Uji Normalitas sebagai Alat Evaluasi Asumsi Klasik Model Regresi

Abstract

Classical assumptions are used to determine the value of normal distribution data that can be relied upon from several implementations of the value of the normality test, the normality test is a statistical analysis test tool to determine the presence of indications of significant or non-significant values, several normality test methods include the Kolmogrov test, Smirnov, histogram, Shapiro test.

The presence of normal distribution data errors results in unreliable data which results in the data not having significant value from the existing test methods. The regression analysis technique itself is actually a value for predicting or predicting method errors or mistakes in the model.

Regression analysis can also be fulfilled with the normality test method. The two main tasks in regression analysis are the basic factors for making assumptions and discussion of covariance analysis. The purpose of regression analysis is also serves to assume how information can be changed by several variables and combining correlations between or more variables.

Keywords: implementation; method; mark; regresion.

Abstrak

Asumsi klasik digunakan untuk menentukan nilai dari suatu data distribsi normal yang dapat diandalkan dari beberpa implementasi niai dari uji normalitas, uji normalitas merupakan alat uji analisis statisktik untuk memnetukan adanya indikasi nilai signifikan atau nonsiginfikan, beberapa metode uji normalitas meliputi  uji kolmogrov, Smirnov, histogram, uji Shapiro.

Adanya kesalahan data distribusi normal mengakibatkan suatu data tidak dapat diandalkan yang mengakibatkan data tidak memiliki niai yang signifikan dari metode uji yang ada. Teknik Analisa regresi itu sendiri sebenarnya ialah nilai untuk meramal atau memprediksi dari ke eroran metode atau kesalahan dalam model.

Analisis regresi juga dapat dipenuhi dengan metode uji normalitas, dua tugas utama dalam analisis regresi adanya faktor yang mendasar untuk mengasumsi dan pembahasan mengenai analisis kovarian tujuan analisis regresi juga berfungsi untuk meng asumsi bagaimana suatu informasi dapat diubah dengan beberapa variabel dan penggabungan korelasi antar variabel atau lebih.

Kata kunci: implementasi; metode; nilai; regresi.

1. Pendahuluan

Asumsi klasik dalam model regresi adalah hubungan linear antara dua variabel independen dan dependen yang digunakan untuk mengetahui hasil data tersebut valid.

Tentunya asumsi ini meliputi beberapa hal seperti hubungan antara variabel independen dan dependen yang disebut linear, terjadi karena pada dasarnya variabel independen mempengaruhi perubahan terhadap variabel dependen.

Selain itu, terdapat asumsi error dalam model regresi yang mempunyai nilai rata-rata adalah nol, tidak berkorelasi dengan variabel independen, dan memiliki varians konstan atau biasa disebut dengan memiliki kesalahan homoskedastisitas.

Model ini pada dasarnya memberikan perkiraan yang tidak bias terhadap suatu sample populasi. Multikolinearitas pada umumnya terjadi ketika dua variabel atau lebih berkorelasi sangat tinggi antara satu sama lain. Selain itu, terdapat asumsi autokorelasi yang terjadi jika terdapat pola korelasi dalam nilai error dengan waktu yang berbeda.

Umumnya asumsi pelanggaran klasik seperti multikolinearitas menjelaskan kesalahan antara variabel independen dengan variabel dependen, heteroskedastisitas dalam kesalahan model, dan autokorelasi dalam model. Hal ini sering terjadi karena data yang diuji tentunya memiliki kesalahan atau belum tepat, oleh karena itu ketiga asumsi klasik tersebut bertujuan untuk memastikan bahwa data yang kita miliki sudah valid atau tidak.

Jika terdapat asumsi-asumsi tersebut maka kita dapat mengetahui terjadinya pelanggaran asumsi klasik. Namun, jika tidak maka data yang kita kelola sudah tepat.

Uji normalitas merupakan langkah awal dalam menganalisis data secara spesifik, dilakukan dengan menggunakan beberapa metode contohnya seperti One-Sample Kolmogorov-Smirnov Test. Uji ini dapat diketahui jika subjek dari penelitian nilai sebelum diperlakuan dan sesudah diperlakukan memiliki nilai 0,05 yang berarti distribusi data yang diberikan adalah normal.

Uji normalitas ini penting agar dapat memastikan data yang digunakan dalam analisis stastik tersebut mempunyai data yang normal, sehingga dapat memenuhi asumsi klasik dalam model regresi konteks ini biasanya juga digunakan untuk mengetahui tingkat produktivitas kerja, dan SOP. Data yang dihasilkan nantinya digunakan untuk menganalisis model regresi bersamaan dengan asumsi normalitas.

Uji normalitas sebagai alat evaluasi dalam analisis regresi biasanya digunakan untuk mengetahui nilai residual apakah terdistribusi secara normal atau tidak. Hasil yang baik tentunya dapat digunakan untuk memprediksi variabel dependen dengan baik.

Selain menggunakan One-Sample Kolmogorov-Smirnov, penggunaaan penyebaran data grafik Normal P-P Plot Of Regression juga digunakan untuk mengambil keputusan terkait dengan uji normalitas residual.

Jika penyebaran data tersebut mengikuti garis diagonal, maka model tersebut dianggap normal dan dapat digunakan untuk memprediksi variabel independen dan dependen. Analisis regresi dalam asumsi normalitas merupakan hal penting yang harus dipenuhi agar hasil dari model regresi nantinya dapat diandalkan.

Pada umumnya, peneliti memastikan bahwa data yang digunakan nantinya dalam analisis regresi mempunyai kenormalan dalam pendistribusian, penting uji normalitas dilakukan agar nantinya asumsi normalitas tersebut dapat digunakan sebagai data terhadap analisis stastik Uji-T dan ANOVA.

Pelanggaran asumsi normalitas sendiri tentunya dapat mempengaruhi hasil dari analisis regresi diantaranya yang memungkinkan yaitu data residual yang tidak terdistribusi secara normal, maka pengaruh dari estimasi parameter menjadi tidak konsisten dengan data.

Selain dari data residual, ada uji hipotesis yang dimana selalu bergantung dengan pendistribusian normal, seperti pengujian Uji-T maupun Uji-F sehingga dapat memberikan hasil yang tidak sesuai.

Pelanggaran ini biasanya juga mempengaruhi interepretasi dari analisis determinasi yang biasa kita sebuat R Square, memiliki tujuan untuk mengukur seberapa besar variabel independen memberikan pengaruh terhadap variabel dependen.

Dari hal tersebut tentunya pelanggaran asumsi normalitas dapat memunculkan suatu kesalahan terhadap interpretasinya maupun kesimpulan yang tidak akurat dalam analisis regresi. Maka dari itu penting bagi para peneliti untuk memastikan data yang didistribusikan normal sebelum melakukan analisis regresi.

Uji normalitas pada umumnya memiliki beberapa metode yang dapat digunakan, seperti uji Kolmogorov-Smirnov dan dan uji Shapiro-Wilk. Uji Kolmogorov-Smirnov umumnya digunakan untuk menguji sampel yang berasal melalui distribusi tertentu, dan juga digunakan untuk mendeteksi apakah sampel tersebut berasal dari distribusi normal.

Uji Shapiro-Wilk merupakan metode yang tingkat normalitas yang cukup efektif, sehingga metode ini dapat digunakan pada sampel yang berjumlah kecil dan juga berguna untuk mendeteksi pendistribusian berdasarkan skewness atau kurtosis. Selain itu, terdapat uji metode lain seperti uji Liliefors, Anderson Darling, dan uji Jarque-Bera. Dimana uji dari Lilliefors adalah variasi yang dihasilkan melalui Uji Kolmogrov-Smirno.

Uji dari Anderson Darling juga merupakan bagian dari uji Kolmogorov-Smirnov yang menguji data sampel pendistrubusian dengan cara yang lebih spesifik. Dan untuk uji Jarque-Bera bertujuan untuk menguji skewness dan kurtosis dari pendistribusian data.

Uji Kolmogorov-Smirnov bertujuan untuk membandingkan distribusi empiris dengan distribusi teortitis yang diinginkan. Misalkan saja untuk mengetahui hasil nilai dari C. C umumnya merupakan nilai maksimum dari selisih distribusi empiris dan teoritis. Jika nilai C semakin kecil maka distribusi yang akan dihasilkan sesuai dengan teoritis yang diharapkan.

Sedangkan uji Shapiro-Wilk sendiri adalah metode yang menguji tingkat normalitas yang efektif dengan sampel yang berjumlah kecil. Misalkan saja nilai dianggap sebagai A. Jika nilai A mendekati 1 maka data tersebut tentunya merupakan pendistribusian normal.

Umumnya untuk menggunakan uji normalitas tentunya memiliki beberapa metode yang dapat digunakan untuk melakukan pendataan terkait dengan distribusi data salah satunya adalah histogram. Histogram merupakan salah satu contoh yang dapat digunakan untuk menguji suatu data apakah data tersebut normal atau tidak.

Hal tersebut tidak terlepas dari konteks pentingnya asumsi normalitas terhadap analisis statistik dalam model regresi yang nantinya data tersebut dapat digunakan untuk pendistribusian. Misalkan saja kita ambil data jumlah mahasiswa dan rata-rata tinggi badannya, data ini terbagi menjadi dua hal. Misalkan X sebagai tinggi dari mahasiswanya dan Y sebagai banyaknya mahasiswa dengan tinggi badan rata-rata.  Dari uji beberapa uji normalitas.

Pada gambar 1.1 merupakan data yang dimisalkan, seperti pada penjelasan tadi X adalah sebagai tinggi badan dan Y adalah sebagai jumlah mahasiswa.

Dari data tersebut terlihat bahwa pendistribusian yang dilakukan melalui metode histogram tersebut membentuk pola seperti lonceng yang dimana perlu kita ketahui bahwa gambar pada grafik tersebut termasuk pada pola yang normal, sehingga data tersebut dapat dikelola secara valid.

Meskipun jika kita lihat pada grafik mengarah ke atas tidak terjadi secara sismetris. Selain itu, metode histogram ini biasanya dapat digunakan untuk menganalisis data lebih lanjut, misalkan saja analisis model regresi dan simpulan statistik.

Jika suatu data yang dianalisis melalui metode histogram terpenuhi maka hasil maupun keputusan yang diambil nantinya akan lebih akurat. Perlu diketahui bahwa untuk memastikan data yang dikelola sudah valid berdasarkan metode histogram, kita juga bisa menggunakan metode lainnya seperti uji Shapiro-Wilk dan uji Kolmogorov-Smirnov jika ingin memastikan lebih lanjut.

2. Literatur Review

 

3. Metode

Uji normalitas digunakan untuk menelaah apakah data yang terdistribusi itu sudah terdacata secara signifikan atau tidak, uji normalitas ini memiliki peranan yang pemting karena sebagai dugaan dasar dari sebagian Teknik Analisa data lainya.

Teknik Analisa regresi itu sendiri sebenarnya ialah nilai untuk meramal atau memprediksi dari ke eroran metode atau kesalahan dalam model.

Ada beberapa cara dalam menguji uji normalitas dengan konteks model regresi dinataranya metode uji tersebut uji Kolmogrov dan uji Smirnov didalam kontek model regresi ini digunakan untuk menguji sejauh mana ke erorran model  dalam melakukan similarisasi distribusi normal.

Ada juga model regresi yang menggunakan metode Quantie to Quantie (Q-Q) yaitu metode histogram digunakan untuk mendeskripsikan distribusi frekuensi dari ke seorang model, sedangkan Quantie to Quantie atau istilahnya plot Q-Q yaitu sebagai deskrminasi sebagaimana adanya erorr terhadap model distribusi normal, cara dari plot Q-Q (Quantie to Quantie) ialah dengan membedakan serta membandingkan titik beberapa kumpulan data dengan garis linier yang mewakili dari distribusi normal.

Jika Hasil uji normalitas menunjukan adanya ke eroran dalam pendistribusian data. Hal ini dapat memepengaruhi Tingkat terhadap kebasahan data dari suatu metode yang digunakan. Misal dari  uji metode dugaan atau isitilah disebut dengan metode hipotesa.

Pengujian dari hoptesis sendiri melipuiti interval, kepercayaan, peramalan atau prediksi dari model regresi, sehingga dari ke eroran data menyebaabkan prediksi asumsi normalitas tidak akurat, jika data tidak terdistribusi secara normal maka ada langkah-langkah yang diambil untuk mengatasi beberapa masalah masalah dalam distribusi normal.

Langkah-langkah tersebut bisa diambil dari transformasi dua variabel, yaitu variabel dependen (variabel terikat) dan variabel bebas (variabel tak terikat) keduanya masuk kedalam model metode regressi non parametik, sehingga dari transformasi kedua variabel tersebut dapat mengubah data distribusi menjadi data distribusi normal sedangkan metode non parametik  tidak bergantung terhadap asumsi dari setiap uji normalitas yang digunakan.

Ada beberapa teknik yang digunakan dalam pengujian regresi non parametrik untuk mengatasi berbagai masalah  dari kesalahan data distribusi normal atau non normal dalam analisis regresi.

Teknik dalam pengujian non paramterrik disebut juga dengan Teknik Boot Straping yaitu Teknik dengan metode sampel ulang yang diambil sehingga memungkinkan untuk mendapatkan dari beberapa kesalahan dari distrisbusi normal sesuai dengan estimasi yang ditentukan.

Sehingga dari teknik boot straping ini dapat digunakan jika ada ke eroran data dalam distribusi normal untuk meng asumsi bahwa data tersebut terdistribusi secara signifikan.

Ada beberapa asumsi yang harus dipertimbangkan dalam uji normalitas dan juga harus diperjelaskan secara terpisah ada 3 unsur didalam uji normalitas ini yang harus diperhatikan yaitu uji heteroskesdisitas, linieritas, dan independensi. Sehingga dapat ditarik kesimpulan bahwa uji normalitas itu hanya ada satu dari berbagai asumsi yang ada.

Asumsi normalitas juga harus diperhatikan dan dipertimbangkan untuk masuk kedalam analisis regresi, sangat penting dilakukan untuk masuk ke tahap analisis regresi linier sebelum menarik kesimpulan dari beberapa model regresi.

Uji normalitas yang sering digunakan ialah uji Jarque-Bera istilahnya adalah uji Kolmogrov-Smirnov, jika P mendekati 0 artinya distribusi normal bisa digunakan dalam metode model regresi jika P value dibawah 0,5 maka tidak bisa masuk kedalam asumsi model regresi.

Nilai P sendiri ialah hasil dari penelitian (obeservasi) kemudian diamsusikan secara metode hipotesa secara kebetulan, dengan catatan asumsi hipotesa nol, cara dari menentukan nilai P value sendiri ialah mementukan data distribusi tersebut secara signifikan terhadap beberapa kumpulan data tertentu ada 3 cara dalam memahami nilai P value diantaranya hipotesa nol, siginifikasi dan hipotesis alternatif.

P value digunakan sebagai bukti data yang digunakan untuk memecahkan hipotesis nol (H0). Digunakan untuk mengindikasikan seberapa kuat bukti yang di uji.

Ada beberapa prosedur yang harus diperhatikan ketika menggunakan uji normalitas. Ketika menggunakan system analisis statiski model regresi linier diantaranya adalah dari uji normalitas itu sendiri terdapat uji Kolmogrov, uji Smirnov, dan uji Shapiro.

Dimana ke 3 pengujian itu termasuk ke dalam pengujian paramterik, langkah-langkah uji normalitas mencakup:

1. Pemeriksaan data yang terdistribusi dengan menggunakan metode visual yaitu dengan metode histogram yang  berguna sebagai pendeskripisian bentuk distribusi data atau istilahnya dikenal dengan plot Q-Q (Quantie to Quantie),
2. Bagaimana uji normalitas diperlakukan untuk menghitung berapa nilai statistik, beserta perhitungan nilai dari P value,
3. Menelaah dari hasil uji normalitas yang dipergunakan guna untuk membandingkan nilai dari P value dengan asumsi nilai signifikan yang telah ditentukan.

Jika nilai P value itu sendiri dibawah nilai umum biasanya 0,05 maka nilai p value kurang  dari penentuan  nilai signifikan yang ditentukan, maka uji normalitas tersebut dalam analisis regresinya tidak terdistribusi datanya secara teratur (normal).

Langkah-langkah alternatif lain yang digunakan dalam uji normalitas itu sendiri  ada yang menunjukan pelanggaran dari berbagai asumsi nilai distribusi normal, maka penggunaan metode non parametrik bisa dipertimbangkan, ada beberapa kasus kasus tertentu.

Ketika menganalasis sampel yang besar  adanya pelanggaran terhadap berbagai dugaan dalam distribusi normal, tetapi dari pelanggaran tersebut tidak memiliki dampak  yang  siginfikan terhadap hasil objektivitas pada model analisis statistic.

Uji asumsi klasik juga memiliki persamaan regresi yang mencakup Uji Normalitas, Multikolonieritas, Uji Heteroskesdisitas, Autokorelasi dan Uji T.

a. Uji Normalitas

Uji normalitas ini digunakan untuk mengatahui nilai residual, bagaimana nilai residual tersebut memiliki nilai yang signifikan atau non signifikan, jika signifikan otomotis kategori tersebut memiliki distribusi data yang normal jika tidak siginifikan maka tidak memiliki distribusi secara normal atau tidak dapat diukur dengan metode analisis regresi. Gambaran dari uji normalitas:

1. jika nilai > 0,05 maka disebut dengan distribusi normal
2. jika nilai < 0,05 maka disebut dengan distribusi yang tidak normal

b. Uji Multikolonieritas

Uji Multikolonieritas ini digunakan untuk mendekati variabel independent dan model regresi sehingga terjadi adanya hubungan linier yang sempurna, uji Multikolonieritas ini dapat dikatakan sempurna jika semua variabel independent masuk kedalam fungsi linier. Jika nilai vif kurang dari 10 dan toleransi lebih dari 0,1 maka  tidak ada hubungan uji multikolonieritas yang sempurna

c. Uji Heteroskesdisitas

Uji Heteroskesdisitas ini terjadi jika tidak adanya kesamaan semua variabel dan residual  untuk semua observasi dalam model regresi.

Residual adalah nilai Y terhadap nilai Y yang sudah diprediksi sehingga dari variabel tersebut adanya selisih antara  variabel Y dan variabel Y yang sudah di prediksi, uji Heteroskesiditas ini dapat memiliki nilai yang signifikan jika dari beberapa distribusi normal memiliki nilai mutlak yang positif semua, sehingga jika nilai variabel independent tersebut > 0,05 maka adanya nilai yang signifikan sehingga tidak terjadi  uji Heteroskesdisitas.

d. Auto-korelasi

Auto-korelasi terjadi karena adanya model korelasi berkorelasi terhadap t dengan residual periode sebelumnya dengan matematis (t-1), adanya auto-korelasi jika memiliki model regresi yang baik, uji autokorelasi biasanya menggunakan metode durbin Watson(DW).

Jika nilai < 2,35 maka tidak terjadi adanya uji autokorelasi; jika nilai 1,21 < 1,65 < 2,35 < 2,79 maka nilai dari auto-korelasi dapat disimpulkan bahwa terjadinya auto-korelasi jika DW < 1,21 dan DW > 2,79.

Tabel Uji Statistik Tabel Durbi Watson (DW)

e. Nilai Uji T

Uji T ini digunakan bagaimana pengaruh variabel independent (X) terhadap variabel dependent (Y) keterangan

1. H0 tidak memiliki pengaruh dari variabel x1 x2 terhadap nilai variabel Y3
2. Ha adanya pengaruh dari variabel x1 x2 terhadap nilai variabel Y3

Didalam suatu analisis yang kuat dapat menyeleksi dan menguji dengan berbagai metode uji normalitas terhadap variabel variabel yang ditentukan secara kolektif  untuk menjawab dari berbagai asumsi asumsi dan pertanyaan yang komplek  dengan model regresi. Sehingga dapat memiliki kepercayaan terhadap hasil penelitian yang dilakukan.

Intisari dari regresi sendiri itu untuk menggabungkan nilai dari beberapa variabel yang ada untuk menentukan apakah nilai itu memiliki distribusi normal atau tidak.

3. Hasil dan Pembahasan

Analisis regresi juga dapat dipenuhi dengan metode uji Normalitas, dua tugas utama dalam analisis regresi adanya faktor yang mendasar untuk mengasumsi dan pembahasan mengenai analisis kovarian tujuan analisis regresi juga  berfungsi untuk meng asumsi bagaimana suatu informasi dapat diubah dengan beberapa variabel dan penggabungan korelasi antar variabel atau lebih  untuk memprekdiksi perubahan perubahan data.

Garis regresi memliki persamaan dalam perhitungan matematis sehingga istilah garis ini disebut dengan persamaan garis regresi. Persamaan regresi tersebut dapat dituliskan.

Keterangan

Y : Kriterium

X : Predictor

a : Bilangan Koofisien

k : Bilangan Konstan

Analisis regresi juga memiliki korelasi terhadap  predictor x dan kriterium Y didalam korelasi antar dua variabel ini menggunakan teknik Korelasimomen dari person, perumusan matematisnya.

Analisis regresi sebenarnya adalah analasis variasi terhadap garis linier. Uji F dihasilkan dari analisis regresi. Sehingga persamaan bilang F dapat dirumuskan.

Keterangan

F reg    = bilangan F terhadap garis regresi

Rk reg  = rerata kuadrat garis regresi

Rk res  = rerata kuadrat residu X

Bilangan F diperoleh dari perbandingan antara korelasi RK residu RK regresi maka jika nilai RK_res  > bilangan F maka nilai dari bilangan F semakin kecil, jika RK res memiliki ke erorr-an maka bilangan F akan ditentukan oleh harga dari variabel.

Jika RK reg memiliki nilai yang kecil maka bilangan f tidak memiliki landasan terhadap garis regresinya sehingga tidak memiliki ilia yang sigifikan untuk mengasumsi. Ada beberapa asumsi asumsi didalam model analisis statistic regresi linier (Gujarati, 2003) antara lain asumsi asumsi tersebut adalah

1. Linier dalam parameternya termasuk dalam model regresi
2. Nilai mean terhadap ke erorran sebesar nol
3. Ke erorran merubakan data yang bersifat distribusi normal
4. Ke erorran tidak menyebabkan terjadinya auto korelasi
5. Tidak adanya hubungan uji multikolinieritas terhadap variabel indepent ( variabel bebas)

4. Kesimpulan

Penelitian ini memiliki data yang signifikan agar asumsi dari uji metode yang diimplementasikan dapat diandalkan, ada beberapa metode uji Normalitas yang berfungsi untuk menguji data secara umum berdasarkan fenomena permasalahan yang ada, sehingga dapat memilih kategori untuk melakukan penelitian tersebut.

Fungsi dari uji Normalitas itu sendiri untuk membedakan bagaimana data normalitas dapat teridistribusi secara normal atau tidak.

 

Penulis:

1. Muhammad Taha Yassin R (B100210336)
2. Muhammad Alif Nur Iman (B100210363)
3. Dimas Rama Sudrajad (B100210366)

Mahasiswa Manajemen, Universitas Muhammadiyah Surakarta

Editor: Salwa Alifah Yusrina
Bahasa: Rahmat Al Kafi

 

Referensi

1. A. Karjono dan Wijaya, “Analisis pengaruh roe, der dan tato terhadap harga saham pada Perusahaan Manufaktur Sektor Industri barang konsumsi yang terdaftar di bursa efek Indonesia periode 2012–2015,”
2. N. Haniah, “Uji Normalitas Dengan Metode Liliefors,” Stat. Pendidik., no. 1, hal. 1–17, 2013,
3. A. Qurnia Sari, Y. Sukestiyarno, dan A. Agoestanto, “Batasan Prasyarat Uji Normalitas dan Uji Homogenitas pada Model Regresi Linear,” Unnes J. Math., vol. 6, no. 2, hal. 168–177, 2017,
4. A. Quraisy, “Normalitas Data Menggunakan Uji Kolmogorov-Smirnov dan Saphiro-Wilk,” J-HEST J. Heal. Educ. Econ. Sci. Technol., vol. 3, no. 1, hal. 7–11, 2022,
5. A. I. Suryani, K. Syahribulan, dan …, “Pengaruh Penggunaan Metode Mind Mapping terhadap Hasil Belajar Ilmu Pengetahuan Sosial Murid Kelas V SDN no. 166 Inpres Bontorita Kabupaten Takalar,” JKPD (Jurnal Kaji. …, vol. 4, no. 166, 2019,
6. P. Penerapan, S. Operasional, P. Dan, S. Artha, dan R. Intan, “Pengaruh Penerapan Standar Operasional Prosedur Dan Kompetensi Terhadap Produktivitas Kerja Karyawan Divisi Ekspor Pt. Dua Kuda Indonesia,” J. Ilm. M-Progress, vol. 11, no. 1, hal. 38–47, 2021,
7. D. S. Purba, W. J. Tarigan, M. Sinaga, dan V. Tarigan, “Pelatihan Penggunaan Software SPSS Dalam Pengolahan Regressi Linear Berganda Untuk Mahasiswa Fakultas Ekonomi Universitas Simalungun Di Masa Pandemi Covid 19,” J. Karya Abadi, vol. 5, hal. 5–24, 2021.
8. M. F. Haeruddin, “Pemodelan Regresi Linier untuk Data Deret Waktu Linear Regression Modeling for Time Series Data,” vol. 2, 2011.
9. Nur Isra, S. Annas, dan M. K. Aidid, “Pengembangan Paket R Untuk Analisis Diskriminan Berbasis Graphical User Interface Web Interaktif,” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 4, no. 3, hal. 128–141, 2022,
10. R. K. Al-Jihadi dan N. Suprayogi, “Pengaruh Pertumbuhan Faktor Eksternal Dan Internal Terhadap Pertumbuhan Dana Pihak Ketiga Bank Syariah,” J. Ekon. Syariah Teor. dan Terap., vol. 7, no. 12, hal. 2286, 2020,
11. T. N. Padilah dan R. I. Adam, “Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas Tanaman Padi Di Kabupaten Karawang,” FIBONACCI J. Pendidik. Mat. dan Mat., vol. 5, no. 2, hal. 117, 2019,
12. R. P. Ayuwardani dan I. Isroah, “PENGARUH INFORMASI KEUANGAN DAN NON KEUANGAN TERHADAP UNDERPRICING HARGA SAHAM PADA PERUSAHAAN YANG MELAKUKAN INITIAL PUBLIC OFFERING (Studi Empiris Perusahaan Go Public yang terdaftar di Bursa Efek Indonesia Tahun 2011-2015),” Nominal, Barom. Ris. Akunt. dan Manaj., vol. 7, no. 1, 2018,
13. P. Dewanata dan U. N. Jakarta, “Analisis Volume Saham Campina Ice Cream Industry Tbk . ( ISSI ): Regresi dengan Teknik Imputasi LOCF,” vol. 7, no. December, hal. 72–93, 2022.

 

Ikuti berita terbaru Media Mahasiswa Indonesia di Google News