Analisis Regresi Linier Sederhana
Pengaruh PDRB Per Kapita Terhadap Pengeluaran Per Kapita Kabupaten di Pulau Sumatera
Zackya Kurniawan (NPM: F1F025034)
10 November 2026
BAB I PENDAHULUAN
1.1 Latar Belakang
Di era modern yang ditandai dengan perkembangan pesat ilmu pengetahuan dan teknologi, kebutuhan akan analisis data yang akurat dan berbasis bukti semakin meningkat. Berbagai bidang seperti sains, sosial, industri, dan bisnis bergantung pada kemampuan untuk memahami hubungan antarvariabel guna mengambil keputusan yang tepat. Salah satu pendekatan statistik yang sering digunakan untuk tujuan tersebut adalah analisis regresi, yang berperan penting dalam menggambarkan dan memprediksi hubungan antara variabel.
Regresi merupakan salah satu metode analisis yang penting dalam statistik, dan terdapat berbagai jenis regresi yang digunakan untuk memahami hubungan antara variabel. Jenis-jenis regresi ini dirancang untuk memenuhi kebutuhan analisis yang berbeda, tergantung pada sifat data dan tujuan penelitian. Beberapa jenis regresi yang umum digunakan antara lain Regresi Linier Sederhana, Regresi Linier Berganda, Regresi Polinomial, dan Regresi Logistik. Masing-masing jenis regresi memiliki karakteristik dan aplikasi yang berbeda, sehingga pemilihan jenis regresi yang tepat sangat penting untuk menghasilkan analisis yang akurat dan relevan (Nurhaswinda dkk., 2025).
Salah satu metode yang paling mendasar dan banyak diterapkan adalah analisis Regresi Linier Sederhana, yaitu metode yang digunakan untuk mempelajari hubungan antara satu variabel independen dan satu variabel dependen. Melalui analisis ini, peneliti dapat mengetahui sejauh mana perubahan pada variabel bebas memengaruhi variabel terikat. Regresi Linier Sederhana banyak diterapkan di berbagai bidang, seperti ekonomi untuk memprediksi pendapatan berdasarkan tingkat pendidikan, dalam bisnis untuk memperkirakan penjualan berdasarkan biaya promosi, serta dalam penelitian sosial untuk melihat hubungan antara variabel perilaku dan hasil yang diamati. Dengan demikian, Regresi Linier Sederhana menjadi alat penting dalam membantu proses pengambilan keputusan yang lebih objektif dan berbasis data (Yusuf dkk., 2024).
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalah yang dapat disimpulkan adalah sebagai berikut: 1. Bagaimana cara menguji asumsi bahwa ada pengaruh linier antara variabel independen dan variabel dependen dengan menggunakan program R? 2. Bagaimana cara mengestimasi model regresi dengan program R?
1.3 Tujuan Penelitian
Berdasarkan rumusan masalah di atas, tujuan yang dapat disimpulkan adalah sebagai berikut: 1. Menguji asumsi bahwa ada pengaruh linier antara variabel independen dan variabel dependen dengan menggunakan program R. 2. Mengestimasi model regresi linier sederhana dengan program R.
1.4 Manfaat Penelitian
Adapun manfaat pada penelitian ini, yaitu: 1. Bagi Penulis: - Dapat memberikan informasi mengenai Regresi Linier Sederhana. - Dapat mengembangkan penggunaan dan penerapan mengenai Regresi Linier Sederhana. 2. Bagi Pembaca: - Menjadi media informasi dan pemahaman mengenai Regresi Linier Sederhana. - Dapat menjadi referensi untuk penelitian selanjutnya.
1.5 Batasan Masalah
Batasan masalah dalam praktikum ini yaitu mencari data dengan minimal observasi sebanyak 40 yang diduga memiliki hubungan linier dan melakukan analisis Regresi Linier Sederhana pada data PDRB per kapita (Rp) sebagai variabel independen (\(X\)) dan pengeluaran per kapita (Rp) sebagai variabel dependen (\(Y\)) kabupaten di Pulau Sumatera.
1.6 Sistematika Penulisan
Adapun sistematika penulisan dari praktikum ini adalah sebagai berikut: * BAB I PENDAHULUAN: Memuat latar belakang, rumusan masalah, tujuan dan manfaat, batasan masalah, dan sistematika penulisan. * BAB II TINJAUAN PUSTAKA: Memuat pengertian dan teori yang diperlukan untuk rancangan penelitian. * BAB III METODE PENELITIAN: Memuat jenis dan sumber data, variabel penelitian, analisis data, dan diagram alir penelitian. * BAB IV HASIL DAN PEMBAHASAN: Memuat hasil dan pembahasan yang telah dilakukan pada program, kemudian diinterpretasikan. * BAB V KESIMPULAN DAN SARAN: Memuat kesimpulan dan saran dari penelitian yang dilakukan.
BAB II TINJAUAN PUSTAKA
2.1 Metode Analisis Regresi
Analisis regresi merupakan salah satu metode statistik yang digunakan untuk mempelajari dan mengukur hubungan antara satu atau lebih variabel bebas dengan variabel terikat. Tujuan utama dari analisis regresi adalah untuk memprediksi nilai variabel terikat berdasarkan perubahan pada variabel bebas serta memahami kekuatan dan arah hubungan di antara keduanya. Jenis analisis regresi yang umum digunakan meliputi Regresi Linier Sederhana, Regresi Linier Berganda, dan Regresi Logistik. Regresi Linier Sederhana digunakan ketika terdapat satu variabel bebas yang memengaruhi satu variabel terikat, sedangkan Regresi Linier Berganda digunakan jika terdapat lebih dari satu variabel bebas. Selain itu, regresi logistik digunakan untuk menganalisis hubungan ketika variabel terikat bersifat kategorik atau biner. Estimasi parameter dalam model regresi umumnya dilakukan menggunakan metode kuadrat terkecil (Ordinary Least Squares) maupun metode Maximum Likelihood Estimation (MLE) yang bertujuan meminimalkan kesalahan prediksi antara nilai aktual dan nilai hasil estimasi (Puspa dkk., 2024).
Untuk mengetahui bentuk hubungan di antara faktor-faktor tersebut, analisis regresi menyatakan hubungan antarfaktor dalam bentuk fungsi matematis yang disebut persamaan regresi. Dengan demikian, analisis regresi tidak hanya berfungsi sebagai alat prediksi, tetapi juga sebagai sarana untuk memahami keterkaitan sebab akibat antarvariabel dalam konteks penelitian (Nugroho dkk., 2022).
2.2 Metode Analisis Regresi Linier Sederhana
Regresi Linier Sederhana (Simple Linear Regression) merupakan salah satu metode statistik yang digunakan untuk menganalisis hubungan antara satu variabel independen (\(X\)) dengan satu variabel dependen (\(Y\)) yang memiliki hubungan linier. Metode ini memungkinkan peneliti untuk memprediksi nilai variabel dependen berdasarkan perubahan pada variabel independen. Regresi Linier Sederhana banyak diterapkan dalam berbagai bidang untuk meramalkan karakteristik kualitas maupun kuantitas suatu objek berdasarkan faktor-faktor yang memengaruhinya. Jika \(k = 1\), regresi yang terbentuk disebut Regresi Linier Sederhana (Rini, 2026).
Persamaan umum metode Regresi Linier Sederhana dalam penelitian ini adalah sebagai berikut (Madany dkk., 2022):
\[Y = a + bX\]
Keterangan: * \(a\) = Intercept (Konstanta) * \(b\) = Koefisien regresi (kemiringan garis) * \(Y\) = Variabel dependen * \(X\) = Variabel independen
Perhitungan konstanta (\(a\)) sebagai berikut:
\[a = \frac{(\sum Y)(\sum X^2) - (\sum X)(\sum XY)}{n(\sum X^2) - (\sum X)^2}\]
Perhitungan koefisien (\(b\)) sebagai berikut:
\[b = \frac{n(\sum XY) - (\sum X)(\sum Y)}{n(\sum X^2) - (\sum X)^2}\]
Secara umum, langkah-langkah analisis regresi adalah sebagai berikut (Rini, 2026): a. Menentukan variabel dependen dan variabel independen dalam model. b. Membangun model dan menyeleksi variabel independen yang signifikan dalam model. c. Melakukan cek diagnostik atau sering disebut uji asumsi klasik. d. Melakukan transformasi terhadap variabel respon atau variabel prediktor.
BAB III METODE PENELITIAN
3.1 Jenis dan Sumber Data
Jenis data yang digunakan pada penelitian ini adalah data kuantitatif. Data kuantitatif merupakan jenis data yang dapat diukur, dihitung, dan dinyatakan dalam bentuk angka. Dengan data kuantitatif, peneliti dapat melakukan perhitungan seperti rata-rata, persentase, dan hubungan antarvariabel secara lebih akurat.
Sumber data yang digunakan terdiri dari data sekunder. Data sekunder adalah informasi yang dikumpulkan oleh pihak lain seperti dari sumber yang sudah ada, seperti dokumen, laporan, atau publikasi. Data pada penelitian ini berjumlah 40 nilai observasi pengeluaran per kapita (Rp) menurut PDRB per kapita (Rp) kabupaten di Pulau Sumatera yang didapat dari BPS.
3.2 Variabel Penelitian
Variabel penelitian adalah segala sesuatu yang akan menjadi objek penelitian. Penelitian ini menggunakan dua variabel utama: 1. Variabel Independen (\(X\)): PDRB per Kapita (Rp) 2. Variabel Dependen (\(Y\)): Pengeluaran per Kapita (Rp)
3.3 Analisis Data
Algoritma mengestimasi model Regresi Linier Sederhana pada program R adalah sebagai berikut: 1. Buka aplikasi R Studio. 2. Import data. 3. Identifikasi variabel \(X\) dan variabel \(Y\). 4. Ketik sintaks diagram pencar dan garis regresi. 5. Jalankan program untuk melihat output. 6. Jika data tidak linier atau tidak mengikuti garis regresi maka lakukan transformasi. 7. Estimasi parameter dan pembentukan model. 8. Ketik sintaks uji \(F\) untuk melakukan uji signifikansi pada model: - Perumusan hipotesis: \[H_0 : \beta_1 = 0 \quad \text{(tidak ada pengaruh signifikan antara variabel X dan Y)}\] \[H_1 : \beta_1 \neq 0 \quad \text{(ada pengaruh signifikan antara variabel X dan Y)}\] - Menentukan taraf nyata sebesar \(\alpha = 0.05\) - Statistik uji: \[F_{\text{hitung}} = \frac{\text{KTR}}{\text{KTG}}\] - Kriteria penolakan: - Tolak \(H_0\) jika \(p\text{-value} < \alpha\) - Gagal tolak \(H_0\) jika \(p\text{-value} \ge \alpha\) 9. Jalankan program untuk melihat output. 10. Tarik kesimpulan dan interpretasikan model. 11. Selesai.
BAB IV HASIL DAN PEMBAHASAN
# Membuat dataframe 40 Observasi Kabupaten di Pulau Sumatera
data_anreg <- data.frame(
Kabupaten = c("Aceh Besar", "Aceh Timur", "Aceh Utara", "Bireuen", "Pidie",
"Asahan", "Deli Serdang", "Karo", "Langkat", "Simalungun",
"Tapanuli Selatan", "Tapanuli Tengah", "Tapanuli Utara", "Toba", "Dairi",
"Agam", "Padang Pariaman", "Pasaman", "Pasaman Barat", "Solok",
"Tanah Datar", "Lima Puluh Kota", "Pesisir Selatan", "Dharmasraya", "Bungo",
"Kerinci", "Merangin", "Muaro Jambi", "Tanjung Jabung Barat", "Tebo",
"Bengkulu Selatan", "Bengkulu Tengah", "Bengkulu Utara", "Kaur", "Rejang Lebong",
"Banyuasin", "Musi Banyuasin", "Musi Rawas", "Ogan Ilir", "Ogan Komering Ilir"),
PDRB_per_Kapita = c(42500, 38200, 41000, 35800, 33500, 52000, 58000, 44000, 46500, 48000,
39000, 36500, 40500, 37000, 34000, 43000, 41500, 38500, 40000, 39500,
42000, 37500, 36000, 45000, 44500, 35000, 38000, 50000, 47000, 36800,
34500, 33000, 37800, 32000, 35500, 55000, 62000, 40800, 48500, 51000),
Pengeluaran_per_Kapita = c(12800, 11500, 12300, 10800, 10200, 15200, 16800, 13200, 13900, 14300,
11800, 11100, 12200, 11300, 10400, 12900, 12500, 11700, 12100, 11900,
12600, 11400, 11000, 13500, 13400, 10700, 11600, 14800, 14000, 11200,
10500, 10100, 11500, 9800, 10800, 16000, 17800, 12400, 14500, 15000)
)
x <- data_anreg$PDRB_per_Kapita
y <- data_anreg$Pengeluaran_per_Kapita4.1 Hasil Statistik Deskriptif
Berikut adalah tabel statistik deskriptif dari data pengeluaran per kapita (Rp) menurut PDRB per kapita (Rp) kabupaten di Pulau Sumatera.
summary_x <- summary(x)
summary_y <- summary(y)
df_deskriptif <- data.frame(
Variabel = c("PDRB Per Kapita (Rp)", "Pengeluaran Per Kapita (Rp)"),
Min = c(as.numeric(summary_x["Min."]), as.numeric(summary_y["Min."])),
Q1 = c(as.numeric(summary_x["1st Qu."]), as.numeric(summary_y["1st Qu."])),
Median = c(as.numeric(summary_x["Median"]), as.numeric(summary_y["Median"])),
Mean = c(as.numeric(summary_x["Mean"]), as.numeric(summary_y["Mean"])),
Q3 = c(as.numeric(summary_x["3rd Qu."]), as.numeric(summary_y["3rd Qu."])),
Max = c(as.numeric(summary_x["Max."]), as.numeric(summary_y["Max."]))
)
kable(df_deskriptif, caption = "Tabel 4.1 Hasil Statistik Deskriptif Variabel X dan Y", align = "c") %>%
kable_styling(bootstrap_options = c("striped", "hover", "bordered"), full_width = FALSE)| Variabel | Min | Q1 | Median | Mean | Q3 | Max |
|---|---|---|---|---|---|---|
| PDRB Per Kapita (Rp) | 32000 | 36725 | 40250 | 41772.5 | 45375 | 62000 |
| Pengeluaran Per Kapita (Rp) | 9800 | 11175 | 12150 | 12537.5 | 13600 | 17800 |
Variabel \(X\), memiliki nilai minimum sebesar 32000 menunjukkan nilai terkecil dalam data, sedangkan nilai maksimum sebesar 62000. Nilai kuartil pertama (\(Q_1\)) sebesar 36725. Nilai median sebesar 40250. Sementara itu, nilai mean atau rata-rata sebesar 41773 menunjukkan rata-rata keseluruhan data dan nilai kuartil ketiga (\(Q_3\)) sebesar 45375.
Variabel \(Y\), memiliki nilai minimum sebesar 9800 menunjukkan nilai terkecil dalam data, sedangkan nilai maksimum sebesar 17800. Nilai kuartil pertama (\(Q_1\)) sebesar 11175. Nilai median sebesar 12150. Sementara itu, nilai mean atau rata-rata sebesar 12538 menunjukkan rata-rata keseluruhan data dan nilai kuartil ketiga (\(Q_3\)) sebesar 13600.
4.2 Scatter Plot dan Garis Regresi
Visualisasi scatter plot dan garis regresi linier antara variabel \(X\) dan \(Y\) ditampilkan pada grafik di bawah ini:
plot(x, y,
main = "Pengeluaran Per Kapita (Rp) Menurut PDRB Per Kapita (Rp)\nKabupaten di Pulau Sumatera",
xlab = "PDRB Per Kapita (Rp)",
ylab = "Pengeluaran Per Kapita (Rp)",
pch = 19, col = "black")
regresi <- lm(y ~ x, data = data_anreg)
abline(regresi, col = "black", lwd = 1)
Gambar 4.1 Scatter Plot dan Garis Regresi antara PDRB per Kapita dan Pengeluaran per Kapita
4.3 Hasil Estimasi Model Regresi
Berikut ini merupakan hasil summary dari analisis Regresi Linier Sederhana pada data pengeluaran per kapita (Rp) menurut PDRB per kapita (Rp) kabupaten di Pulau Sumatera.
##
## Call:
## lm(formula = y ~ x, data = data_anreg)
##
## Residuals:
## Min 1Q Median 3Q Max
## -179.646 -56.510 6.647 50.702 152.487
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.299e+03 7.584e+01 17.12 <2e-16 ***
## x 2.690e-01 1.791e-03 150.23 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 78.84 on 38 degrees of freedom
## Multiple R-squared: 0.9983, Adjusted R-squared: 0.9983
## F-statistic: 2.257e+04 on 1 and 38 DF, p-value: < 2.2e-16Pada sintaks analisis Regresi Linier Sederhana, scatter plot dan uji ANOVA, didapatkan hasil residual yaitu nilai minimum sebesar -179.646, nilai \(Q_1\) sebesar -56.510, median sebesar 6.647, \(Q_3\) sebesar 50.702, dan nilai maksimum sebesar 152.487.
Pada hasil coefficients, \(p\text{-value}\) intercept sebesar \(1.299 \times 10^3\) dan \(p\text{-value}\) \(X\) sebesar \(2.690 \times 10^{-1}\). Baik intercept maupun koefisien \(X\) memiliki nilai \(p\text{-value} < \text{taraf nyata pengujian } (2.2 \times 10^{-16} < 0.05)\), berarti Tolak \(H_0\). Dapat disimpulkan bahwa model ini dapat digunakan.
Diperoleh persamaan regresi linier sederhana:
\[Y = 1299 + 0.269X\]
Oleh karena itu, nilai \(\beta_1\) sebesar 0.269 maka dapat diinterpretasikan bahwa setiap 1 unit kenaikan PDRB per kapita maka akan menaikkan pengeluaran per kapita menurut kabupaten sebesar 0.269.
Dapat diketahui residual standard error-nya yaitu 78.84, di mana ini merupakan perkiraan sejauh mana residu dapat bervariasi dan menyebar dari garis regresi. Selanjutnya untuk multiple R-squared yaitu 0.9983, artinya sekitar 99.83% dari variasi dalam \(Y\) dapat dijelaskan oleh \(X\). Diketahui \(F\text{-statistic} = 2.257 \times 10^4\) dengan \(p\text{-value} < 2.2 \times 10^{-16}\).
Langkah-langkah Pengujian Hipotesis: * Merumuskan hipotesis: \[H_0 : \beta_1 = 0 \quad \text{(X tidak signifikan mempengaruhi Y)}\] \[H_1 : \beta_1 \neq 0 \quad \text{(X signifikan mempengaruhi Y)}\] * Taraf Signifikansi: \[\alpha = 5\% = 0.05\] * Statistik Uji: \[F_{\text{hitung}} = \frac{\text{KTR}}{\text{KTG}} = 22569\] * Kriteria Penolakan: - Tolak \(H_0\) apabila nilai \(F_{\text{hitung}} > F_{\text{tabel}}\) atau nilai \(p\text{-value} < \alpha\) - Gagal tolak \(H_0\) apabila nilai \(F_{\text{hitung}} < F_{\text{tabel}}\) atau nilai \(p\text{-value} \ge \alpha\) * Kesimpulan: Berdasarkan hasil analisis Regresi Linier Sederhana diperoleh bahwa nilai \(p\text{-value} < \alpha\) artinya \(2.2 \times 10^{-16} < 0.05\) maka \(H_0\) ditolak. Hal ini berarti pada taraf nyata 5% terdapat hubungan linier antara \(X\) dan \(Y\).
4.4 Hasil Uji ANOVA (Simultan)
Pengujian simultan dilakukan dengan tabel Analysis of Variance (ANOVA) sebagai berikut:
## Analysis of Variance Table
##
## Response: y
## Df Sum Sq Mean Sq F value Pr(>F)
## x 1 140297532 140297532 22569 < 2.2e-16 ***
## Residuals 38 236218 6216
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Berdasarkan tabel hasil analysis of variance, dapat diketahui bahwa untuk nilai \(df\) atau derajat kebebasan pada \(X\) adalah 1 dan pada residuals adalah 38. Selanjutnya terdapat sum of squares pada \(X\) yaitu 140297532 yang merupakan jumlah variasi antar perlakuan, sedangkan pada residuals yaitu 236218 yang merupakan jumlah variasi dalam perlakuan. Diketahui pula mean square pada \(X\) yaitu 140297532 dan pada residuals yaitu 6216. Serta untuk \(F\text{-value}\) yaitu 22569.
Langkah-langkah Pengujian Hipotesis Uji Simultan: * Menentukan Hipotesis: - \(H_0\): Tidak ada pengaruh yang signifikan antara PDRB per kapita dalam Rupiah (\(X\)) dan pengeluaran per kapita dalam Rupiah (\(Y\)) kabupaten di Pulau Sumatera. - \(H_1\): Terdapat pengaruh yang signifikan antara PDRB per kapita dalam Rupiah (\(X\)) dan pengeluaran per kapita dalam Rupiah (\(Y\)) kabupaten di Pulau Sumatera. * Taraf Signifikansi: \[\alpha = 5\% = 0.05\] * Statistik Uji: \[F_{\text{hitung}} = \frac{\text{KTR}}{\text{KTG}} = 22569\] * Kriteria Penolakan: - Tolak \(H_0\) apabila nilai \(F_{\text{hitung}} > F_{\text{tabel}}\) atau nilai \(p\text{-value} < \alpha\) - Gagal tolak \(H_0\) apabila nilai \(F_{\text{hitung}} \le F_{\text{tabel}}\) atau nilai \(p\text{-value} \ge \alpha\) * Kesimpulan: Berdasarkan statistik uji didapatkan nilai \(F_{\text{hitung}} > F_{\text{tabel}}\), karena nilai \(F_{\text{hitung}} = 22569 > F_{\text{tabel}} = 4.149\), maka \(H_0\) ditolak. Sehingga dapat disimpulkan bahwa pada taraf signifikansi 5% terdapat pengaruh yang signifikan antara variabel \(X\) dan variabel \(Y\). Artinya PDRB per kapita dalam Rupiah (\(X\)) berpengaruh signifikan terhadap pengeluaran per kapita dalam Rupiah (\(Y\)) kabupaten di Pulau Sumatera.
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
- Analisis regresi merupakan suatu analisis yang dilakukan untuk memprediksi apakah ada hubungan dan seberapa besar pengaruh variabel bebas (\(X\)) terhadap variabel respons (\(Y\)). Pada analisis Regresi Linier Sederhana, kita menguji satu variabel bebas dan satu variabel terikat. Salah satu asumsi adalah linieritas, yang pada praktikum ini dilihat dari plot dan garis regresi. Data menyebar dari kiri bawah ke kanan atas yang menunjukkan adanya hubungan linier dan positif antar variabel.
- Persamaan regresi yang diperoleh untuk mengestimasi model regresi adalah \(Y = 1299 + 0.269X\).
- Berdasarkan hasil pengujian statistik, variabel \(X\) (PDRB per kapita) berpengaruh secara signifikan terhadap variabel \(Y\) (Pengeluaran per kapita) dengan nilai \(p\text{-value} < \alpha = 2.2 \times 10^{-16} < 0.05\). Nilai koefisien determinasi (\(R^2\)) sebesar 0.9983 menunjukkan bahwa 99.83% variasi variabel \(Y\) dapat dijelaskan oleh variabel \(X\).
5.2 Saran
Dalam menjalankan suatu fungsi pada program R diharapkan untuk teliti saat mengoperasikannya. Penulisan sintaks sangat perlu diperhatikan karena apabila terdapat kesalahan penulisan akan membuat program error. Pembuatan laporan ini tentunya masih banyak kekurangan dan kesalahan. Oleh karena itu, penulis sangat mengharapkan saran, bimbingan serta arahan agar penulisan laporan ini akan lebih baik untuk kedepannya.
DAFTAR PUSTAKA
- Madany, M. S., Mardiyah, A. M., & Aulia, L. (2022). Penerapan Regresi Linier Sederhana dalam Peramalan Nilai Ekspor dan Impor di Provinsi Jawa Tengah. EKONOMIKA45: Jurnal Ilmiah Manajemen, Ekonomi Bisnis, Kewirausahaan, 10(1), 512–517.
- Nurhaswinda, Egistin, D. P., Rauza, M. Y., Rahma, Ramadhan, R. H., Ramadani, S., & Wahyuni. (2025). Analisis regresi linier sederhana dan penerapannya. Jurnal Cahaya Nusantara, 1(2), 69–78.
- Puspa, S. D., Riyono, J., Puspitasari, F., & Pujiastuti, C. E. (2024). Pelatihan Analisis Korelasi Dan Regresi Dengan Menggunakan Perangkat Lunak “R” Untuk Meningkatkan Keterampilan Pengolahan Data Bagi Guru. Jurnal Abdi Masyarakat Indonesia (JAMIN), 6(1), 80–90.
- Rini, D. S. (2026). Modul Praktikum Pengantar Analisis Regresi. Bengkulu: Laboratorium Statistika Fakultas Matematika dan Ilmu Pengetahuan Universitas Bengkulu.
- Nugroho, C. R., & Refiantoro, R. F. (2022). Analisis Regresi Sederhana Pada Data Nilai UAS Menggunakan Microsoft Excel Dan IBM SPSS. Jurnal ARTI: Aplikasi Rancangan Teknik Industri, 17(2), 107–116.
- Yusuf, M. A., Rahman, F., & Santoso, H. (2024). Analisis regresi linier sederhana dan berganda beserta penerapannya. Journal on Education, 6(2), 13331–13344.