ANALISIS REGRESI (REGRESSION ANALYSIS)

ANALISIS REGRESI (REGRESSION ANALYSIS)
Oleh: Agung Priyo Utomo, S.Si., MT. Sekolah Tinggi Ilmu Statistik (STIS) Agung Priyo Utomo (STIS Jakarta)

HUBUNGAN ANTAR VARIABEL
Agung Priyo Utomo (STIS Jakarta)

REGRESI DAN KORELASI (Keduanya mempelajari hubungan antar variabel)
Mempelajari bentuk hubungan antar variabel melalui suatu persamaan (RLS, RLB, Regresi non Linear). Hubungan bisa berupa hubungan sebab akibat. Dapat mengukur seberapa besar suatu variabel mempengaruhi variabel lain Dapat digunakan untuk melakukan peramalan nilai suatu variabel berdasarkan variabel lain Agung Priyo Utomo (STIS Jakarta)

REGRESI DAN KORELASI (Keduanya mempelajari hubungan antar variabel)
Mempelajari keeratan hubungan antar 2 variabel kuantitatif yang bisa dilihat dari besarnya angka, bukan tandanya Dapat mengetahui arah hubungan yang terjadi (berbanding lurus jika tandanya positif, dan berbanding terbalik jika tandanya negatif) Nilainya berkisar -1 sampai dengan 1 Tidak bisa menyatakan hubungan sebab akibat Agung Priyo Utomo (STIS Jakarta)

Agung Priyo Utomo (STIS Jakarta)
Korelasi yang tinggi tidak selalu berarti bahwa suatu variabel menyebabkan/mempengaruhi variabel yang lain Contoh: (1) # kematian karena kekeringan di musim panas # soft drink yang dikonsumsi di musin panas High positive correlation Apakah soft drink menyebabkan kematian? (2) Gaji guru dan jumlah $ yang diperoleh dalam penjualan minuman keras. Apakah guru membelanjakan uangnya untuk membeli minuman keras? Agung Priyo Utomo (STIS Jakarta)

DEPENDENT AND INDEPENDENT VARIABLE Dependent Variable/Variabel Tak Bebas (Y): Variabel yang nilainya ditentukan oleh variabel lain. Diasumsikan bersifat random/stochastic Independent Variable/Variabel Bebas (X): Variabel yang nilainya ditentukan secara bebas (variabel yang diduga mempengaruhi variabel tak bebas). Diasumsikan bersifat fixed/non stochastic. Syarat : Y: Berjenis data kuantitatif X: Berjenis data kuantitatif atau kualitatif/kategorik Agung Priyo Utomo (STIS Jakarta)

JENIS DATA UNTUK Y Data Observasi diperoleh tanpa melakukan kontrol thd var. X  tdk kuat menyatakan cause-effect relationships Data Eksperimen diperoleh dengan melakukan kontrol thd var. X  dapat menyatakan cause-effect relationships Agung Priyo Utomo (STIS Jakarta)

Examples Effect of Car Age on its Price (to what degree can Car Age predict Its Price) Effect of Woman Age on Her Fertility (to what degree can Woman Age predict Her Fertility level) Effect of A Person Height on His/Her Weight (to what degree can A Person Height predict His/Her Weight) Effect of Household Income to Their Consumption Expenditure (to what degree can Household Income predict Their Consumption Expenditure) Effect of Dow Jones Performance on Darts performance (to what degree can Dow Jones predict Dart performance) Agung Priyo Utomo (STIS Jakarta)

KONSEP DASAR Pada suatu nilai X tertentu akan tdp banyak kemungkinan nilai-nilai Y (Y akan terdistribusi mengikuti suatu fungsi peluang tertentu  Distribusi Normal) dengan Nilai rata-rata E(Y) dan Nilai varians 2 tertentu Nilai rata-rata E(Y) diasumsikan berubah secara sistematik mengikuti perubahan nilai X, yg digambarkan dalam bentuk garis linier Nilai varians 2 pada setiap nilai X akan sama Agung Priyo Utomo (STIS Jakarta)

PROSEDUR DALAM ANALISIS REGRESI Identifikasi dan pembentukan model Pendugaan parameter model Pengujian keberartian parameter Penilaian ketepatan model (goodness of fit) dan pemeriksaan asumsi Agung Priyo Utomo (STIS Jakarta)

IDENTIFIKASI MODEL Contoh Ploting Data Car Age vs Price Scatter plot (diagram pencar) Berguna utk mengidentifikasi model hubungan antara variabel X dan Y. Bila pencaran titik-titik pada plot ini menunjukkan adanya suatu kecenderungan (trend) yang linier, maka model regresi linier layak digunakan. Relationship can be represented by line of best fit Agung Priyo Utomo (STIS Jakarta)

KETERANGAN Ternyata titik-titik (plotting data) tersebut terlihat mengelompok di sekitar garis lurus Pada scatter plot tersebut, sebenarnya bisa ditarik beberapa garis yang dekat terhadap titik-titik tersebut Tujuan kita di sini adalah 1. Mencari garis yang paling tepat 2. Melakukan Peramalan 3. Ingin mengetahui hubungan yang terjadi (seberapa besar pengaruh usia keendaraan terhadap harga jualnya) Agung Priyo Utomo (STIS Jakarta)

Beberapa Contoh Model Regresi Linear
First-Order Model with One Predictor Variable Second-Order Model with One Predictor Variable Second-Order Model with Two Predictor Variables with Interaction etc. Agung Priyo Utomo (STIS Jakarta)

Model Regresi Linear Sederhana
Yi = 0 + 1Xi + i (i = 1, 2, …, n) dimana : Yi merupakan nilai dari variabel dependent pada observasi ke-i 0 dan 1 merupakan parameter model i merupakan komponen error (pengaruh variabel bebas lain selain variabel X) Xi adalah nilai variabel bebas X pada observasi ke-i n adalah banyaknya data observasi (sampel) Note: 0 dan 1 disebut juga koefisien regresi, 0 merupakan intercept dan 1 merupakan slope (gradien garis) yang menyatakan perubahan nilai Y untuk setiap kenaikan satu satuan X Agung Priyo Utomo (STIS Jakarta)

Beberapa Asumsi Yi (Variabel Tak Bebas/Dependent Variable) merupakan random variable/bersifat stochastic Xi (Variabel bebas/Independent Variable) bersifat fixed/non stochastic (bukan merupakan random variable) E(i) = 0 E(i j) = 2 untuk i = j (Homoscedastic) E(i j) = 0 untuk i  j (Non autocorrelation) Agung Priyo Utomo (STIS Jakarta)

Beberapa Asumsi (Lanjutan)
i merupakan random variable yang terdistribusi secara bebas dan indentik mengikuti distribusi normal dengan rata-rata 0 dan varian 2 atau biasa dituliskan sebagai i ~ NID(0, 2) iid BAGAIMANA JIKA ADA ASUMSI YANG TIDAK TERPENUHI? BAGAIMANA MENDETEKSINYA? BAGAIMANA MENGUJI? BAGAIMANA ALTERNATIF SOLUSINYA? Agung Priyo Utomo (STIS Jakarta)

PENDUGAAN/ESTIMASI PARAMETER

Least Squares Criterion
Prinsipnya: Min Pada model regresi linear sederhana dengan asumsi yang telah diberlakukan, maka dipakai Metode OLS untuk mengestimasi parameter model Estimasi Parameter Prediksi/estimasi untuk Y jika nilai X diketahui Agung Priyo Utomo (STIS Jakarta)

CONTOH: REED AUTO SALES
Sebagai bagian dari kampanyenya, Reed Auto menggunakan media televisi untuk iklan selama akhir pekan yang lalu. Berikut adalah data dari 5 sampel penjualan. Banyaknya iklan TV Jumlah Mobil Terjual 1 14 3 24 2 18 1 17 3 27 Agung Priyo Utomo (STIS Jakarta)

Kemiringan Persamaan Regresi Estimasi b1 = (10)(100)/5 = 5 24 - (10)2/5 Intercept Persamaan Regresi Estimasi b0 = (2) = 10 Estimasi Persamaan Regresi y = x Interpretasi: Jika banyaknya iklan bertambah 1 kali, maka dapat meningkatkan banyak penjualan mobil sebanyak 5. ^ Agung Priyo Utomo (STIS Jakarta)

Scatter Diagram 30 25 20 y = 5x + 10 15 Jumlah Mobil Terjual 10 5 1 Banyaknya Iklan TV 2 3 4 Agung Priyo Utomo (STIS Jakarta)

Example: Relationship between Car Age (X) and its Price (Y)

Prosedur Penghitungan untuk Estimasi Parameter Agung Priyo Utomo (STIS Jakarta)

Regression line and data points for Car Age and Price Data

Sifat-sifat Estimator Least Squares
Jika semua asumsi yang diberlakukan terhadap model regresi terpenuhi, maka menurut suatu teorema (Gauss Markov theorem) estimator tersebut akan bersifat BLUE (Best Linear Unbiased Estimator). Best = Terbaik, mempunyai varian yang minimum Linear = Linear dalam Variabel Random Y Unbiased = Tak bias Artinya estimator tersebut akan unbiased dan mempunyai varian yang minimum diantara semua estimator unbiased yang lain. Agung Priyo Utomo (STIS Jakarta)

Residual Agung Priyo Utomo (STIS Jakarta)

Inferensi dalam Analisis Regresi
Model Regresi Linear Sederhana Yi = 0 + 1Xi + i Dimana i merupakan random variabel yang terdistribusi NID(0,2) Contoh: Sebuah Perusahaan, Westwood Company, sedang meneliti tentang hubungan antara jumlah sparepart yang diproduksi (X) dengan jumlah jam kerja yang diperlukan (Y) dari 10 proses produksi terakhir. (Data ada di buku Neter and Wasserman, halaman 40) Agung Priyo Utomo (STIS Jakarta)

INFERENSI TENTANG MODEL Confidence Interval dan Uji Hipotesis
Confidence Interval (1-)100% untuk 1 Pada contoh Westwood Company, diperoleh n = 10 SSE = 60 MSE = 7.5 Sehingga CI 95 % untuk 1 adalah P(1.89 ≤ 1 ≤ 2.11) = 95 % Agung Priyo Utomo (STIS Jakarta)

Uji Hipotesis Tentang 1 a. H0: 1 = 0 b. H0: 1 ≤ 0 c. H0: 1 ≥ 0 H1: 1 ≠ 0 H1: 1 > 0 H1: 1 < 0 Statistik Uji: Keputusan pada tingkat sign.  : Tolak H0 jika a. b. c. Kesimpulan : Jika H0 ditolak, maka dengan tingkat kepercayaan (1- ) 100 %, terdapat hubungan yang linier antara variabel X dan variabel Y (terdapat pengaruh yg signifikan dari variabel X thd variabel Y) Agung Priyo Utomo (STIS Jakarta)

Pada contoh Westwood Co., diperoleh t* = 42.58 t(0.975,8) = dan t(0.95,8) = 1.860 Keputusan? Kesimpulan? Statistik Uji-t setara dengan Statistik Uji-F Agung Priyo Utomo (STIS Jakarta)

PENDEKATAN ANOVA DALAM ANALISIS REGRESI
Dasar: Partisi dari Sum Squares Total (SST) dan derajat bebas SST SSE SSR Total Sum of Squares Error SS Regression SS df n – 1 n – Rumus untuk penghitungan Agung Priyo Utomo (STIS Jakarta)

ILUSTRASI GEOMETRIS PARTISI JUMLAH KUADRAT
Yi Agung Priyo Utomo (STIS Jakarta)

Mean Squares (MS): SS dibagi dengan derajat bebasnya Tabel ANOVA untuk Regresi Linear Sederhana Source of Variation SS df MS E{MS} F* Regression 1 MSR Error n–2 MSE Total n–1 Agung Priyo Utomo (STIS Jakarta)

Anova tersebut dapat digunakan untuk menguji H0: 1 = 0 vs H1: 1 ≠ 0 Tabel ANOVA untuk Kasus Westwood Company Pada Westwood Co., diperoleh SSR = dan SSE = 60, sehingga Agung Priyo Utomo (STIS Jakarta)

Tabel ANOVA untuk Kasus Westwood Company Keputusan: Tolak H0 jika F* > F(1-;1, n-2) Dari tabel F, diperoleh F(0.95;1, 8) = 5,32 Kesimpulan? Source of Variation SS df MS F* Regression 13600 1 1813 Error 60 8 7.5 Total 13660 9 Agung Priyo Utomo (STIS Jakarta)

PENILAIAN KETEPATAN MODEL (GOODNESS OF FIT)
Koefisien Determinasi (R2) Mengukur proporsi keragaman total dari nilai observasi Y di sekitar rataannya yang dapat diterangkan oleh garis regresinya atau variabel bebas yg digunakan. Nilainya: 0 ≤ R2 ≤ 1, makin mendekati 1 berarti model regresi yg digunakan makin tepat/baik Agung Priyo Utomo (STIS Jakarta)

PERAMALAN NILAI RATA-RATA Y (Y|X) PADA X=X0
E(y) = y|x = 0 + 1x y = b0 + b1x Var(y) = var[y+b1(x-x)] Confidence Interval (1-)100% untuk rata-rata y pada x=x0 adalah ^ _ _ ^ Agung Priyo Utomo (STIS Jakarta)

PERAMALAN NILAI INDIVIDU Y (Yi) PADA X=X0
yi = 0+ 1xi + i Berdasarkan n pengamatan, maka yi = b0+ b1xi + i = yi + i Confidence Interval (1-)100% untuk rata-rata y pada x=x0 adalah ^ Agung Priyo Utomo (STIS Jakarta)

KOEFISIEN KORELASI Linear Correlation Coefficient
suatu ukuran yang menyatakan erat tidaknya hubungan linier yang ada antara variable X dan Y, nilai korelasi dirumuskan sebagai Nilai koefisien korelasi berkisar -1 sampai 1 (-1 ≤ r ≤ 1) tanda positif atau negatif dari R sesuai dengan tanda positif atau negatif pada parameter 1 Agung Priyo Utomo (STIS Jakarta)

Various degrees of linear correlation

KOEFISIEN DETERMINASI R2 = SSR/SST = 100/114 = 0,8772 Artinya: Hubungan regresi sangat kuat karena 88% variasi mobil yang terjual dapat dijelaskan oleh banyaknya iklan TV. KOEFISIEN KORELASI Agung Priyo Utomo (STIS Jakarta)

KESETARAAN UJI KOEFISIEN REGRESI DAN KOEFISIEN KORELASI
rXY = rYX Hipotesis H0: β1 = 0 setara dengan H0: ρ = 0 H1: β1  H1: ρ  0 Tolak H0 berarti ada hubungan linier antara variabel X dan Y Agung Priyo Utomo (STIS Jakarta)

KESETARAAN UJI KOEFISIEN REGRESI DAN KOEFISIEN KORELASI (L)
Statistik Uji: Tolak H0 jika Agung Priyo Utomo (STIS Jakarta)

Example: linear correlation coefficient for Car Age and Price Data

SPSS Printout for one Predictor
R2, Percentage of Variance Agung Priyo Utomo (STIS Jakarta)

Error of prediction Is regression Significant? Intercept Slope Agung Priyo Utomo (STIS Jakarta)

MODEL REGRESI LINIER BERGANDA
yi = 0 + 1xi1 + 2xi2 + … + pxip + i Persamaan Regresi Linier Berganda E(yi) = 0 + 1xi1 + 2xi2 + … + pxip Estimasi Persamaan Regresi Linier Berganda yi = b0 + b1xi1 + b2xi2 + … + bpxip dimana yi = variabel tak bebas (response/dependent variable) xi = variabel bebas (predictor/independent variable) ke-i i = suku sisaan (error/residual) i = koefisien regresi dari variabel bebas ke-i ^ Agung Priyo Utomo (STIS Jakarta)

METODE KUADRAT TERKECIL
Kriteria Kuadrat Terkecil Prinsip: Meminimalkan jumlah kuadrat error Pencarian estimasi koefisien regresi dapat diperoleh melalui aljabar matriks, namun dalam kuliah ini akan menggunakan hasil penghitungan menggunakan komputer bi menyatakan estimasi perubahan y yang disebabkan oleh berubahnya nilai xi sebesar satu satuan, dengan asumsi variabel bebas yang lain konstan Agung Priyo Utomo (STIS Jakarta)

SURVEI GAJI PROGRAMER Perusahaan perangkat lunak mengumpulkan data dengan jumlah sampel 20 programer komputer. Suatu anggapan dibuat bahwa analisis regresi dapat digunakan untuk menghitung/mengetahui apakah gaji dipengaruhi oleh pengalaman kerja (tahun) dan skor kecerdasan para programer. Pengalaman, skor kecerdasan, dan gaji ($1000s) dari 20 sampel programer komputer terdapat pada slide berikutnya. Agung Priyo Utomo (STIS Jakarta)

SURVEI GAJI PROGRAMER Pengalaman Skor Gaji Pengalaman Skor Gaji Agung Priyo Utomo (STIS Jakarta)

SURVEI GAJI PROGRAMER SPSS Computer Output Persamaan regresinya adalah Gaji = 3,17 + 1,40 pengalaman + 0,251 skor Var. Bebas Coef Stdev t-ratio p Konstanta 3,174 6,156 0,52 0,613 Pengalaman 1,4039 0,1986 7,07 0,000 Skor 0, , ,24 0,005 s = 2, R-sq = 83,4% R-sq(adj) = 81,5% Agung Priyo Utomo (STIS Jakarta)

SURVEI GAJI PROGRAMER SPSS Computer Output Analysis of Variance SOURCE DF SS MS F P Regression 2 500,33 250,16 42,76 0,000 Error 17 99,46 5,85 Total ,79 Agung Priyo Utomo (STIS Jakarta)

PEMERIKSAAN ASUMSI: Linieritas, Plot antara nilai-nilai residual (ei) dengan nilai-nilai Xi , Jika pencaran titik yang terbentuk tersebar secara acak di sekitar nol, maka asumsi linieritas terpenuhi. Agung Priyo Utomo (STIS Jakarta)

PEMERIKSAAN ASUMSI: Normalitas, Plot antara residual yang diurutkan e(i) dengan nilai harapannya E(e(i)) (Normal Probability Plot) Jika pencaran titik-titik nya membentuk atau mendekati suatu garis linier maka asumsi kenormalan terpenuhi. Agung Priyo Utomo (STIS Jakarta)

PEMERIKSAAN ASUMSI: Homoskedastisitas, Sama halnya seperti pada linieritas jika plot antara ei dengan Xi menunjukkan pola yang acak, atau plot antara ei dengan Yi menunjukkan pola acak, maka asumsi kesamaan varians (homoskedastisitas) terpenuhi ^ Agung Priyo Utomo (STIS Jakarta)

PEMERIKSAAN ASUMSI: Independensi/Autokorelasi, sering terjadi terutama jika data yang digunakan untuk analisis regresi merupakan data time series. Autokorelasi dapat menimbulkan masalah serius terutama pada nilai penduga dari varians sample (MSE). Pemeriksaan dengan membuat plot antara et (residual pada waktu ke t) dengan waktu (t), atau dengan statistik Durbin Watson Agung Priyo Utomo (STIS Jakarta)

PEMERIKSAAN ASUMSI: Multikollinieritas, adalah korelasi antar variabel bebas pada model regresi berganda Pemeriksaan awal dengan mencari nilai korelasi antar peubah bebas atau dengan melihat nilai VIF (Variance Inflaction Factor). Nilai VIF yang besar (>10) mengindikasikan adanya multikollinieritas (Neter & Wasserman). Jika variabel bebas berkorelasi kuat (misal, |r| > 0,7), maka tidak dapat diketahui efek variabel bebas tertentu terhadap variabel tak bebas secara terpisah. Jika estimasi persamaan regresi digunakan hanya untuk keperluan prediksi, maka multikolinearitas umumnya bukan masalah serius. Agung Priyo Utomo (STIS Jakarta)

PEMILIHAN MODEL REGRESI TERBAIK
Backward Elimination Tahap pertama akan memasukkan semua variable bebas X, kemudian secara bertahap akan mengeluarkan satu-persatu X yang tidak potensial. Prosedur seleksi akan terhenti bila dikeluarkannya suatu variable bebas tidak lagi secara significant mereduksi SSE atau menambah nilai R2. Agung Priyo Utomo (STIS Jakarta)

Forward Elimination, Metoda ini bekerja berkebalikan dari metoda backward dan dimulai dengan memasukkan variabel bebas yang memiliki korelasi paling erat dengan variabel tak bebasnya (variabel yang paling potensial untuk memiliki hubungan linier dengan Y ). Kemudian secara bertahap memasukkan variabel bebas yang petensial berikutnya. Prosedur seleksi akan terhenti sampai tidak ada lagi variabel bebas yang potensial Agung Priyo Utomo (STIS Jakarta)

Stepwise Elimination Metoda stepwise memiliki prosedur yang hampir sama dengan metoda forward, hanya saja bila suatu variabel bebas telah masuk pada satu tahapan, dapat saja pada tahapan berikutnya variabel tersebut dikeluarkan karena menjadi tidak potensial lagi dibandingkan dengan variabel yang masuk model setelahnya. Agung Priyo Utomo (STIS Jakarta)

Regresi dengan Variabel Bebas Kualitatif/Kategorik
Variabel Kualitatif/Kategorik sebagai variabel bebas Jenjang Pendidikan: SD, SLTP, SLTA, SLTA+ Jenis kelamin: Laki-laki, Perempuan Status daerah: Kota, Desa Status bekerja: Bekerja, Tidak Bekerja Agung Priyo Utomo (STIS Jakarta)

Dibuat Indicator variable/Dummy variabel yaitu meng”kuantitatifkan” data kualitatif, dengan kode 0 atau 1 Bila satu variabel bebas memiliki k kategori, maka akan dibuat sebanyak (k-1) variabel indikator, yg masing2 bernilai 0 atau 1 Selanjutnya pendugaan dan pengujian parameter ekivalen dengan regresi berganda Agung Priyo Utomo (STIS Jakarta)

d = 1, untuk Laki-laki 0, untuk Perempuan Est. yi = 402, ,655Xi1+23,478Xi2+93,87d Agung Priyo Utomo (STIS Jakarta)

Est. yi = 402, ,655Xi1+23,478Xi2+93,87d Interpretasi: 140,655  ketika pengalaman kerja bertambah 1 tahun maka gaji akan bertambah sebesar Rp ,- dengan asumsi skor ujian dan jenis kelamin sama. 23,478  ketika skor ujian bertambah 1 point, maka gaji akan bertambah sebesar Rp ,- dengan asumsi pengalaman kerja dan jenis kelamin sama 93,87  secara rata-rata pegawai berjenis kelamin laki-laki memiliki gaji Rp ,- lebih besar dibandingkan pegawai perempuan (selisih rata-rata gaji pegawai laki-laki dan perempuan  gaji laki-laki lebih besar) Agung Priyo Utomo (STIS Jakarta)

Est. yi = 402, ,655Xi1+23,478Xi2+93,87d Interpretasi: Laki-laki: Est. yi = 402, ,655Xi1+23,478Xi2+93,87.(1) Est. yi = (402,376+93,87)+140,655Xi1+23,478Xi2 Perempuan: Est. yi = 402, ,655Xi1+23,478Xi2+93,87.(0) Est. yi = 402, ,655Xi1+23,478Xi2 93,87  secara rata-rata pegawai berjenis kelamin laki-laki memiliki gaji Rp ,- lebih besar dibandingkan pegawai perempuan (selisih antara gaji pegawai laki-laki dibandingkan dengan perempuan adalah sebesar Rp ,-  laki-laki lebih besar) Agung Priyo Utomo (STIS Jakarta)

Y = gaji (000rp), X1 = pengalaman kerja, X2 = skor ujian, X3 = jenis kelamin (L & P), X4 = tingkat pendidikan (SMA, Sarjana, Pascasarjana) d1 = 1, L 0, P d21 = 1, sarjana d22 = 1, Pascasarjana 0, lainnya (SMA) 0, lainnya (SMA) Agung Priyo Utomo (STIS Jakarta)

Regresi dengan Variabel Bebas Kualitatif/Kategorik dan Suku Interaksi
Est. yi = ,4Xi1+34,771d+26,383Xi1d Laki-laki: Est. yi = ,4Xi1+34,771.(1)+26,383Xi1 = ( ,771)+(149,4+26,383)Xi1 Perempuan: Est. yi = ,4Xi1+34,771.(0)+26,383Xi1.(0) = ,4Xi1 Agung Priyo Utomo (STIS Jakarta)

ANALISIS REGRESI (REGRESSION ANALYSIS)

Presentasi serupa

Presentasi berjudul: "ANALISIS REGRESI (REGRESSION ANALYSIS)"— Transcript presentasi:

Presentasi serupa

Tentang proyek

Tanggapan

Masuk

Otorisasi melalui jaringan sosial:

ANALISIS REGRESI (REGRESSION ANALYSIS)

Presentasi serupa

Presentasi berjudul: "ANALISIS REGRESI (REGRESSION ANALYSIS)"— Transcript presentasi:

Presentasi serupa

Tentang proyek

Tanggapan