BAB I. PENDAHULUAN

1.1 Latar Belakang

Analisis regresi sederhana merupakan salah satu metode statistika yang digunakan untuk mengetahui hubungan antara dua variabel, yaitu variabel independen sebagai variabel bebas (X) dan variabel dependen sebagai variabel terikat (Y). Metode ini dapat digunakan untuk membentuk suatu persamaan yang menggambarkan hubungan antara variabel bebas dan variabel terikat. Analisis regresi sederhana juga dapat diterapkan dalam pengolahan data untuk mengetahui hubungan serta membuat perkiraan berdasarkan pola data yang diperoleh (Yuniar dkk, 2024).

Analisis Regresi Sederhana memiliki peranan penting dalam pembelajaran statistika karena dapat membantu memahami hubungan antarvariabel secara kuantitatif. Melalui metode ini, mahasiswa dapat mempelajari pembentukan persamaan regresi serta memahami bagaimana suatu variabel dapat digunakan untuk menjelaskan atau memperkirakan perubahan pada variabel lainnya. Penggunaan Regresi Linear Sederhana juga dapat ditemukan dalam berbagai penelitian, seperti penelitian mengenai hubungan antara variabel dalam bidang pendidikan dan sosial (Jauhari dkk, 2023).

Regresi Linear Sederhana merupakan analisis yang digunakan untuk mengetahui hubungan linear antara satu variabel independen (X) dengan satu variabel dependen (Y). Hasil analisis dapat menunjukkan arah hubungan antara kedua variabel, baik positif maupun negatif. Selain itu, persamaan regresi yang diperoleh dapat digunakan untuk melakukan prediksi terhadap nilai variabel dependen berdasarkan nilai variabel independen. Penerapan metode ini dalam penelitian juga menunjukkan bahwa regresi linear sederhana dapat digunakan untuk membangun model prediksi berdasarkan data historis yang tersedia (Hamidani dkk, 2024).

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, rumusan masalah dalam laporan ini adalah:

Bagaimana cara menguji asumsi bahwa ada pengaruh linier antara variabel independen dan variabel dependen dengan menggunakan program R?
Bagaimana cara mengestimasi model regresi dengan program R?

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah pada penelitian ini, tujuan yang dapat disimpulkan adalah: 1. Menguji asumsi bahwa ada pengaruh linier antara variabel independen dan variabel dependen dengan menggunakan program R. 2. Mengestimasi model regresi dengan program R.

1.4 Manfaat Penelitian

Adapun manfaat pada penelitian ini, yaitu: 1. Bagi penulis: a. Dapat memberikan informasi serta pengetahuan tentang pengenalan Analisis Regresi Linier Sederhana. b. Mengembangkan dan menerapkan wawasan ilmu yang telah diperoleh tentang Analisis Regresi Linier Sederhana.

Bagi pembaca:

Menambah ilmu pengetahuan serta pemahaman tentang Analisis Regresi Linier Sederhana.
Dapat menjadi rujukan bagi peneliti selanjutnya.

1.5 Batasan Masalah

Batasan masalah dalam praktikum ini mencakup penggunaan data kepadatan penduduk dan rasio jenis kelamin penduduk pada 43 kecamatan di Kabupaten Garut. Analisis dilakukan menggunakan metode Regresi Linier Sederhana untuk mengetahui hubungan antara kepadatan penduduk (jiwa/km²) sebagai variabel independen (X) dan rasio jenis kelamin penduduk sebagai variabel dependen (Y).

1.6 Sistematika Penulisan

Adapun sistematika penulisan dari praktikum ini adalah sebagai berikut.

BAB I PENDAHULUAN Bab ini merupakan bab yang memuat latar belakang, rumusan masalah, tujuan dan manfaat, batasan masalah dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA Bab ini berisi tentang kajian pustaka yang terdiri dari jurnal-jurnal, buku-buku, dan informasi pendukung tentang Pengantar Analisis Regresi pada program R.

BAB III METODE PENELITIAN Bab ini terdiri dari analisis jenis dan sumber data, variabel penelitian, algoritma penelitian, dan diagram alir.

BAB IV HASIL DAN PEMBAHASAN Bab ini merupakan tahapan pencapaian hasil yang diperoleh dari analisis data yang dilakukan serta penjelasan dari hasil tersebut di bagian pembahasan.

BAB V KESIMPULAN DAN SARAN Bab ini merupakan bagian penutup dalam laporan ini berupa penarikan kesimpulan mengenai hasil analisis dari penelitian serta penyampaian saran oleh penulis.

DAFTAR PUSTAKA

BAB II. TINJAUAN PUSTAKA

2.1 Analisis Regresi Linier Sederhana

Regresi linier merupakan metode statistika yang digunakan untuk mengetahui dan menggambarkan hubungan antara variabel dependen dengan satu atau lebih variabel independen. Apabila model hanya menggunakan satu variabel independen, maka metode tersebut disebut Regresi Linier Sederhana (Simple Linear Regression). Variabel dependen merupakan variabel yang menjadi respons atau hasil yang diamati, sedangkan variabel independen berperan sebagai prediktor yang digunakan untuk menjelaskan perubahan pada variabel dependen. Dengan demikian, Regresi Linier Sederhana digunakan untuk menganalisis hubungan antara satu variabel independen dengan satu variabel dependen (Nurhaswinda dkk, 2024).

Analisis regresi merupakan metode statistika yang digunakan untuk mengetahui hubungan antara variabel independen dan variabel dependen melalui suatu model matematis. Dalam analisis regresi, variabel dependen atau respons dilambangkan dengan Y, sedangkan variabel independen atau prediktor dilambangkan dengan X. Berdasarkan jumlah variabel independennya, regresi linier dibedakan menjadi Regresi Linier Sederhana dan Regresi Linier Berganda. Regresi Linier Sederhana melibatkan satu variabel independen, sedangkan Regresi Linier Berganda melibatkan dua atau lebih variabel independen (Nino dkk, 2024).

Model probabilistik untuk Regresi Linier Sederhana adalah: \[ Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i \]

Keterangan:

\(Y_i\) adalah nilai variabel dependen pada pengamatan ke-\(i\).
\(X_i\) adalah nilai variabel independen pada pengamatan ke-\(i\).
\(\beta_0\) adalah konstanta atau intersep.
\(\beta_1\) adalah koefisien regresi.
\(\varepsilon_i\) adalah galat acak.

Karena model regresi diperoleh berdasarkan data sampel, maka bentuk estimasi model regresi secara umum dapat dituliskan sebagai: \[ \hat{Y} = \hat{\beta}_0 + \hat{\beta}_1 X \] Dimana X merupakan variabel independen, Y merupakan variabel dependen, β_0 merupakan parameter intersep, β_1 merupakan parameter koefisien regresi, dan ε merupakan galat acak (random error). Pada model yang diperoleh dari sampel, Y ̂ menunjukkan nilai variabel dependen yang diperkirakan berdasarkan nilai X. Persamaan regresi tersebut digunakan untuk menggambarkan pola hubungan antara variabel independen dan variabel dependen berdasarkan data pengamatan (Sipayung dkk, 2023).

Galat acak (ε) merupakan komponen dalam model regresi yang digunakan untuk menggambarkan variasi nilai Y yang tidak dapat dijelaskan oleh variabel X. Dengan adanya galat, nilai variabel dependen dapat berbeda dari nilai yang diperkirakan oleh model regresi. Salah satu asumsi yang digunakan dalam model regresi adalah nilai rata-rata galat sama dengan nol. Berdasarkan asumsi tersebut, nilai harapan variabel dependen dapat dinyatakan sebagai:

\[ E(Y) = \beta_0 + \beta_1 X \] Persamaan tersebut menunjukkan bahwa nilai rata-rata Y dapat dijelaskan melalui nilai X dan parameter regresi. Parameter β_0 disebut sebagai intercept, yaitu nilai rata-rata Y ketika X bernilai nol. Sementara itu, parameter β_1 merupakan koefisien regresi yang menunjukkan perubahan rata-rata Y untuk setiap peningkatan satu satuan pada X. Oleh karena itu, tanda dan besar koefisien regresi dapat digunakan untuk menjelaskan arah serta besarnya hubungan antara variabel independen dan variabel dependen (Nino dkk, 2024).

Secara umum, langkah-langkah analisis regresi 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 dan/atau variabel independen.

BAB III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini yaitu data kuantitatif. Data kuantitatif merupakan data yang berbentuk angka dan dapat diukur serta dianalisis menggunakan metode statistika. Data yang digunakan dalam penelitian ini berupa kepadatan penduduk per km² dan rasio jenis kelamin penduduk pada masing-masing kecamatan di Garut.

Sumber data yang digunakan dalam penelitian ini yaitu data sekunder. Data sekunder merupakan data yang diperoleh dari sumber yang telah tersedia dan dikumpulkan oleh pihak lain. Data penelitian terdiri atas data kepadatan penduduk per km² dan rasio jenis kelamin penduduk pada 43 kecamatan Garut. Setiap kecamatan digunakan sebagai satu unit observasi dalam penelitian.

3.2 Variabel Penelitian

Variabel merupakan karakteristik atau atribut yang dapat diamati dan diukur dalam suatu penelitian. Variabel yang digunakan dalam penelitian ini terdiri atas variabel independen dan variabel dependen. Variabel independen merupakan variabel yang digunakan untuk menjelaskan atau memengaruhi variabel lainnya, sedangkan variabel dependen merupakan variabel yang dipengaruhi atau dijelaskan oleh variabel independen. Variabel independen (X) dalam penelitian ini adalah kepadatan penduduk per km², sedangkan variabel dependen (Y) adalah rasio jenis kelamin penduduk. Kedua variabel tersebut diamati pada 43 kecamatan untuk mengetahui hubungan antara kepadatan penduduk dan rasio jenis kelamin menggunakan Analisis Regresi Linear Sederhana.

3.3 Analisis Data

Adapun algoritma untuk melakukan Analisis Regresi Linier Sederhana pada program R sebagai berikut:

Mulai
Mengumpulkan data.
Mendefinisikan variabel dependen dan variabel independen.
Menentukan model regresi.
Membuat plot dan garis regresi ANOVA.
Tentukan hipotesis dan taraf signifikan.
Hitung statistik uji.
Kriteria pengujian.
Output atau interpretasi.
Selesai.

BAB IV. HASIL DAN PEMBAHASAN

data_garut <- data.frame(
  Kecamatan = c(
    "Cisewu", "Caringin", "Talegong", "Bungbulang", "Mekarmukti",
    "Pamulihan", "Pakenjeng", "Cikelet", "Pameungpeuk", "Cibalong",
    "Cisompet", "Peundeuy", "Singajaya", "Cihurip", "Cikajang",
    "Banjarwangi", "Cilawu", "Bayongbong", "Cigedug", "Cisurupan",
    "Sukaresmi", "Samarang", "Pasirwangi", "Tarogong Kidul",
    "Tarogong Kaler", "Garut Kota", "Karangpawitan", "Wanaraja",
    "Sucinaraja", "Pangatikan", "Sukawening", "Karangtengah",
    "Banyuresmi", "Leles", "Leuwigoong", "Cibatu", "Kersamanah",
    "Cibiuk", "Kadungora", "Blubur Limbangan", "Selaawi",
    "Malangbong", "Garut"
  ),
  X = c(
    199, 344, 272, 414, 362, 148, 359, 275, 1033, 223, 322, 441,
    729, 484, 712, 485, 1473, 2315, 1519, 1270, 1201, 1377, 1456,
    6230, 2062, 4792, 2873, 1466, 930, 2279, 1560, 861, 2021,
    1216, 2592, 1895, 2493, 1893, 2611, 1108, 1325, 1499, 897
  ),
  Y = c(
    105.7, 108.0, 108.9, 109.1, 99.8, 103.6, 106.4, 105.2,
    103.2, 105.8, 105.7, 105.9, 104.4, 104.4, 106.1, 107.5,
    102.8, 106.1, 107.3, 105.8, 104.5, 105.2, 107.0, 100.1,
    101.5, 99.8, 103.4, 106.4, 102.4, 103.6, 104.5, 104.2,
    103.1, 105.6, 103.7, 103.5, 101.2, 106.2, 104.1, 106.9,
    105.5, 105.1, 104.4
  )
)

head(data_garut)

4.1 Satistika Deskriptif

statistik_deskriptif <- data.frame(
  Ukuran = c("Minimum", "Kuartil 1", "Median", "Mean", "Kuartil 3", "Maksimum"),
  X = c(
    min(data_garut$X),
    quantile(data_garut$X, 0.25),
    median(data_garut$X),
    mean(data_garut$X),
    quantile(data_garut$X, 0.75),
    max(data_garut$X)
  ),
  Y = c(
    min(data_garut$Y),
    quantile(data_garut$Y, 0.25),
    median(data_garut$Y),
    mean(data_garut$Y),
    quantile(data_garut$Y, 0.75),
    max(data_garut$Y)
  )
)

knitr::kable(
  statistik_deskriptif,
  digits = 2,
  col.names = c("Ukuran Statistik", "Kepadatan Penduduk (X)",
                "Rasio Jenis Kelamin (Y)"),
  caption = "Statistik Deskriptif Variabel Penelitian"
)

Statistik Deskriptif Variabel Penelitian
Ukuran Statistik	Kepadatan Penduduk (X)	Rasio Jenis Kelamin (Y)
Minimum	148.00	99.80
Kuartil 1	462.50	103.55
Median	1216.00	105.10
Mean	1395.72	104.73
Kuartil 3	1894.00	106.10
Maksimum	6230.00	109.10

Berdasarkan Tabel statistik deskriptif, variabel X (kepadatan penduduk per km²) memiliki nilai minimum sebesar 148,0 dan maksimum sebesar 6.230,0. Nilai kuartil pertama (1st Qu.) sebesar 462,5, median sebesar 1.216,0, dan rata-rata (mean) sebesar 1.395,7. Sementara itu, nilai kuartil ketiga (3rd Qu.) sebesar 1.894,0. Variabel Y (rasio jenis kelamin penduduk) memiliki nilai minimum sebesar 99,8 dan maksimum sebesar 109,1. Nilai kuartil pertama sebesar 103,5, median sebesar 105,1, dan rata-rata (mean) sebesar 104,7. Nilai kuartil ketiga sebesar 106,1. Secara keseluruhan, variabel X memiliki rentang data yang lebih besar, yaitu dari 148,0 hingga 6.230,0, sedangkan variabel Y memiliki rentang yang lebih sempit, yaitu dari 99,8 hingga 109,1. Hal ini menunjukkan bahwa kepadatan penduduk memiliki variasi yang lebih besar dibandingkan rasio jenis kelamin penduduk pada 43 kecamatan Garut yang diamati.

4.2 Estimasi Model Regresi Linier Sederhana

Model regresi linier sederhana diestimasi menggunakan fungsi lm(), dengan rasio jenis kelamin penduduk sebagai variabel respons dan kepadatan penduduk sebagai variabel prediktor.

model <- lm(Y ~ X, data = data_garut)
summary(model)

#> 
#> Call:
#> lm(formula = Y ~ X, data = data_garut)
#> 
#> Residuals:
#>     Min      1Q  Median      3Q     Max 
#> -6.0168 -1.0066  0.1659  0.8123  3.3376 
#> 
#> Coefficients:
#>               Estimate Std. Error t value Pr(>|t|)    
#> (Intercept)  1.062e+02  4.318e-01 245.925  < 2e-16 ***
#> X           -1.047e-03  2.353e-04  -4.447  6.5e-05 ***
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 1.838 on 41 degrees of freedom
#> Multiple R-squared:  0.3254, Adjusted R-squared:  0.309 
#> F-statistic: 19.78 on 1 and 41 DF,  p-value: 6.498e-05

Koefisien regresi ditampilkan dalam tabel berikut.

tabel_koefisien <- as.data.frame(summary(model)$coefficients)
tabel_koefisien$Parameter <- rownames(tabel_koefisien)
rownames(tabel_koefisien) <- NULL
tabel_koefisien <- tabel_koefisien[, c(
  "Parameter", "Estimate", "Std. Error", "t value", "Pr(>|t|)"
)]

knitr::kable(
  tabel_koefisien,
  digits = 6,
  caption = "Hasil Estimasi Parameter Regresi"
)

Hasil Estimasi Parameter Regresi
Parameter	Estimate	Std. Error	t value	Pr(>\|t\|)
(Intercept)	106.195674	0.431821	245.925277	0.0e+00
X	-0.001047	0.000235	-4.447388	6.5e-05

Berdasarkan hasil Analisis Regresi Linier Sederhana, diperoleh persamaan regresi:

Y ˆ=106,2-0,001047X

Koefisien regresi X sebesar -0,001047 menunjukkan bahwa setiap peningkatan kepadatan penduduk sebesar 1 satuan diperkirakan akan diikuti oleh penurunan rasio jenis kelamin sebesar 0,001047 satuan. Nilai p-value untuk variabel X sebesar 6,5 × 10⁻⁵, lebih kecil dari 0,05, sehingga koefisien X signifikan secara statistik. Sementara itu, nilai intercept sebesar 106,2 menunjukkan nilai rata-rata rasio jenis kelamin yang diperkirakan ketika kepadatan penduduk bernilai nol. Model memiliki nilai R-squared sebesar 0,3254, yang berarti sekitar 32,54% variasi rasio jenis kelamin penduduk dapat dijelaskan oleh kepadatan penduduk, sedangkan sekitar 67,46% sisanya dijelaskan oleh faktor lain di luar model. Nilai Adjusted R-squared sebesar 0,309 menunjukkan bahwa setelah dilakukan penyesuaian terhadap model, sekitar 30,9% variasi Y dapat dijelaskan oleh variabel X. Selain itu, diperoleh nilai F-statistic sebesar 19,78 dengan p-value sebesar 6,498 × 10⁻⁵, yang lebih kecil dari taraf nyata 0,05. Hal ini menunjukkan bahwa model regresi secara keseluruhan signifikan.

4.3 Plot Garis Regresi

Garis regresi ditambahkan pada scatterplot untuk memperlihatkan kecenderungan hubungan yang dibentuk oleh model.

plot(
  data_garut$X, data_garut$Y,
  main = "Plot Regresi Linier Sederhana",
  xlab = "Kepadatan Penduduk (jiwa/km²)",
  ylab = "Rasio Jenis Kelamin Penduduk",
  pch = 19,
  col = "steelblue"
)
abline(model, col = "red", lwd = 2)
legend(
  "topright",
  legend = c("Data pengamatan", "Garis regresi"),
  col = c("steelblue", "red"),
  pch = c(19, NA),
  lty = c(NA, 1),
  lwd = c(NA, 2),
  bty = "n"
)

Berdasarkan plot pada data kepadatan penduduk (X) dan rasio jenis kelamin penduduk (Y) menunjukkan adanya kecenderungan hubungan negatif antara kedua variabel. Hal tersebut terlihat dari garis regresi yang memiliki arah menurun, yang juga sesuai dengan nilai koefisien regresi X sebesar -0,001047. Artinya, semakin tinggi kepadatan penduduk, rasio jenis kelamin penduduk cenderung mengalami penurunan. Namun, titik-titik pengamatan terlihat cukup menyebar di sekitar garis regresi, sehingga hubungan antara kedua variabel tidak sepenuhnya kuat. Hal ini sejalan dengan nilai R-squared sebesar 0,3254, yang menunjukkan bahwa kepadatan penduduk mampu menjelaskan sekitar 32,54% variasi rasio jenis kelamin penduduk, sedangkan sekitar 67,46% variasi lainnya berkaitan dengan faktor-faktor lain yang tidak dimasukkan dalam model.

4.4 Uji Signifikansi Model (Uji F)

Uji F digunakan untuk mengetahui apakah model regresi secara keseluruhan signifikan pada taraf nyata 5%.

Hipotesis pengujian:

\[ H_0: \beta_1 = 0 \]

\[ H_1: \beta_1 \neq 0 \]

Taraf signifikansi:

\[ \alpha = 0,05 \]

hasil_anova <- anova(model)
knitr::kable(
  hasil_anova,
  digits = 6,
  caption = "Hasil Analisis ANOVA"
)

Hasil Analisis ANOVA
	Df	Sum Sq	Mean Sq	F value	Pr(>F)
X	1	66.8356	66.835603	19.77926	6.5e-05
Residuals	41	138.5421	3.379075	NA	NA

Berdasarkan hasil ANOVA, variabel X (kepadatan penduduk) memiliki derajat kebebasan (Df) sebesar 1, dengan Sum Sq sebesar 66,836 dan Mean Sq sebesar 66,836. Nilai F-value sebesar 19,779 dengan p-value sebesar 6,498 × 10⁻⁵, yang lebih kecil dari 0,05. Hal ini menunjukkan bahwa variabel X memberikan pengaruh yang signifikan secara statistik terhadap variasi pada Y (rasio jenis kelamin penduduk). Sementara itu, pada baris residuals, diperoleh Df sebesar 41, Sum Sq sebesar 138,542, dan Mean Sq sebesar 3,379. Nilai tersebut menggambarkan variasi pada Y yang tidak dapat dijelaskan oleh model regresi.

Menentukan hipotesis

H0 : Tidak terdapat hubungan linier yang signifikan antara variabel X (kepadatan penduduk) dan Y (rasio jenis kelamin penduduk).

H1 : Terdapat hubungan linier yang signifikan antara variabel X (kepadatan penduduk) dan Y (rasio jenis kelamin penduduk).

Taraf nyata

α= 5 %

n = 43

Statistik uji

F_hitung =

KTR/KTG = 19,78

Ftabel =

F(a,1,n-2)= F(0.05,1,43-2) = 4.08

Kriteria penolakan

Tolak H0 apabila: Fhitung > Ftabel atau p”-value” < α

Terima H0 apabila: Fhitung < Ftabel atau p”-value” > α

Kesimpulan

Berdasarkan hasil uji statistik dan output program R, diperoleh nilai Fhitung=19,78 > F_tabel= 4,08 dan p”-value”= 6,498×10^(-5) < α = 0,05, sehingga H0 ditolak. Dengan demikian, dapat disimpulkan bahwa terdapat hubungan linier yang signifikan antara variabel X (kepadatan penduduk) dan variabel Y (rasio jenis kelamin penduduk).

BAB V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Analisis Regresi Linier Sederhana (RLS) merupakan metode statistik untuk mengetahui hubungan antara satu variabel independen dan satu variabel dependen. Dengan metode kuadrat terkecil (least square method), perangkat lunak R dapat menghitung koefisien regresi, p-value, dan statistik uji untuk menentukan signifikansi hubungan linier. Jika pola data mendekati garis lurus dan hasil pengujian signifikan, maka terdapat hubungan linier antara kedua variabel.

Proses estimasi model regresi di R dilakukan melalui persamaan Y ˆ=a+bX, dengan a sebagai konstanta (intercept) dan b sebagai koefisien regresi yang menunjukkan perubahan rata-rata Y setiap kenaikan satu unit X. Fungsi lm() digunakan untuk mengestimasi parameter, galat, dan tingkat signifikansi model. Hasil estimasi tersebut dapat digunakan untuk mengetahui arah dan besar hubungan variabel independen terhadap variabel dependen secara terukur.

Berdasarkan hasil analisis, kepadatan penduduk (X) dan rasio jenis kelamin penduduk (Y) pada 43 kecamatan menunjukkan variasi yang berbeda. Kepadatan penduduk berkisar antara 148,0 hingga 6.230,0 jiwa/km² dengan rata-rata sebesar 1.395,7 jiwa/km², sedangkan rasio jenis kelamin penduduk berkisar antara 99,8 hingga 109,1 dengan rata-rata sebesar 104,7. Model Regresi Linier Sederhana menghasilkan koefisien regresi sebesar -0,001047, yang menunjukkan bahwa setiap peningkatan 1 satuan kepadatan penduduk diperkirakan diikuti oleh penurunan rasio jenis kelamin sebesar 0,001047. Nilai R-squared sebesar 0,3254 menunjukkan bahwa sekitar 32,54% variasi rasio jenis kelamin penduduk dapat dijelaskan oleh kepadatan penduduk, sedangkan sisanya dijelaskan oleh faktor lain di luar model. Hasil uji ANOVA menunjukkan nilai F-hitung sebesar 19,78 dengan p-value sebesar 6,498 × 10⁻⁵, sehingga terdapat hubungan linier yang signifikan antara kepadatan penduduk dan rasio jenis kelamin penduduk. Plot hubungan kedua variabel juga menunjukkan kecenderungan pola negatif, yaitu semakin tinggi kepadatan penduduk, rasio jenis kelamin penduduk cenderung menurun.

5.2 Saran

Diharapkan dalam membuat laporan praktikum ini penulis menyarankan untuk selalu memperhatikan sintaks pada program R yang digunakan. Selain itu, perlu untuk memperhatikan tata cara penulisan yang sesuai dengan KBBI dan penulisan yang bercetak tebal. Sehingga dapat menghasilkan laporan yang baik.

DAFTAR PUSTAKA

Hamidani, S., Yanto, R., & Aprudi, S. (2024). Prediksi penjualan barang pada Toko Padang Jaya menggunakan metode regresi linear sederhana. Jurnal Pustaka Data, 4(1), 22–26.

Jauhari, A. L. R., Herman, T., & Juandi, D. (2023). Pengaruh kemandirian belajar terhadap kemampuan penalaran statistis mahasiswa. HISTOGRAM: Jurnal Pendidikan Matematika, 7(1), 134–149.

Nino, K., Binsasi, E., & Liunokas, E. (2024). Analisis regresi linear sederhana untuk melihat pengaruh banyak konsumen listrik terhadap konsumsi energi listrik. Journal of Mathematics Theory and Applications, 2(2), 1–9.

Nurhaswinda, N., Egistin, D. P., Rauza, M. Y., Rahma, R., Ramadhan, R. H., Ramadani, S., & Wahyuni, W. (2024). Analisis regresi linier sederhana dan penerapannya. Jurnal Cahaya Nusantara.

Rini, D. S. (2023). Modul Analisis Regresi. Bengkulu: Universitas Bengkulu.

Yuniar, D. C., Febiyanti, H., Nugraha, M. E., Putra, B. W., & Pranata, A. D. (2024). Pelatihan analisis regresi linear sederhana menggunakan aplikasi IBM SPSS di Politeknik Penerbangan Palembang. Jurnal ABDINUS: Jurnal Pengabdian Nusantara, 8(3), 810–822.

ANALISIS REGRESI LINIER SEDERHANA

Hubungan Kepadatan Penduduk dengan Rasio Jenis Kelamin Penduduk pada 43 Kecamatan di Kabupaten Garut

Fazya Isyfya Andhelha (F1F025044)

12 November 2026

BAB I. PENDAHULUAN

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan Penelitian

1.4 Manfaat Penelitian

1.5 Batasan Masalah

1.6 Sistematika Penulisan

BAB II. TINJAUAN PUSTAKA

2.1 Analisis Regresi Linier Sederhana

BAB III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

3.2 Variabel Penelitian

3.3 Analisis Data

BAB IV. HASIL DAN PEMBAHASAN

4.1 Satistika Deskriptif

4.2 Estimasi Model Regresi Linier Sederhana

4.3 Plot Garis Regresi

4.4 Uji Signifikansi Model (Uji F)

BAB V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

5.2 Saran

DAFTAR PUSTAKA