KATA PENGANTAR

Dunia saat ini berada pada era industri 4.0 yang lebih banyak menggunakan teknologi
digital dan Indonesia telah mempersiapkan diri untuk masuk ke dalam tahap industri
4.0 tersebut melalui agenda percepatan transformasi digital. Salah satu langkah yang
dilakukan dalam percepatan transformasi digital adalah penyiapan talenta digital.
Laporan Bank Dunia tahun 2019 menyatakan bahwa Indonesia memiliki kekurangan 9
juta pekerja berketerampilan teknologi informasi dan komunikasi, sehingga perlu
dilakukan penyiapan talenta digital untuk memenuhi kebutuhan tersebut dengan
alokasi 600.000 orang setiap tahun. Upaya penyiapan talenta digital dilakukan oleh
berbagai unsur baik pemerintah, institusi pendidikan, industri, komunitas masyarakat,
maupun media publik.

Sejak tahun 2018, Kementerian Komunikasi dan Informatika melalui Badan Penelitian
dan Pengembangan Sumber Daya Manusia menginisiasi Program Beasiswa Pelatihan
Digital bernama Digital Talent Scholarship (DTS) yang telah berhasil  dianugerahkan
kepada lebih dari 300.000 penerima pelatihan bidang teknologi informasi dan
komunikasi. Program Digital Talent Scholarship ini ditujukan untuk memberikan
pelatihan dan sertifikasi berbagai tema pada bidang informatika, komunikasi, dan
telekomunikasi, serta diharapkan melengkapi pemenuhan kebutuhan talenta digital
Indonesia. 

Program DTS tahun 2023 secara garis besar dibagi menjadi delapan akademi, salah
satunya Vocational School Graduate Academy (VSGA). VSGA merupakan program
pelatihan berbasis kompetensi kerja nasional bagi lulusan pendidikan vokasi
SMK/sederajat dan diploma bidang Science, Technology, Engineering, Mathematics
(STEM) yang belum mendapatkan pekerjaan atau sedang tidak bekerja.  Tujuan
Program VSGA adalah menyiapkan talenta digital dengan standar kompetensi sesuai
Standar Kompetensi Kerja Nasional Indonesia (SKKNI). Oleh karena itu, penyusunan
modul pelatihan untuk Program VSGA disusun dengan berbasis pada kompetensi
(Competency Based Training). Kami berpesan agar modul pelatihan berbasis
kompetensi yang telah disusun ini dapat menjadi referensi bagi peserta dan pengajar
agar pelatihan berjalan efektif dan efisien. 

Selamat mengikuti Pelatihan Digital Talent Scholarship, mari persiapkan diri kita
menjadi talenta digital Indonesia yang kompeten.

                                                                                             Jakarta,      Januari 2023

Kepala Badan Penelitian dan Pengembangan Sumber Daya Manusia
Kementerian Komunikasi dan Informatika Republik Indonesia

                                                                                           Dr. Hary Budiarto, M.Kom

PENDAHULUAN

Unit kompetensi ini berhubungan dengan pengetahuan, keterampilan, dan sikap kerja
yang dibutuhkan dalam dalam mengumpulkan data untuk data science.

A. Tujuan Umum
Setelah mempelajari modul ini peserta latih diharapkan mampu melakukan proses
pemodelan regresi.

B. Tujuan Khusus
Adapun tujuan mempelajari unit kompetensi melalui buku informasi Pelatihan
Associate Data Scientist ini guna memfasilitasi peserta latih sehingga pada akhir
pelatihan diharapkan memiliki kemampuan sebagai berikut:

1. Melakukan pengolahan dan analisis data berbasis regresi

2. Melakukan pengukuran performansi menggunakan RapidMiner

LATAR BELAKANG

Unit kompetensi ini dinilai berdasarkan tingkat kemampuan dalam merancang website.
Adapun penilaian dilakukan dengan menggabungkan serangkaian metode untuk
menilai kemampuan dan penerapan pengetahuan pendukung penting. Penilaian
dilakukan dengan mengacu kepada Kriteria Unjuk Kerja (KUK) dan dilaksanakan di
Tempat Uji Kompetensi (TUK), ruang simulasi atau workshop dengan cara:
1.1 Lisan
1.2 Wawancara
1.3 Tes tertulis
1.4 Demonstrasi
1.5 Metode lain yang relevan.

DESKRIPSI PELATIHAN

Materi ini berisi penjelasan mengenai pengolahan data menggunakan metode regresi
dengan meggunakan algoritma regresi.

TUJUAN PEMBELAJARAN

Setelah mempelajari modul ini peserta latih diharapkan mampu menggunakan metode
AI berbasis regresi untuk menyelesaikan suatu permasalahan

1
 KOMPETENSI DASAR

Mampu mengoperasikan aplikasi RapidMiner

Mampu menormalisasi data set untuk disiapkan sebagai input machine learning

INDIKATOR HASIL BELAJAR

Dapat melakukan analisis data menggunakan metode AI berbasis regresi

INFORMASI PELATIHAN

Akademi Vocational School Graduate Academy

Pelaksana Pelatihan Kementerian Komunikasi dan Informatika

Tema Pelatihan Associate Data Scientist

Sertifikasi Sertifikasi kompetensi BNSP Associate Data Scientist

Persyaratan Sarana Peserta/spesifikasi device Memiliki laptop/komputer dengan spesifikasi

Tools/media ajar yang akan digunakan
minimal :
● RAM minimal 2 GB (disarankan 4 GB)
● Laptop dengan 32/64-bit processor
● Laptop dengan Operating System Windows 7,
8, 10, MacOS X atau Linux
● Laptop dengan konektivitas WiFi dan memiliki
Webcam
● Akses Internet Dedicated 126 kbps per
peserta per perangkat
● Memiliki aplikasi Zoom
● Memiliki akun Google Colab

Aplikasi yang akan digunakan selama pelatihan ● RapidMiner

Tim Penyusun 1. Windy Gambetta (IAII/ITB)

2. Yaya Heryadi (APTIKOM/Binus University)
3. Muhamad Muhaimin (IAII/Univ. Budi Luhur)
4. Mujiono Sadikin (IAII/UBHARAJAYA)
5. Muhaemin (APTIKOM/Univ. Muhammadiyah
Jakarta)
6. Rizal Dwi Prayogo, S.Si, M.Si, M.Sc (ITB)

2
INFORMASI PEMBELAJARAN

Unit Kompetensi Materi Kegiatan Durasi Rasio Sumber

pembelajaran pembelajaran Pelatihan Praktek : pembelajaran
Teori

Mampu Modul dan Slide Offline 2 JP 60:40

menjelaskan Analisis Regresi @ 45 Menit
metode regresi
dengan benar

Materi Pokok

Metode Regresi Linier Sederhana

Sub Materi Pokok

- Model Regresi Linier Sederhana

- Korelasi
- Model Regresi Non Linier
- Prediksi dengan Regresi

3
 REGRESI LINIER SEDERHANA

A. Pengertian Regresi
Regresi diperkenalkan oleh Francis Galton. Analisis regresi merupakan analisis
yang memanfaatkan dua atau lebih variabel sehingga salah satu variabel bisa
diramalkan dari variabel lainnya. Pada analisis regresi terdiri dua jenis variabel
yaitu variabel bebas (variabel independen) dan variabel tak bebas (variabel
dependen). Variabel bebas (variabel independen) adalah variabel yang
mempengaruhi atau yang menjadi sebab perubahan atau timbulnya variabel tak
bebas, sedangkan variabel tak bebas (variabel dependen) adalah variabel yang
dipengaruhi atau yang menjadi akibat karena adanya variabel bebas. dengan
maksud menaksir atau meramalkan nilai rata-rata hitung (mean) atau rata- rata
(populasi) variabel tak bebas, dipandang dari segi yang diketahui atau tetap
(constant).
Secara umum ada dua macam hubungan antara dua variabel atau lebih, yaitu
bentuk hubungan dan keeratan hubungan. Untuk mengetahui bentuk hubungan
digunakan analisis regresi. Untuk keeratan hubungan dapat diketahui dengan
analisis korelasi. Analisis regresi dipergunakan untuk menelaah hubungan antara
dua variabel atau lebih, terutama untuk menelusuri pola hubungan yang
modelnya belum diketahui dengan sempurna, atau untuk mengetahui bagaimana
variasi dari beberapa variabel independen mempengaruhi variabel dependen
dalam suatu fenomena yang kompleks. Jika X1, X2, … , Xi adalah variabel-variabel
independen dan Y adalah variabel dependen, maka terdapat hubungan
fungsional antara X dan Y, di mana variasi dari X akan diiringi pula oleh variasi
dari Y. Secara matematika hubungan di atas dapat dijabarkan sebagai berikut: Y =
f(X1, X2, …, Xi, e), di mana : Y adalah variabel dependen, X adalah variabel
independen dan e adalah variabel residu (disturbance term).
Berkaitan dengan analisis regresi ini, setidaknya ada empat empat kegiatan yang
dapat dilaksanakan dalam analisis regresi, diantaranya: (1) mengadakan estimasi
terhadap parameter berdasarkan data empiris, (2) menguji berapa besar variasi
variabel dependen dapat diterangkan oleh variasi variabel independen, (3)
menguji apakah estimasi parameter tersebut signifikan atau tidak, dan (4)

4
 melihat apakah tanda dan magnitud dari estimasi parameter cocok dengan teori
(M. Nazir, 1983).

B. Koefisien Regresi Sederhana

Regresi sederhana, bertujuan untuk mempelajari hubungan antara dua variabel.

Model Regresi sederhana adalah , di mana, adalah variabel tak

bebas (terikat), X adalah variabel bebas, a adalah penduga bagi intersap (α), b
adalah penduga bagi koefisien regresi (β), dan α, β adalah parameter yang
nilainya tidak diketahui sehingga diduga menggunakan statistik sampel. Rumus
yang dapat digunakan untuk mencari a dan b adalah:

Keterangan:

= Rata-rata skor variabel X

= Rata-rata skor variabel Y

C. Uji Keberartian Regresi

Pemeriksaan keberartian regresi dilakukan melalui pengujian hipotesis nol,
bahwa koefisien regresi b sama dengan nol (tidak berarti) melawan hipotesis
tandingan bahwa koefisien arah regresi tidak sama dengan nol.
Pengujian koefisien regresi dapat dilakukan dengan memperhatikan
langkah-langkah pengujian hipotesis berikut:
1. Menentukan rumusan hipotesis Ho dan H1.
Ho : ρ = 0 : Tidak ada pengaruh variabel X terhadap variabel Y.
H1 : ρ ≠ 0 : Ada pengaruh variabel X terhadap variabel Y.
2. Menentukan uji statistika yang sesuai. Uji statistika yang digunakan
adalah uji F. Untuk menentukan nilai uji F dapat mengikuti
langkah-langkah berikut:
a. Menghitung jumlah kuadrat regresi (JK reg (a)) dengan rumus:

5
 b. Menghitung jumlah kuadrat regresi b|a (JK reg b|a), dengan rumus:

c. Menghitung jumlah kuadrat residu (JK res) dengan rumus:

d. Menghitung rata-rata jumlah kuadrat regresi a (RJK reg (a) ) dengan

rumus:

e. Menghitung rata-rata jumlah kuadrat regresi b/a (RJK reg (a)) dengan
rumus:

f. Menghitung rata-rata jumlah kuadrat residu (RJK res) dengan

rumus:

g. Mengitung F, dengan rumus:

1. Menentukan nilai kritis (α) atau nilai tabel F pada derajat bebas dbreg b/a = 1 dan dbres
= n – 2.
2. Membandingkan nilai uji F dengan nilai tabel F, dengan kriteria uji, Apabila nilai
hitung F lebih besar atau sama dengan (≥) nilai tabel F, maka H0 ditolak.
3. Membuat kesimpulan
Langkah-langkah uji keberartian regresi di atas dapat disederhanakan dalam
sebuah tabel anova sebagai berikut :

6
Tabel 4.2
Analisis of Varians

Keterangan:
JKT = ∑Y2

Jk (a) =

Jk (b/a) =

Jk Res =
RJk (b/a) = Jk (b/a)

RJk Res =

D. Korelasi antara 2 Variabel

Analisis regresi tidak dapat digunakan untuk memprediksi variabel bebas dan
terikat secara bebas. Hal yang perlu menjadi perhatian yakni teori yang mendasari
hubungan kedua variabel tersebut. Juga perlu dipikirkan dan dipertimbankan secara
jelas, mana variabel yang menjadi variabel bebas (X)—variabel penyebab dan mana
variabel yang menjadi variabel terikat (Y)—variabel akibat. Jika secara teoretis ada
hubungan, maka koefisien hubungan (korelasi) dapat dicari, namun jika tidak ada
hubungan secara teoretis antara dua variabel, maka hubungan tidak perlu dicari.
Untuk x variabel terikat dan y variabel bebas, dan keduanya merupakan nilai dalam
skala interval atau rasio, maka koefisien korelasi  dapat dicari dengan
mengestimasinya, menggunakan persamaan :

7
Kuadrat nilai korelasi ini diinterpretasikan sebagai sumbangan variabel X terhadap
variabel Y atau yang sering disebut sebagai koefisien korelasi determinasi.
Koefisien korelasi ini dapat digunakan untuk predictor signfikansi hubungan antara
variabel X dan variabel Y. Hubungan antara kedua variabel ini juga dapat diketahui
secara mudah dengan membuat diagram pencar (Scater Plot). Gambar 1 menunjukkan
hubungan jika variabel X dan Y tidak ada korelasinya. Gambar 2 menunjukkan berbagai
jenis data dengan koefisien korelasi yang bervariasi.

Gambar 1. Diagram pencar data yang koefisien korelasi antara X dan Y sama dengan 0.

8
 Gambar 2. Diagram pencar berbagai jenis data

Tidak semua hubungan antara X dan Y bersifat linear atau dapat dikatakan
hubungannya nonlinear. Sebagai contoh data yang disajikan pada diagram pencar pada
gambar 3.

E. ASUMSI LINIER REGRESI SEDERHANA

Regresi linear sederhana didasarkan pada asumsi uji, diantaranya sebagai berikut :
a. Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau
tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal.
Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai
residualnya. Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas dilakukan
pada masing-masing variabel. Hal ini tidak dilarang tetapi model regresi memerlukan
normalitas pada nilai residualnya bukan pada masing-masing variabel penelitian.
Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas. Dalam
kelas siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan sebagian

9
besar berada pada kategori sedang atau rata-rata. Jika kelas tersebut bodoh semua
maka tidak normal, atau sekolah luar biasa. Dan sebaliknya jika suatu kelas banyak yang
pandai maka kelas tersebut tidak normal atau merupakan kelas unggulan. Pengamatan
data yang normal akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit
dan kebanyakan mengumpul di tengah. Demikian juga nilai rata-rata, modus dan
median relatif dekat. Uji normalitas dapat dilakukan dengan uji histogram, uji normal P
Plot, uji Chi Square, Skewness dan Kurtosis
atau uji Kolmogorov Smirnov. Tidak ada metode yang paling baik atau paling tepat.
Tipsnya adalah bahwa pengujian dengan metode grafik sering menimbulkan perbedaan
persepsi di antara beberapa pengamat, sehingga penggunaan uji normalitas dengan uji
statistik bebas dari keragu- raguan, meskipun tidak ada jaminan bahwa pengujian
dengan uji statistik lebih baik dari pada pengujian dengan metode grafik. Jika residual
tidak normal tetapi dekat dengan nilai kritis (misalnya signifikansi Kolmogorov Smirnov
sebesar 0,049) maka dapat dicoba dengan metode lain yang mungkin memberikan
justifikasi normal. Tetapi jika jauh dari nilai normal, maka dapat dilakukan beberapa
langkah yaitu: melakukan transformasi data, melakukan trimming data outliers atau
menambah data observasi. Transformasi dapat dilakukan ke dalam bentuk Logaritma
natural, akar kuadrat, inverse, atau bentuk yang lain tergantung dari bentuk kurva
normalnya, apakah condong ke kiri, ke kanan, mengumpul di tengah atau menyebar ke
samping kanan dan kiri.

b. Uji Multikolinearitas.
Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi antara
variabel-variabel
bebas dalam suatu model regresi linear berganda. Jika ada korelasi yang tinggi di antara
variabel-variabel bebasnya, maka hubungan antara variabel bebas terhadap variabel
terikatnya menjadi terganggu. Sebagai ilustrasi, adalah model regresi dengan variabel
bebasnya motivasi, kepemimpinan dan kepuasan kerja dengan variabel terikatnya
adalah kinerja. Logika sederhananya adalah bahwa model tersebut untuk mencari
pengaruh antara motivasi, kepemimpinan dan kepuasan kerja terhadap kinerja. Jadi
tidak boleh ada korelasi yang tinggi antara motivasi dengan kepemimpinan, motivasi
dengan kepuasan kerja atau antara kepemimpinan dengan kepuasan kerja. Alat statistik
yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah dengan

10
variance inflation factor (VIF), korelasi pearson antara variabel- variabel bebas, atau
dengan melihat eigenvalues dan condition index (CI). Beberapa alternatif cara untuk
mengatasi masalah multikolinearitas adalah sebagai berikut:  Mengganti atau
mengeluarkan variabel yang mempunyai korelasi yang tinggi. 

Menambah jumlah observasi.

Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar
kuadrat atau bentuk first difference delta.  Dalam tingkat lanjut dapat digunakan
metode regresi bayessian yang masih jarang sekali digunakan.
c. Uji Heteroskeditas.
Uji heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians
dari residual satu ke pengamatan ke pengamatan yang lain. Model regresi yang
memenuhi persyaratan adalah di mana terdapat kesamaan varians dari residual satu
pengamatan ke pengamatan yang lain tetap atau disebut homoskedastisitas. Deteksi
heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan memplotkan
nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). Model yang baik
didapatkan jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah,
menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji
statistik yang dapat digunakan adalah uji Glejser, uji Park atau uji White.
Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah
dengan mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan
jika semua data bernilai positif. Atau dapat juga dilakukan dengan membagi semua
variabel dengan variabel yang mengalami gangguan heteroskedastisitas.

d. Uji Autokorelasi.
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t
dengan periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi
adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi
tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Sebagai
contoh adalah pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah
terhadap dollar. Data tingkat inflasi pada bulan tertentu, katakanlah bulan Februari,
akan dipengaruhi oleh tingkat inflasi bulan Januari. Berarti terdapat gangguan
autokorelasi pada model tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah

11
tangga. Ketika pada bulan Januari suatu keluarga mengeluarkan belanja bulanan yang
relatif tinggi, maka tanpa ada pengaruh dari apapun, pengeluaran pada bulan Februari
akan rendah.
Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu
dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua
variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi pada
penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun biasanya
memerlukan uji autokorelasi. Beberapa uji statistik yang sering dipergunakan adalah uji
Durbin-Watson, uji dengan Run Test dan jika data observasi di atas 100 data sebaiknya
menggunakan uji Lagrange Multiplier. Beberapa cara untuk menanggulangi masalah
autokorelasi adalah dengan mentransformasikan data atau bisa juga dengan mengubah
model regresi ke dalam bentuk persamaan beda umum (generalized difference
equation). Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari
variabel terikatnya menjadi salah satu variabel bebas, sehingga data observasi menjadi
berkurang

e. Uji Linearitas.
Uji linearitas dipergunakan untuk melihat apakah model yang dibangun mempunyai
hubungan linear atau tidak. Uji ini jarang digunakan pada berbagai penelitian, karena
biasanya model dibentuk berdasarkan telaah teoretis bahwa

hubungan antara variabel bebas dengan variabel terikatnya adalah linear. Hubungan
antar variabel yang secara teori bukan merupakan hubungan linear sebenarnya sudah
tidak dapat dianalisis dengan regresi linear, misalnya masalah elastisitas. Jika ada
hubungan antara dua variabel yang belum diketahui apakah linear atau tidak, uji
linearitas tidak dapat digunakan untuk memberikan adjustment bahwa hubungan
tersebut bersifat linear atau tidak. Uji linearitas digunakan untuk mengkonfirmasikan
apakah sifat linear antara dua variabel yang diidentifikasikan secara teori sesuai atau
tidak dengan hasil observasi yang ada. Uji linearitas dapat menggunakan uji
Durbin-Watson, Ramsey Test atau uji Lagrange Multiplier.

12
Macam regresi diuraikan sebagai berikut.

1. Regresi Linear Sederhana

Regresi linear sederhana yaitu regresi yang hanya menentukan hubungan dari dua
variabel saja dan keduanya merupakan data kuantitatif.

Misalnya data banyak makanan yang dikonsumsi dengan berat badan.

2. Regresi Linear Berganda

Regresi linear berganda ini merupakan regresi yang menghubungkan satu variabel Y
terhadap dua atau lebih variabel X serta data yang digunakan merupakan data
kuantitatif.

Misalnya pengaruh banyak makanan yang dikonsumsi terhadap berat badan dan tinggi
badan.

3. Regresi Non Linear

Regresi non linear ini merupakan regresi yang menghubungkan antara variabel X dan
variabel Y yang tidak linear.

Misalnya pada pemberian pupuk pada tanaman dengan intensitas pemberian pupuk
rendah – sedang akan membuat tanaman tumbuh dengan optimal (tinggi tanaman
maksimum), sedangkan pemberian pupuk intensitas tinggi akan membuat tanaman
tumbu dengan lambat.

Regresi nonlinier Model Kuadratik adalah model regresi yang parameternya adalah
nonlinier artinya apabila diturunkan terhadap parameternya sendiri maka hasil yang
didapat masih mengandung parameter. Model regresi kuadratik itu adalah sebagai
berikut: 
Y = a + b1X1 + b2X2i + e
Dengan : 
     a : konstanta
    bi : koefisien regresi
    Xi  : variabel bebas
    Y  : Variabel terikat
    e  : eror

Error pada regresi non-linear diasumsikan untuk mempunyai nilai harapan sebesar nol,
ragam yang konstan dan tidak dikorelasikan, sama seperti asumsi error pada model
regresi linear (Neter, J., Kutner, M.H., Nachtsheim, C.J.,Wasserman,W., 1996). Analisis
regresi non linier yang sering digunakan adalah bentuk 

1. logaritmic baik yang biasa (Log X), maupun logaritma natural (Ln X = 2,718Log
X). Koefisien yang diperoleh dari analisis regresi logaritma/fungsi pangkat akan

13
 langsung menunjukkan elatisitasnya. Analisis ini harus mendasarkan pada teori
atau pengembangannya yang relevan dengan obyek penelitian  
2. Regresi logistik adalah salah satu bentuk regresi non-linear yang mempunyai
variabel dependen yang diskrit dan mempunyai sebaran binomial, sedangkan
variable independennya dapat terdiri dari variabel yang continu, diskrit,
dikotomus, ataupun gabungannya. Regresi logistik dapat dibedakan menjadi 2,
yaitu: Binary Logistic Regression (Regresi Logistik Biner) dan Multinomial
Logistic Regression (Regresi Logistik Multinomial). Regresi Logistik biner
digunakan ketika hanya ada 2 kemungkinan variabel respon (Y), misal suka dan
tidak suka dengan skala Dummy (0=tidak suka; 1= suka). Sedangkan Regresi
Logistik Multinomial digunakan ketika pada variabel respon (Y) terdapat lebih
dari 2 kategorisasi, misalnya 1= tidak baik, 2= biasa saja, 3=baik, 4 sangat baik.

14
 DAFTAR PUSTAKA

1. Aunuddin. 2005. Rancangan dan Analisis Data. Bogor : IPB Press. (Hal. 108-110 ,
171-202)

2. Jonathan Sarwono. Regresi Linear Sederhana

http://www.jonathansarwono.info/regresi/regresi.htm . (online) ( diakses 16
Februari 2013)

3. Kismiantini. Handout Analisis Regresi. (online).

http//staff.uny.ac.id/sites/default/files/Handout %20Analisis%20Regresi.pdf
(diakses 25 September 2012)

4. Sembiring, S.K. 1995. Analisis Regresi. Bandung : Penerbit ITB. (Hal. 35-90)

5. Sudjana, Metoda Statistika, Penerbit Tarsito, 2017.

6. Uswatun Khasanah. Regresi Linear Sederhana. (online).

http//elearning.uad.ac.id/file.php/kuliah1.ppt (diakses 16 Februari 2013)

7. Walpole, Ronald E. Dan Myers, Raymond H. 1995 Ilmu Peluang dan Statistika
untuk Insinyur dan Ilmuwan, Edisi 4, Bandung: Penerbit ITB ( hal. 421 – 423)

Tugas Dan Proyek Pelatihan

a. Melakukan Pemodelan dengan Regresi Linier Sederhana menggunakan Tools RapidMiner

Link Referensi Modul Pertama

1. Video Pembelajaran
2. E-book
3. Link Youtube/Website rujukan

Link Pertanyaan Modul Kedelapan

Bahan Tayang

Bisa berupa Link/ Screen Capture Slide pelatihan

15
Link room Pelatihan dan Jadwal live sesi bersama instruktur

Penilaian

Komposisi penilaian Kuis Regresi: Nilai 100 (Range 0 -100)

Target Penyelesaian Modul Kedelapan

2 JP

16
17