4.2.3.

1 Analisis Hasil Output

a) Excel

 (R majemuk) adalah suatu ukuran untuk mengukur tingkat (keeratan) hubungan linear
antara variabel terikat dengan seluruh variabel bebas secara bersama-sama. Pada kasus
dua variabel (satu variabel terikat dan satu variabel bebas), besaran r (biasa dituliskan
dengan huruf kecil untuk dua variabel) dapat bernilai positif maupun negatif (antara -1 –
1), tetapi untuk lebih dari dua variabel, besaran R selalu bernilai positif (antara 0 – 1).
Nilai R yang lebih besar (+ atau -) menunjukkan hubungan yang lebih kuat. Nilai R
multiple pada regresi linear sederhana adalah 0,3922 yang artinya nilai korelasi antara X
dan Y termasuk dalam kategori rendah. Sedangkan pada regresi linear berganda
diperoleh hasil 0,448 yang termasuk dalam kategori cukup.
 R Square ini dikenal dengan nama Koefisien determinasi Berganda. Penjelasan Uji
Regresi Linear disini akan menjelaskan apa sebenarnya r square itu. Koefisien
determinasi berganda, fungsinya adalah untuk mengukur kebaikan suai (goodness of fit)
dari persamaan regresi; yaitu memberikan proporsi atau persentase variasi total dalam
variabel terikat yang dijelaskan oleh variabel bebas. Nilai R2 terletak antara 0 – 1, dan
kecocokan model dikatakan lebih baik kalau R2 semakin mendekati 1. (uraian lebih
lanjut mengenai R2 lihat pembahasan di bawah). Nilai R square pada regresi linear
sederhana adalah 0,154 yang termasuk dalam kategori sangat lemah. Sedangkan pada
regresi linear berganda diperoleh hasil 0,201 yang termasuk dalam kategori sangat
rendah.
 “adjusted R square”. Istilah penyesuaian berarti nilai R2 sudah disesuaikan dengan
banyaknya variabel (derajat bebas) dalam model. pada regresi linear sederhana adalah
0,1361 atau 13,6 %. Sedangkan pada regresi linear berganda diperoleh hasil 0,167 atau
16,7 %.
  SE pada regresi linear sederhana adalah 23,867 Sedangkan pada regresi linear berganda
diperoleh hasil 23,434.Semakin kecil angka standar error ini dibandingkan angka standar
deviasi dari permintaan maka model regresi semakin tepat dalam memprediksi
permintaan.
 Pada Tabel Anova terdapat Significance F. jika nilai Significance F < alpa maka ada
pengaruh antar variabel begitupun sebaliknya. Pada hasil regresi linear sederhana
adalah 0,0048 < alpa =0,05 maka terdapat pengaruh antara variabel X dan Y. Sedangkan
pada regresi linear berganda diperoleh hasil 0,0051 < alpa terdapat pengaruh antar
variabel .
 Pada regresi linear sederhana diperoleh nilai intercept atau nilai a adalah 41,360 dan
nilai X adalah 1,198 sehingga fungsi Y= 1,198 + 41,360 X. sedangkan pada regresi linear berganda
diperoleh hasil Intercept 11,5098 dan nilai X1=1,148 dan X2=c sehingga fungsinya Y=11,5098 +1,148X1
+1,148X2

Berdasarkan kesimpulan laporan tersebut diatas , peneliti dapat memberikan saran untuk kegiatan
projek selanjutnya,

yaitu :

1. Dapat dikembangkan dengan menggunakan lebih dari dua variabel untuk prediksi pengaruh tingkat
diastolic dengan metode Regresi Linear Berganda.

2. Seharusnya mahasiswa bisa menerapkan beberapa software selain excel dan r-stufdio agar bisa
melakukan perbandingan hasil untuk memperoleh hasil yang lebih pasti.