MAKALAH

UJI REGRESI LINIER BERGANDA

STATISTIKA DAN PROBABILITAS

Dosen : Wiwin Winarti S.Si.,M.Kom.

Disusun Oleh :

1. Ari Fachri Zadiq 221011400017

2. Bagas Tri Adi Nugroho 221011400079

3. Hernanda Faris Khoiri 221011403354

4. Rian Byhaqi 221011400015

5. Tian Aldi Kurniawan 221011400005

TEKNIK INFORMATIKA

FAKULITAS TEKNIK

UNIVERSITAS PAMULANG

Jl. Puspitek, Buaran, Kec. Pamulang, Kota Tangerang Selatan, Banten 15310
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa karena

dengan rahmat, karunia, taufik, serta hidayahNya kami dapat menyelesaikan

makalah “UJI REGRESI LINIER BERGANDA” dengan baik.

Kami berterimakasih kepada “Wiwin Winarti S.Si.,M.Kom.” selaku dosen

mata kuliah STATISTIKA DAN PROBABILITAS “Universitas Pamulang” yang

telah memberikan tugas kepada kami, sehingga dapat mempelajari pentingnya

“UJI REGRESI LINIER BERGANDA” dalam kehidupan. Kami harap makalah

ini dapat bermanfaat dalam menambah wawasan dan ilmu pengetahuan

Kami menyadari sepenuhnya bahwa makalah ini jauh dari kata sempurna.

Oleh sebab itu, kami mengharap adanya kritik, saran, dan usulan demi makalah

yang lebih baik. Semoga makalah sederhana ini dapat dipahami bagi siapa pun

yang membacanya. Sebelumnya, kami mohon maaf apabila ada kesalahan kata-

kata yang kurang berkenan dihati pembaca.

Tangerang, 5 November 2023

Kelompok 2
 DAFTAR ISI

KATA PENGANTAR.............................................................................................2

DAFTAR ISI............................................................................................................3

BAB I PENDAHULUAN........................................................................................1

1.1 Latar Belakang..........................................................................................1

1.2 Rumusan Masalah.....................................................................................1

1.3 Tujuan........................................................................................................1

BAB II PEMBAHASAN.........................................................................................2

2.1 Pengertian Regresi Linear Berganda.........................................................2

2.2 Asumsi Klasik Regresi Linier Berganda................................................3

2.3 Contoh Uji Regresi Dua Prediktor............................................................6

BAB III PENUTUP...............................................................................................13

3.1 Kesimpulan..............................................................................................13

DAFTAR PUSTAKA............................................................................................14
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Dalam statistika, analisis regresi adalah salah satu teknik analisis

data yang paling sering digunakan untuk mempelajari hubungan antara

berbagai variabel dan prediksi variabel tertentu. Sir Francis Galton

(1822–1911), adalah orang pertama yang menggunakan istilah "regresi".

Dalam karyanya, "Regression towards mediocrity in hereditary stature".

Analisis regresi membentuk persamaan garis lurus (linear) dan

menggunakan persamaan tersebut untuk membuat perkiraan

(prediction). Berdasarkan jumlah variabel bebas, analisis regresi linear

yang terdiri dari dua variabel dikenal dengan analisis linear sederhana,

sedangkan yang lebih dari dua variabel disebut analisis linear berganda

dan yang akan kita pelajari lebih lanjut.

1.2 Rumusan Masalah

1. Apa yang dimaksud dengan regresi linier berganda?

2. Apa asumsi regresi linier berganda?

3. Apa konsep regresi berganda dengan dua prediktor?

1.3 Tujuan

1. Mengetahui dan memahami regresi linier berganda.

2. Mengetahui jumlah hipotesis regresi linier berganda

3. Untuk mengetahui dan memahami konsep regresi ganda dua

1
 prediktor.

BAB II

PEMBAHASAN

2.1 Pengertian Regresi Linear Berganda

Model persamaan yang dikenal sebagai regresi linier berganda

menjelaskan hubungan satu variabel tak bebas/respons (Y) dengan dua atau

lebih variabel bebas/predikator (Yuliara, 2016). Metode regresi linier

berganda digunakan untuk memeriksa pengaruh dua atau lebih variable

independen (explanatory) terhadap satu variable dependen. Dalam model

ini, variabel dependen dianggap memiliki hubungan satu garis lurus atau

linier dengan masing-masing prediktornya (Janie, 2012).

Analisis regresi digunakan untuk mengetahui seberapa besar

pengaruh suatu variabel tertentu dan bagaimana variabel tersebut

berhubungan satu sama lain. Baik prediktor maupun variabel respon adalah

variabel yang mempengaruhi, tetapi variabel respon adalah variabel yang

dipengaruhi. Variabel respons sering disebut variabel dependen, yang

diwakili oleh Y, dan variabel prediktor disebut variabel independen, yang

diwakili oleh X.

Regresi adalah jenis hubungan antara variabel prediktor dan variable

respons, yang biasanya diwakili dalam bentuk persamaan matematis, yang

dapat linier atau non-linier. Persamaan yang dihasilkan merupakan prediksi

yang menggambarkan hubungan antara variabel prediktor dan variable

respons.

2
 Dalam hal korelasi, regresi selalu menemukan korelasi, tetapi

korelasi tidak selalu dilanjutkan oleh regresi. Korelasi yang tidak

dilanjutkan adalah korelasi antara dua variabel yang tidak memiliki

hubungan sebab akibat atau fungsional. Oleh karena itu, analisis regresi

dilakukan hanya jika ada hubungan fungsional atau kausal antara keduanya.

Regresi linier berganda adalah jenis analisis regresi yang melibatkan

lebih dari satu variabel bebas atau prediktor. Analisis regresi linier berganda

dilakukan untuk mengetahui arah dan pengaruh variabel independen

terhadap variabel. Regresi linier berganda menggunakan lebih dari satu

variabel bebas, tetapi regresi linier sederhana hanya melibatkan satu

variabel dependen dan satu variabel independen. Peneliti menggunakan

analisis regresi berganda untuk meramalkan bagaimana keadaan variabel

dependen (kriterium) berubah atau naik turun jika dua atau lebih variabel

independen digunakan sebagai faktor prediktor.

Selain itu, regresi linier berganda dapat digunakan untuk menentukan

linearitas hubungan satu atau lebih variabel independen dengan satu

variable dependen, serta untuk memprediksi harga variabel dependen jika

harganya diketahui. Persamaan linier regresi ganda biasanya memiliki

rumus berikut:

𝑌 = 𝑎 + 𝑏1𝑋1 + 𝑏2𝑋2 + ⋯ + 𝑏𝑛𝑋n

Keterangan :

Y = Variabel Terikat.

X1,X2,X3 = Variabel Bebas

a = Konstanta

3
 b1,b2,b3 = Koefisien Regresi

Langkah-langkah perhitungan dalam analisis regresi ganda dinyatakan

sebagai berikut:

1. Menentukan persamaan regresi ganda Y atas X1, X2 dan X3.

2. Menguji signifikansi persamaan regresi ganda Y atas X1, X2 dan X3.

3. Menghitung koefisien korelasi ganda dan koefisien determinasinya.

4. Menguji signifikansi koefisien persamaan regresi ganda Y atas X1,

X2 dan X3.

5. Memberi kesimpulan atas semua hasil analisis yang telah diperoleh.

2.2 Asumsi Klasik Regresi Linier Berganda

Selain itu, regresi linier berganda memiliki asumsi klasik yang harus dipenuhi agar

model prediksi yang dihasilkan nantinya bersifat BLUE (Best Linear Unbiased

Estimation). Asumsi klasik ini meliputi:

1 Data Interval atau Rasio

Untuk semua variabel, terutama variabel terikat, skala datanya adalah interval

atau rasio. Asumsi ini tidak perlu diuji, cukup pastikan bahwa data yang

digunakan adalah interval atau rasio dalam bentuk numerik atau kuantitatif.

2 Liniearitas

Sifat yang dikenal sebagai linearitas antara variabel berarti bahwa setiap

perubahan pada satu variabel akan diikuti oleh perubahan dengan besaran yang

sejajar pada variabel lainnya. Variabel terikat dan variabel bebas berkorelasi

satu sama lain. Uji linearitas regresi, seperti kurva estimasi, digunakan untuk

4
 menguji asumsi linearitas. Dengan kurva estimasi kita bisa menentukan ada

hubungan linier atau tidak dengan melihat nilai p value linearitas. Terdapat

hubungan linear antara prediktor dan respons jika p value < 0,05.

3 Normalitas Residual

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.

Dalam regresi linear, asumsi normalitas didasarkan pada residualnya, bukan

pada data untuk setiap variabel. Berbagai metode uji normalitas, seperti

Shapiro wilk, Lilliefors, Kolmogorov smirnov, Anderson darling, dan lainnya,

dapat digunakan untuk menguji asumsi normalitas regresi linear.

4 Non Outlier

Data yang nilainya ekstrem atau berbeda dari yang lain disebut outlier. Nilai

absolut studentized residual tidak dapat digunakan untuk menentukan batasan

outlier. Jika nilai absolut studentized residual > 3, maka sampel atau observasi

yang dimaksud menjadi outlier.

5 Homoskedastisitas

Homoskedastisitas adalah kondisi di mana varians error tetap sama setiap kali

diamati. Heteroskedastisitas adalah kebalikan dari homoskedastisitas. Uji

homoskedastisitas glejser, park, white, dan spearman dapat digunakan untuk

5
 menguji model regresi linear berganda yang baik, yang bebas dari kondisi

heteroskedastisitas.

6 Non Multikolineralitas

Keadaan di mana variabel bebas dalam model memiliki korelasi yang kuat

satu sama lain dikenal sebagai multikolinearitas. Ada interkorelasi jika korelasi

antar variabel bebas dalam model regresi linear berganda > 0,8. Ada pakar

yang menggunakan batasan > 0,9. Menggunakan nilai faktor penginflasi

variasi (VIF) dan tolerabilitas adalah metode tambahan yang lebih objektif.

Dikatakan ada multikolinearitas jika nilai VIF > 10 dan/atau nilai tolerabilitas <

0,01. Fakta bahwa ada lebih dari satu variabel bebas dalam regresi linear

berganda daripada satu variabel bebas dalam regresi linear sederhana

menunjukkan dengan jelas bahwa asumsi multikolinearitas hanya terjadi

dalam regresi linear berganda.

7 Non Autokolerasi

Autokorelasi adalah analisis statistik yang digunakan untuk mengetahui

apakah ada korelasi antara variabel dalam model prediksi dengan perubahan

waktu. Ini biasanya terjadi pada regresi linear berganda dengan rangkaian

waktu atau runtun waktu, dan jarang terjadi pada cross-section data. Oleh

karena itu, apabila asumsi autokorelasi terjadi, itu berarti bahwa ada korelasi

antar waktu.

6
2.3 Contoh Uji Regresi Dua Prediktor

Guru fisika ingin tahu apa yang mempengaruhi hasil belajar fisika. Dia

menduga bahwa ada dua komponen yang mempengaruhi hasil belajar

fisika yaitu Minat untuk belajar fisika dan Sarana yang tersedia untuk

belajar. Ia kemudian mengumpulkan informasi dengan menggunakan

kuesioner. Hasil ditunjukkan dalam tabel berikut.

Sisw Fasilitas Belajar Hasil

Minat Belajar Siswa
a Siswa Belajar

1 17 78 82

2 28 83 88

3 32 88 91

4 32 87 90

5 22 80 85

6 22 80 84

7 24 81 87

8 23 82 86

9 17 78 83

10 28 85 87

11 22 83 86

12 22 84 85

13 27 86 88

14 32 89 90

15 33 87 90

16 17 80 86

17 28 84 89

7
 18 28 83 88

19 18 81 83

20 22 82 85

Untuk menjawab permasalahan di atas disusun hipotesis sebagai berikut.

Hipotesis :

H0 : Tidak terdapat pengaruh fasilitas, minat, terhadap hasil belajar

Fisika siswa.

H1 : Terdapat pengaruh fasilitas, minat, terhadap hasil belajar Fisika

siswa.

Hipotesis Statistik :

Ho : β = 0

H1 : β ≠ 0

Menentukan Taraf Signifikasi :

Taraf signifikasi α = 5% = 0,05

Kaidah Pengujian :

Jika Fhitung > Ftabel maka H0 ditolak

Jika Fhitung ≤ Ftabel maka H0 diterima

Tabel penolong untuk menghitung Uji Regresi Linier Berganda :

8
 No
Y X1 X2 X1Y X2Y X1X2 X1^2 X2^2 Y^2
Responden

1 82 17 78 1394 6396 1326 289 6084 6724

2 88 28 83 2464 7304 2324 784 6889 7744

3 91 32 88 2912 8008 2816 1024 7744 8281

4 90 32 87 2880 7830 2784 1024 7569 8100

5 85 22 80 1870 6800 1760 484 6400 7225

6 84 22 80 1848 6720 1760 484 6400 7056

7 87 24 81 2088 7047 1944 576 6561 7569

8 86 23 82 1978 7052 1886 529 6724 7396

9 83 17 78 1411 6474 1326 289 6084 6889

10 87 28 85 2436 7395 2380 784 7225 7569

11 86 22 83 1892 7138 1826 484 6889 7396

12 85 22 84 1870 7140 1848 484 7056 7225

13 88 27 86 2376 7568 2322 729 7396 7744

14 90 32 89 2880 8010 2848 1024 7921 8100

15 90 33 87 2970 7830 2871 1089 7569 8100

16 86 17 80 1462 6880 1360 289 6400 7396

17 89 28 84 2492 7476 2352 784 7056 7921

18 88 28 83 2464 7304 2324 784 6889 7744

19 83 18 81 1494 6723 1458 324 6561 6889

20 85 22 82 1870 6970 1804 484 6724 7225

() 1733 494 1661 43051 144065 41319 12742 138141 150293

9
JUMLAH

Keterangan:

Y = Hasil belajar

X1 = Fasilitas belajar siswa

X2 = Minat belajar siswa

Dari data tabel diperoleh :

Y = 1733 X2Y = 144065 Y2 = 150293

X1 = 494 X1X2 = 41319

X2 = 1661 X12 = 12742

X1Y = 43051 X22 = 138141

Perhitungan Manual

1. Memasukan nilai statistik ke rumus yang di gunakan

2 2
( X 1) ( 494) 2701
1)  x12 =  X12 – = 12742 – = = 540,2
n 20 5

2 2
( X 2) (1661) 3899
2)  x2 =  X2 –
2 2
= 138141 – = = 194,95
n 20 20

2 2
( y) (1733) 2571
3)  y2 =  Y2 – = 150293 – = = 128,55
n 20 20

( X 1)( y ) ( 494)(1733) 2459

4)  x1y =  X1Y – = 43051 – = =
n 20 10

245,9

( X 2)( y ) (1661)(1733) 2787

5)  x2y =  X2Y – = 144065 – =
n 20 20

= 139,35

10
 ( X 1)(X 2) ( 494)(1661) 2923
6)  x1x2 =  X1X2 – = 41319 – =
n 20 10

= 292,3

X 2 1661
7) X 2 = = = 83,05
n 20

( X 2) 2 = (83,05)2 = 6897,3025

Y 1733
8) Y = = = 86,65
n 20

(Y ) 2 = (86,65)2 = 7508,2225

2. Menentukan nilai konstanta b1, b2, dan α

1) Nilai konstanta b1

(( x 2)2 ) ( x 1 y ) −( x 1 x 2 ) ( x 2 y )
b1 =
((x 1)2 )( (x 2)2 )− ( x 1 x 2 )2
( 194 , 95 ) ( 245 , 9 )−( 292 , 3 ) ( 139 ,35 )
b1 =
( 540 , 2 ) (194 , 95 )− (292 , 3 )2

720620
b1 = = 0,362618 ≈ 0,363
19872, 7

2) Nilai konstanta b2

(( x 1)2 ) ( x 2 y ) −( x 1 x 2 ) ( x 1 y )
b2 =
((x 1)2 )( (x 2)2 )− ( x 1 x 2 )2
( 540 ,2 ) ( 139 , 35 )−( 292 , 3 ) ( 245 , 9 )
b2 =
( 540 , 2 ) ( 194 , 95 )− (292 , 3 )

919
b2 = = 0,171104 ≈ 0,171
5371

3) Nilai konstanta α

11
 Y X1 X2
α= – b1 ( ) – b2 ( )
n n n

1733 494 1661

α= – 0,363 ( ) – 0,171 ( )
20 20 20

α = 86,65 – 8,966 – 14,201 = 63,483

3. Persamaan Regresi Linier Berganda

Y = α + b1X1 + b2X2

Y = 63,483 + 0,171X1 + 0,363X2

Perhitungan Nilai Korelasi

1. Koefisien korelasi ganda Ry.12

Ry.12 =
√ b1 ( x 1 y ) +b 2( x 2 y)
y2

Ry.12 =
√ 0,363 ( 245 , 9 )+ 0,171(139 ,35)
128 , 55

Ry.12 =
√ 6461240090
85700
= 0,937944 ≈ 0,938

2. Koefisien korelasi parsial r y1.2

n ( X 1Y ) −( X 1)(Y )
r y1.2 =
√[ n ( X 1 )−( X 1 ) ][ n ( Y )− (Y ) ]
2 2 2 2

20 ( 43051 ) −(494)(1733)
r y1.2 =
√[ 20 ( 12742 ) −( 494 ) ][ 20 ( 150293 )−( 1733 ) ]
2 2

r y1.2 = 0,933

3. Koefisien korelasi parsial r y2.1

12
 n ( X 2Y )−( X 2)(Y )
r y2.1 =
√[ n ( X 2 )−( X 2 ) ][ n ( Y ) −( Y ) ]
2 2 2 2

20 ( 144065 )−(1661)(1733)
r y2.1 =
√[ 20 ( 138141 ) −( 1661 ) ][ 20 ( 150293 )−( 1733 ) ]
2 2

r y2.1 = 0,88

4. Koefisien korelasi parsial r 12.y

n ( X 1 X 2 ) −(X 1)(X 2)
r 12.y =
√[ n ( X 1 )−( X 1 ) ][ n ( X 2 )− ( X 2 ) ]
2 2 2 2

20 ( 41319 ) −(494)(1661)
r 12.y =
√[ 20 ( 12742 ) −( 494 ) ][ 20 ( 138141 ) −( 1661 ) ]
2 2

r 12.y = 0,9

Perhitungan Nilai Koefisien Determinasi

KP = (Ry.12)2 x 100%

KP = (0,938)2 x 100% = 87,98%

Menentukan Fhitung dan Ftabel

1. Menghitung nilai Fhitung

( Ry .12 )2(n−m−1)
Fhitung =
m ( 1−Ry . 122 )

Keterangan :

n = Jumlah sampel

m = Jumlah variabel bebas

R = Koefisien korelasi ganda

13
 ( 0,938 )2 (20−2−1)
Fhitung =
2 ( 1−0,9382 )

Fhitung = 62,241

2. Menentukan nilai Ftabel

Ftabel-> taraf signifikasi a = 5% = 0,05

db (derajat bebas) = n – m – 1 = 20 – 2 – 1 = 17

Sehingga F(a)(m,db) = F(0,05)(2,17) = 3,591

Perhitungan Menggunakan SPSS

1. Interpretasi

Hasil Uji Analisis Regresi Linier Ganda yang akan diinterpretasi

yaitu Tabel Model Summary, Tabel Anova, dan Tabel

Coefficients.

Model Summary

Adjusted R Std. Error of

Model R R Square Square the Estimate

1 .938a .879 .865 .95606

a. Predictors: (Constant), Minat Belajar (X2), Fasilitas

Belajar Siswa ( X1 )

R = 0,938. Ini adalah hasil dari analisis regresi linier yang

ditunjukkan pada Tabel Model Summary. Dengan nilai R Square

atau koefisien determinasi 0,879, tabel ini menunjukkan bahwa

14
 semua variabel bebas, termasuk minat belajar fisika dan fasilitas

belajar fisika, memiliki korelasi atau hubungan positif dengan

variabel terikat hasil belajar fisika. Ini menunjukkan bahwa

secara keseluruhan, semua variabel bebas memberikan kontribusi

87,9% pada hasil belajar fisika.

ANOVAa

Sum of

Model Squares df Mean Square F Sig.

1 Regression 113.011 2 56.506 61.819 .000b

Residual 15.539 17 .914

Total 128.550 19

a. Dependent Variable: Hasil Belajar (Y)

b. Predictors: (Constant), Minat Belajar (X2), Fasilitas Belajar Siswa ( X1 )

Taraf signifikansi atau linieritas hasil analisis data ditentukan

dengan menggunakan output regression Tabel 6.10, yang

menghasilkan nilai F hitung 61,819 dan signifikansi 0,000

Untuk menentukan apakah hipotesis diterima atau ditolak,

kita dapat menggunakan nilai Sig atau nilai probabilitas tanpa

melihat tabel distribusi F. Dengan nilai Sig. = 0,000 < 0,05, Ho

ditolak. Ini menunjukkan bahwa ada pengaruh linier dari variabel

15
 bebas terhadap variabel terikat dengan taraf nyata 5% atau taraf

kepercayaan 95%. Ini berarti bahwa ada hubungan antara

variabel bebas, minat belajar, dan fasilitas belajar, dan hasil

belajar fisika yang bersifat linier. Dengan demikian, hasil analisis

ini dapat diinterpretasikan sebagai pengaruh linier dari minat

belajar dan fasilitas belajar terhadap Hasil uji koefisien regresi

dapat digunakan untuk menentukan seberapa besar pengaruh

masing-masing faktor tersebut.

Coefficientsa

Unstandardized Standardized

Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 63.483 11.033 5.754 .000

Fasilitas Belajar Siswa (

.363 .095 .743 3.829 .001
X1 )

Minat Belajar (X2) .171 .158 .211 1.085 .293

a. Dependent Variable: Hasil Belajar (Y)

Kolom Sig. di atas dan kolom B dari tabel coefficient regresi

menunjukkan bahwa:

1) Nilai konstan 63,483 dan Sig 0,00<0,05 menunjukkan bahwa

nilai konstan dapat dianggap sebagai faktor luar yang

mempengaruhi hasil belajar fisika selain fasilitas pendidikan

16
 dan minat belajar pada taraf kepercayaan 95%.

2) Koefisien Fasilitas Belajar 0,363 tidak mempengaruhi hasil

belajar fisika pada taraf kepercayaan 95%, dengan nilai B

0,363 dan Sig 0,002 < 0,05.

3) Koefisien minat belajar 17,1% tidak mempengaruhi hasil

belajar fisika pada taraf kepercayaan 95%, dengan nilai B

0,171 dan sig 0,000 < 0,05.

4) Berikut ini adalah persamaan regresi linier berganda untuk

menunjukkan pengaruh Fasilitas Belajar (X 1) dan Minat

Belajar (X2) terhadap Hasil Belajar Fisika (Y):

Y = 63,483 + 0,171X1 + 0,363X2

Menarik Kesimpulan

Kedua metode perhitungan, manual dan menggunakan SPSS, sama-

sama menghasilkan nilai yang sama untuk nilai konstanta, koefisiensi,

dan persamaan. Hasil perhitungan diperkuat, yang menunjukkan bahwa

minat dan fasilitas belajar mempengaruhi terhadap hasil belajar fisik.

17
 BAB III

PENUTUP

3.1 Kesimpulan

Metode statistik yang dikenal sebagai regresi linier berganda digunakan

untuk mempelajari bagaimana satu variabel dependen berhubungan dengan

dua atau lebih variabel independen. Tujuan dari metode ini adalah untuk

membuat model matematis yang menjelaskan hubungan antara variabel-

variabel independen dan variabel-variabel dependen, yang kemudian

memungkinkan untuk memperkirakan nilai-nilai masing-masing dari variabel

independen.

Sebuah persamaan matematis digunakan dalam regresi linier berganda

untuk menunjukkan hubungan tersebut, dan koefisien regresi menunjukkan

seberapa besar pengaruh masing-masing variabel independen terhadap

variabel dependen. Beberapa asumsi penting termasuk asumsi tentang

hubungan linear antara variabel, asumsi independensi dari kesalahan, dan

asumsi homoskedastisitas.

Untuk mengukur keakuratan model, beberapa metrik digunakan, termasuk

koefisien determinasi (r) dan uji signifikansi koefisien. Model regresi linier

berganda dapat membantu dalam memahami bagaimana variabel independen

mempengaruhi variabel dependen. Penting untuk diingat bahwa hasil regresi

harus diinterpretasikan dengan hati-hati, terutama jika asumsi dasar tidak

terpenuhi sepenuhnya.

18
 DAFTAR PUSTAKA

Janie, D. N. (2012). Statistik Deskriptif & Regresi Linier Berganda Dengan SPSS.

Semarang: Semarang University Press.

Raharjo, S. (2014, 2 1). Cara Melakukan Analisis Regresi Multiples (Berganda)

dengan SPSS. Retrieved from SPSSIndonesia:

https://www.spssindonesia.com/2014/02/analisis-regresi-multipes-dengan-

spss.html

Rahayu, A. (2022, 9 1). Pengenalan Analisis Regresi. Retrieved from Binus

University: https://binus.ac.id/malang/2022/09/pengenalan-analisis-

regresi/

Yuliara, I. M. (2016). REGRESI LINIER BERGANDA. Bali: Universitas Udayana.

19