##Tugas Individu TPC Kuliah
##Nabiil Fauzaan (G1401221007)
library(readxl)
## Warning: package 'readxl' was built under R version 4.3.2
library(tidyverse)
## Warning: package 'tidyverse' was built under R version 4.3.2
## Warning: package 'ggplot2' was built under R version 4.3.2
## Warning: package 'lubridate' was built under R version 4.3.2
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.3 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.5.0 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.0
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(ggridges)
library(GGally)
## Warning: package 'GGally' was built under R version 4.3.3
## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2
library(plotly)
## Warning: package 'plotly' was built under R version 4.3.3
##
## Attaching package: 'plotly'
##
## The following object is masked from 'package:ggplot2':
##
## last_plot
##
## The following object is masked from 'package:stats':
##
## filter
##
## The following object is masked from 'package:graphics':
##
## layout
library(dplyr)
library(lmtest)
## Warning: package 'lmtest' was built under R version 4.3.2
## Loading required package: zoo
## Warning: package 'zoo' was built under R version 4.3.2
##
## Attaching package: 'zoo'
##
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(stats)
#DATA
data <- read_xlsx("C:/Users/NHQEN/OneDrive/Documents/Data Tugas TPC.xlsx")
data
## # A tibble: 15 × 3
## NO X Y
## <dbl> <dbl> <dbl>
## 1 1 2 54
## 2 2 5 50
## 3 3 7 45
## 4 4 10 37
## 5 5 14 35
## 6 6 19 25
## 7 7 26 20
## 8 8 31 16
## 9 9 34 18
## 10 10 38 13
## 11 11 45 8
## 12 12 52 11
## 13 13 53 8
## 14 14 60 4
## 15 15 65 6
#EKSPLORASI DATA
plot(x = data$X, y = data$Y) #Hasil Scatter plot menunjukkan Y dan X tidak berhubungan linier

#UJI KENORMALAN
qqnorm(data$Y)
qqline(data$Y, col = "red")

shapiro.test(data$Y) #Hasil menyebar normal berdasarkan hasil test yang lebih dari 0.05 walaupun qqplot menunjukkan asumsi bahwa data tersebut tidak menyebar normal
##
## Shapiro-Wilk normality test
##
## data: data$Y
## W = 0.89636, p-value = 0.08374
#DEKLARASI MODEL REGRESI
model_lm <- lm(formula = Y ~ X, data = data)
summary(model_lm)
##
## Call:
## lm(formula = Y ~ X, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7.1628 -4.7313 -0.9253 3.7386 9.0446
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 46.46041 2.76218 16.82 3.33e-10 ***
## X -0.75251 0.07502 -10.03 1.74e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.891 on 13 degrees of freedom
## Multiple R-squared: 0.8856, Adjusted R-squared: 0.8768
## F-statistic: 100.6 on 1 and 13 DF, p-value: 1.736e-07
model_lm
##
## Call:
## lm(formula = Y ~ X, data = data)
##
## Coefficients:
## (Intercept) X
## 46.4604 -0.7525
#AUTOKORELASI
acf(model_lm$residuals)

dwtest(model_lm) #Dalam gambar ACF, autokorelasi pada lag 1 adalah 0.5 dan pada lag 2 adalah 0.4. Kedua nilai tersebut melebihi batas kepercayaan 95%, menandakan bahwa autokorelasi pada lag 1 dan 2 signifikan. Ini mengindikasikan ketidakpenuhan asumsi Gauss-Markov, khususnya asumsi non-autokorelasi. Hasil p-test dari Uji Durbin-Watson juga menunjukkan nilai kurang dari 0.05, memperkuat temuan tersebut.
##
## Durbin-Watson test
##
## data: model_lm
## DW = 0.48462, p-value = 1.333e-05
## alternative hypothesis: true autocorrelation is greater than 0
#UJI HOMOSKEDASTISITAS
plot(model_lm, which = 1) #Ragam sisaan cenderung meningkat seiring dengan nilai prediksi yang memiliki arti bahwa terjadi homoskedastisitas

#TRANSFORMASI WLS
resid_abs <- abs(model_lm$residuals)
fitted_val <- model_lm$fitted.values
fit <- lm(resid_abs ~ fitted_val, data)
data.weights <- 1 / fit$fitted.values^2
data.weights
## 1 2 3 4 5 6 7
## 0.03414849 0.03489798 0.03541143 0.03620311 0.03730067 0.03874425 0.04091034
## 8 9 10 11 12 13 14
## 0.04257072 0.04361593 0.04507050 0.04779711 0.05077885 0.05122749 0.05454132
## 15
## 0.05710924
plot(data.weights)

model_weighted <- lm(Y~X, data = data, weights = data.weights)
plot(model_weighted)




summary(model_weighted) #WLS belum efektif karena belum memenuhi asumsi Gauss-Markov
##
## Call:
## lm(formula = Y ~ X, data = data, weights = data.weights)
##
## Weighted Residuals:
## Min 1Q Median 3Q Max
## -1.46776 -1.09054 -0.06587 0.77203 1.85309
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 45.41058 2.90674 15.623 8.35e-10 ***
## X -0.71925 0.07313 -9.835 2.18e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.204 on 13 degrees of freedom
## Multiple R-squared: 0.8815, Adjusted R-squared: 0.8724
## F-statistic: 96.73 on 1 and 13 DF, p-value: 2.182e-07
#TRANSFORMASI AKAR PADA x, y, ATAU X DAN Y
newdata <- data %>%
mutate(y = sqrt(Y)) %>%
mutate(x = sqrt(X))
model_sqrtx <- lm(y ~ X, data = newdata)
plot(x = newdata$X, y = newdata$y)

plot(model_sqrtx)




summary(model_sqrtx)
##
## Call:
## lm(formula = y ~ X, data = newdata)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.53998 -0.38316 -0.01727 0.36045 0.70199
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.015455 0.201677 34.79 3.24e-14 ***
## X -0.081045 0.005477 -14.80 1.63e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4301 on 13 degrees of freedom
## Multiple R-squared: 0.9439, Adjusted R-squared: 0.9396
## F-statistic: 218.9 on 1 and 13 DF, p-value: 1.634e-09
#UJI AUTOKORELASI MODEL REGRESI TRANSFORMASI
dwtest(model_sqrtx)
##
## Durbin-Watson test
##
## data: model_sqrtx
## DW = 1.2206, p-value = 0.02493
## alternative hypothesis: true autocorrelation is greater than 0
model_sqrt <- lm(y ~ x, data = newdata)
plot(x = newdata$x, y = newdata$y)

plot(model_sqrt)




summary(model_sqrt) #Dengan nilai DW yang rendah dan p-value yang signifikan, hasil tes Durbin-Watson menunjukkan adanya autokorelasi positif. Tes Durbin-Watson di atas membuktikan bahwa masih terdapat autokorelasi, ditandai dengan p-value yang kurang dari 0,05.
##
## Call:
## lm(formula = y ~ x, data = newdata)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.42765 -0.17534 -0.05753 0.21223 0.46960
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.71245 0.19101 45.61 9.83e-16 ***
## x -0.81339 0.03445 -23.61 4.64e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2743 on 13 degrees of freedom
## Multiple R-squared: 0.9772, Adjusted R-squared: 0.9755
## F-statistic: 557.3 on 1 and 13 DF, p-value: 4.643e-12
#UJI AUTOKORELASI MODEL REGRESI
dwtest(model_sqrt)
##
## Durbin-Watson test
##
## data: model_sqrt
## DW = 2.6803, p-value = 0.8629
## alternative hypothesis: true autocorrelation is greater than 0
##KESIMPULAN
#Nilai p yang lebih besar dari 0.05 menunjukkan bahwa tidak ada bukti yang cukup untuk menolak hipotesis nol, yang menyatakan bahwa tidak ada autokorelasi. Dari hasil transformasi tersebut, dapat disimpulkan bahwa transformasi akar Y membuat persamaan regresi menjadi lebih efektif. Model regresi setelah transformasi dinyatakan sebagai: \[ Y^* = 8.71245 - 0.81339X^* + e \]\[ Y^* = \sqrt{Y} \]\[ X^* = \sqrt{X} \]. Dengan melakukan transformasi balik, kita mendapatkan: \[ Y = (8.71245 - 0.81339 X^{\frac{1}{2}})^2 + e \]. Interpretasi model menunjukkan bahwa Y berkorelasi terbalik dengan akar kuadrat dari X, dengan hubungan yang bersifat kuadratik. Semakin besar nilai akar kuadrat dari X, semakin kecil rata-rata nilai Y, dengan tingkat penurunan yang semakin meningkat. Puncak kurva menunjukkan nilai rata-rata maksimum Y untuk nilai tertentu dari X. Konstanta 8.71245 mewakili nilai Y ketika X sama dengan 0. Koefisien -0.81339 merupakan koefisien regresi untuk variabel X. Nilai negatif menunjukkan hubungan terbalik antara Y dan akar kuadrat dari X. Dengan kata lain, semakin besar akar kuadrat dari X, semakin kecil nilai Y. Pangkat dua pada koefisien regresi menunjukkan bahwa hubungan antara Y dan X bersifat kuadratik. Ini berarti perubahan Y tidak proporsional dengan perubahan X, melainkan berubah dengan tingkat peningkatan yang semakin tinggi.