistika kali ini adalah sebagai berikut:
1. Praktikan diharapkan membaca modul terlebih dahulu sebelum praktikum
dilaksanakan.
2. Praktikan harus lebih teliti dalam proses memasukkan data dan
menginterpretasikan hasil dari running data sehingga didapatkan hasil yang
valid dan akurat.
3. Praktikan mencatat seluruh hasil pengamatan dan analisis sesuai dengan hasil
praktikum yang telah dilaksanakan.
 DAFTAR PUSTAKA

Gujarati, D. 2003. Ekonometrika Dasar. Zain, S, penerjemah. Erlangga. Jakarta. Terjemahan

dari: Basic Econometric.

Hadi, S. (2004). Analisis regresi. Penerbit Andi.

Hasan, M Iqbal. 2010. Pokok-pokok Materi Statistik 2. Jakarta: PT Bumi Aksara.

Kuncoro, Mudrajad. 2011. Metode Kuantitatif; Teori dan Aplikasi untuk Bisnis dan
Ekonomi, Edisi keempat. Yogyakarta: Sekolah Tinggi Ilmu Manajemen
YKPN.

Sulistiyowati, W., & Astuti, C. C. 2017. Buku Ajar Statistika Dasar. Umsida Press, 1-236.
https://doi.org/10.21070/2017/978-979-3401-73-7

Sumanto, M. A. 2014. Statistika Deskriptif (Untuk Mahasiswa, Dosen dan Umum). CAPS.

Supranto, J. 1977. Statistik, Teori dan Aplikasi. Jakarta: Erlangga. Wahana Komputer. 2009.
Menguasai Java Programing. Semarang: Salemba 4.

Walpole, R. E., & Myers, R. H. (1986). Ilmu peluang dan Statistika untuk Insinyur dan
Ilmuwan (R. K. Sembiring, Trans.). Bandung: Penerbit ITB.

Yan, Xin and Su, Xiao Gang. 2009. Linear Regression Analysis Theory and Computing.
USA: World Scientific Publishing.

Yudiaatmaja, F. (2013). Analisis Regresi Dengan Menggunakan Aplikasi Komputer

Statistik. Gramedia Pustaka Utama.