I. PENDAHULUAN

Merokok merupakan salah satu permasalahan kesehatan masyarakat yang masih menjadi perhatian di berbagai negara. Tingginya jumlah perokok serta kemudahan dalam memperoleh produk tembakau dapat memberikan dampak negatif terhadap kesehatan masyarakat dan perekonomian suatu negara. Salah satu indikator yang sering digunakan untuk menggambarkan kemudahan masyarakat dalam membeli rokok adalah kemampuan membeli rokok (cigarette affordability).

Kemampuan membeli rokok dapat dipengaruhi oleh berbagai faktor ekonomi maupun sosial. Dua faktor yang diduga memiliki pengaruh penting adalah persentase perokok dewasa serta GDP per kapita. Persentase perokok dewasa menggambarkan prevalensi kebiasaan merokok dalam suatu populasi, sedangkan GDP per kapita mencerminkan tingkat kesejahteraan ekonomi masyarakat di suatu negara.

Negara dengan GDP per kapita yang lebih tinggi umumnya memiliki daya beli yang lebih besar sehingga berpotensi meningkatkan kemampuan masyarakat dalam membeli rokok. Di sisi lain, tingginya persentase perokok dewasa juga dapat memengaruhi permintaan terhadap produk rokok di suatu negara. Oleh karena itu, penelitian ini bertujuan untuk menganalisis pengaruh persentase perokok dewasa dan GDP per kapita terhadap kemampuan membeli rokok di berbagai negara menggunakan pendekatan regresi linear berganda.

II. METODOLOGI

2.1. Analisis Data

Analisis data yang dilakukan diperlukan pendugaan terhadap parameter populasi yang diamati. Analisis ini biasa disebut dengan analisis parametrik. Sebelum dilakukan statistik uji, data umumnya harus berdistribusi normal. Oleh karena itu, perlu dilakukan metode statistika grafik umum untuk menguji kenormalan data.

2.1.1. Histogram

Histogram adalah grafik yang digunakan untuk menampilkan distribusi atau penyebaran data numerik dengan cara mengelompokkan data ke dalam beberapa interval kelas (bin). Pada histogram, sumbu horizontal (x) menunjukkan interval nilai data, sedangkan sumbu vertikal (y) menunjukkan frekuensi atau banyaknya data dalam setiap interval tersebut.

Melalui histogram, kita dapat melihat pola distribusi data, seperti apakah data cenderung simetris, miring ke kiri atau ke kanan, serta mengetahui konsentrasi dan penyebaran data secara visual. Histogram juga sering digunakan dalam analisis statistik untuk mengidentifikasi bentuk distribusi data, misalnya apakah mendekati distribusi normal atau tidak.

2.1.2. Box Plot

Boxplot (box-and-whisker plot) adalah grafik yang digunakan untuk menampilkan ringkasan distribusi data berdasarkan lima nilai utama, yaitu minimum, kuartil pertama (Q1), median (Q2), kuartil ketiga (Q3), dan maksimum.Pada boxplot, kotak (box) menunjukkan rentang antara Q1 dan Q3 yang disebut interquartile range (IQR), sedangkan garis di dalam kotak menunjukkan nilai median. Garis yang memanjang dari kotak disebut whisker, yang menunjukkan sebaran data hingga nilai minimum dan maksimum.

2.2. Model Regresi

Regresi linier berganda merupakan pengembangan dari regresi sederhana untuk menyatakan hubungan antara sebuah variabel dependen (respon) dengan lebih dari satu variabel independent (variabel bebas). Secara umum variabel respon Y dapat dihubungkan dengan k variabel bebas k1, k2, k3,…,k. Modelnya sebagai berikut : \[ y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 +...+\beta_n x_ +\epsilon \] Disebut model regresi linier berganda dengan k regressor. dengan 𝛽0, 𝛽1, 𝑖 = 1, 2,…,n masing-masing konstanta yang diperoleh dari output dan uji signifikansinya. Parameter (𝛽𝑖(1,2, … , 𝑘)) disebut koefisien regresi. Kesesuaian model pun diuji yang kemudian dikenalkan metode-metode analisis yang digunakan dan perbedaan hasil masing-masing metode.

2.3. Uji Asumsi Residual

2.3.1. Uji Normalitas

Uji normalitas digunakan dalam model regresi untuk menguji apakah nilai residual yang dihasilkan terdistribusi secara normal atau tidak. Model regresi yang baik adalah model regresi yang memiliki nilai residual yang terdistribusi secara normal. Secara visual dengan melihat pada Q-Q Plot pada output, jika plot tersebut mengikuti garis lurus maka residual berdistribusi normal yang berarti asumsi normalitas terpenuhi. Sedangkan Secara formal menguji residual berdistribusi normal dapat digunakan uji Kolmogorov-Smirnov. Uji normalitas ditentukan dengan melihat p-value, Jika p-value > alpha, maka H0 gagal ditolak yang berarti Uji Normalitas Terpenuhi.

2.3.2. Uji Linieritas

Linieritas adalah tidak terdapatnya hubungan antara nilai-nilai prediksi dengan nilai residual. Ini biasanya digunakan sebagai prasyarat dalam analisis korelasi atau regresi linear. Metode yang digunakan untuk memeriksa asumsi ini adalah dengan membuat plot residual terhadap nilai prediksi. Secara Formal uji ini dapat dilihat dari output RESET test. Uji Linieritas ditentukan dengan melihat p-value, Jika p-value > alpha, maka H0 gagal ditolak yang berarti Uji Linieritas Terpenuhi.

2.3.3. Uji Homoskedastisitas

Uji ini digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas. Uji secara formal menggunakan output uji Breusch-Pagan dimana jika nilai p-value untuk variabel X lebih besar dari 𝛼 = 5%, maka dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas atau dengan kata lain asumsi homoskedastisitas terpenuhi.

2.3.4. Uji Non-Autokorelasi

Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Uji secara formal menggunakan output uji Durbin-Watson dimana jika nilai p-value lebih besar dari 𝛼 = 5%, maka dapat disimpulkan bahwa tidak terjadi mengalami autokorelasi atau uji asumsi Non-Autokorelasi terpenuhi

2.4. Uji Signifikansi Parameter

2.4.1. Uji F

Uji ini merupakan pengujian yang digunakan untuk menentukan ada tidaknya suatu hubungan linear antara variabel dependen atau respon dengan variabel independen. Sehingga hipotesis awal (H0) pada uji ini adalah model regresi tidak cocok, dengan kata lain tidak ada hubungan linear antara variabel independen dengan variabel dependen/model tidak sesuai. Model yang baik adalah model yang memiliki suatu hubungan linear antara variabel dependen atau respon dengan variabel independen atau dengan kata lain menolak H0. Pada pengujian ini, H0 akan ditolak apabila nilai Fhitung > Ftabel (F,k,n-k-1) atau nilai p-value < α.

2.4.2. Uji T

Uji ini dilakukan untuk mengetahui pengaruh dari masing-masing koefisien parameter dengan hipotesis awal yaitu koefisien parameter tidak berpengaruh terhadap model. H0 atau hipotesis awal ditolak apabila nilai |thitung| > ttabel atau Sig. < α. Apabila H0 ditolak, berarti bahwa koefisien dari parameter tersebut memiliki pengaruh yang signifikan terhadap variabel dependennya atau modelnya.

2.5. Koefisien Determinasi (R²)

Koefisien determinasi merupakan ukuran untuk mengetahui kesesuaian atau ketepatan antara nilai dugaan atau garis regresi dengan data sampel. Apabila nilai koefisien korelasi sudah diketahui, maka untuk mendapatkan koefisien determinasi dapat diperoleh dengan mengkuadratkannya. Sebuah model dikatakan baik jika nilai R2 mendekati satu dan sebaliknya jika nilai R2 mendekati 0 maka model kurang baik.

2.6. Mean Square Error (MSE)

Salah satu kriteria untuk memilih estimator terbaik di antara estimator yang ada adalah berdasarkan mean squared error (MSE) atau kesalahan kuadrat rata-rata dari estimator tersebut. Semakin kecil MSE maka semakin baik. Berikut rumus untuk MSE: \[ MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2 \]

III. STUDI KASUS

3.1. Data

Data yang digunakan dalam penelitian ini merupakan data sekunder yang menggambarkan kondisi konsumsi rokok dan faktor ekonomi di berbagai negara. Dataset terdiri dari 154 negara yang masing-masing memiliki informasi terkait kemampuan membeli rokok, persentase perokok dewasa, serta GDP per kapita. Variabel yang digunakan dalam penelitian ini terdiri dari satu variabel respon dan dua variabel penjelas. Variabel respon dalam penelitian ini adalah Kemampuan Membeli Rokok (Y) yang menggambarkan tingkat keterjangkauan harga rokok oleh masyarakat di suatu negara. Selanjutnya terdapat dua variabel penjelas, yaitu Persentase Perokok Dewasa (X1) yang menunjukkan proporsi penduduk dewasa yang memiliki kebiasaan merokok di suatu negara dan GDP per Kapita (X2) yang menggambarkan tingkat pendapatan rata-rata masyarakat pada suatu negara dan sering digunakan sebagai indikator kesejahteraan ekonomi. Melalui ketiga variabel tersebut, penelitian ini bertujuan untuk menganalisis pengaruh persentase perokok dewasa dan GDP per kapita terhadap kemampuan masyarakat dalam membeli rokok di berbagai negara menggunakan pendekatan regresi linear berganda.

3.2. STATISTIK DESKRIPTIF

##     Negara          Kemampuan Membeli Rokok (Y) Persentase Perokok Dewasa (X1)
##  Length:154         Min.   : 3.50               Min.   : 0.530                
##  Class :character   1st Qu.:12.03               1st Qu.: 2.333                
##  Mode  :character   Median :20.90               Median : 4.010                
##                     Mean   :20.60               Mean   : 6.696                
##                     3rd Qu.:27.10               3rd Qu.: 8.355                
##                     Max.   :48.50               Max.   :40.180                
##  GDP per Kapita (X2)
##  Min.   :   263.4   
##  1st Qu.:  1960.0   
##  Median :  5236.5   
##  Mean   : 13686.4   
##  3rd Qu.: 17050.7   
##  Max.   :104616.0

Statistik deskriptif digunakan untuk memberikan gambaran awal mengenai karakteristik data yang digunakan dalam penelitian. Melalui analisis ini dapat diketahui nilai minimum, maksimum, rata-rata, serta nilai median dari masing-masing variabel.

Berdasarkan hasil statistik deskriptif, data penelitian terdiri dari 154 negara dengan tiga variabel utama yaitu kemampuan membeli rokok (Y), persentase perokok dewasa (X1), dan GDP per kapita (X2). Variabel kemampuan membeli rokok menunjukkan tingkat keterjangkauan rokok pada setiap negara, dimana nilai yang lebih tinggi menunjukkan bahwa rokok relatif lebih mudah dibeli oleh masyarakat. Variabel persentase perokok dewasa menggambarkan tingkat prevalensi kebiasaan merokok pada penduduk dewasa di berbagai negara. Sementara itu variabel GDP per kapita menunjukkan tingkat kesejahteraan ekonomi masyarakat yang dapat memengaruhi daya beli masyarakat terhadap berbagai produk termasuk rokok.

Secara keseluruhan, statistik deskriptif ini memberikan gambaran awal mengenai sebaran, kecenderungan pusat, serta variasi data pada masing-masing variabel, yang selanjutnya dapat dianalisis lebih lanjut melalui visualisasi data dan metode analisis statistik lainnya.

3.3. ANALISIS DATA

3.3.1. Histogram

Berdasarkan histogram yang ditampilkan, variabel Kemampuan Membeli Rokok (Y) menunjukkan distribusi nilai yang menggambarkan tingkat keterjangkauan rokok pada berbagai negara. Sebagian besar negara memiliki nilai kemampuan membeli rokok pada rentang tertentu, sementara beberapa negara memiliki nilai yang lebih tinggi atau lebih rendah dari rata-rata.

Variabel Persentase Perokok Dewasa (X1) menunjukkan distribusi proporsi masyarakat yang merokok pada setiap negara. Sebaran data ini menunjukkan adanya variasi tingkat kebiasaan merokok antar negara. Sementara itu variabel GDP per Kapita (X2) menunjukkan distribusi tingkat pendapatan masyarakat pada berbagai negara. Variasi nilai GDP per kapita yang cukup luas menunjukkan adanya perbedaan tingkat kesejahteraan ekonomi antar negara yang cukup signifikan.

3.3.2. Box Plot

Berdasarkan boxplot yang ditampilkan, variabel Kemampuan Membeli Rokok (Y) menunjukkan penyebaran data yang menggambarkan perbedaan tingkat keterjangkauan rokok pada berbagai negara. Median pada boxplot menunjukkan nilai tengah dari kemampuan membeli rokok pada negara-negara yang diamati.

Variabel Persentase Perokok Dewasa (X1) menunjukkan variasi tingkat kebiasaan merokok di antara negara yang diteliti. Sementara itu variabel GDP per Kapita (X2) memiliki rentang nilai yang cukup luas yang mencerminkan adanya perbedaan tingkat kesejahteraan ekonomi antar negara. Secara umum, boxplot memberikan gambaran mengenai pusat data, penyebaran data, serta kemungkinan adanya nilai ekstrem pada setiap variabel.

3.4. Model Regresi

Persamaan Model Regresi: \[ y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 +\epsilon \]

## 
## Call:
## lm(formula = `Kemampuan Membeli Rokok (Y)` ~ `Persentase Perokok Dewasa (X1)` + 
##     `GDP per Kapita (X2)`, data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -17.6481  -8.3022  -0.1383   6.7012  29.1769 
## 
## Coefficients:
##                                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                       2.189e+01  1.541e+00  14.206   <2e-16 ***
## `Persentase Perokok Dewasa (X1)` -1.862e-01  1.362e-01  -1.367    0.174    
## `GDP per Kapita (X2)`            -2.866e-06  4.658e-05  -0.062    0.951    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 9.81 on 151 degrees of freedom
## Multiple R-squared:  0.01455,    Adjusted R-squared:  0.001501 
## F-statistic: 1.115 on 2 and 151 DF,  p-value: 0.3306

Model Akhir: \[ y = 21.8856 + -0.1862 X_1 + 0 X_2 \] Model regresi yang diperoleh adalah y = 21.8856 + -0.1862 X1 + 0 X2. Nilai konstanta sebesar 21.8856 menunjukkan bahwa ketika variabel X1 dan X2 bernilai 0, maka nilai variabel Y diperkirakan sebesar 21.8856. Meskipun demikian, dalam banyak kasus konstanta hanya berfungsi sebagai penyesuaian model dan tidak selalu memiliki makna praktis jika nilai nol pada variabel independen tidak relistis.

Koefisien regresi untuk variabel X1 sebesar -0.1862 menunjukkan bahwa setiap peningkatan 1 satuan pada X1 dengan asumsi variabel X2 tetap, maka nilai Y akan meningkat sebesar -0.1862 satuan. Sebaliknya, koefisien regresi untuk variabel X2 sebesar 0 menunjukkan bahwa setiap peningkatan 1 satuan pada X2 dengan asumsi X1 tetap, maka nilai Y akan menurun sebesar 0 satuan. Hal ini menunjukkan bahwa X1 memiliki pengaruh negatif terhadap Y, sedangkan X2 memiliki pengaruh negatif yang kecil terhadap Y.

3.5. Uji Asumsi Residual

3.5.1. Uji Normalitas

Secara Visual

Berdasarkan grafik QQ Plot ketiga variabel, terlihat bahwa sebagian besar titik data berada di sekitar garis diagonal. Hal ini menunjukkan bahwa data cenderung mengikuti distribusi normal, sehingga asumsi normalitas dapat dikatakan cukup terpenuhi.

Secara Formal

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  error
## D = 0.075085, p-value = 0.3504
## alternative hypothesis: two-sided

Berdasarkan hasil uji Kolmogorov–Smirnov diperoleh nilai statistik D sebesar 0.0751 dengan p-value sebesar 0.3504. Karena nilai p-value lebih besar dari 0,05 maka gagal menolak H0 sehingga dapat disimpulkan bahwa residual berdistribusi normal.

Dengan demikian, dapat disimpulkan bahwa asumsi normalitas pada model regresi telah terpenuhi sehingga model regresi yang digunakan layak untuk analisis lebih lanjut.

3.5.2. Uji Linearitas

Secara Visual

Scatterplot antara Persentase Perokok Dewasa (X1) dan Kemampuan Membeli Rokok (Y) menunjukkan bahwa titik-titik data menyebar cukup luas dan tidak sepenuhnya mengikuti garis regresi. Namun, secara umum terlihat kecenderungan pola hubungan negatif, dimana garis regresi menunjukkan arah menurun. Hal ini mengindikasikan bahwa peningkatan persentase perokok dewasa cenderung diikuti dengan penurunan kemampuan membeli rokok, meskipun hubungan yang terbentuk tidak terlalu kuat.

Scatterplot antara GDP per Kapita (X2) dan Kemampuan Membeli Rokok (Y) juga menunjukkan penyebaran titik yang cukup luas terhadap garis regresi. Garis regresi menunjukkan kecenderungan positif, yang berarti semakin tinggi GDP per kapita suatu negara maka kemampuan masyarakat untuk membeli rokok cenderung meningkat. Meskipun demikian, pola hubungan yang terbentuk terlihat tidak terlalu kuat karena penyebaran titik yang cukup besar.

Berdasarkan kedua scatterplot tersebut, dapat disimpulkan bahwa secara visual terdapat kecenderungan hubungan linear antara variabel bebas dan variabel terikat, sehingga asumsi linearitas dalam model regresi dapat dikatakan terpenuhi.

Secara Formal

## 
##  RESET test
## 
## data:  model
## RESET = 8.961, df1 = 2, df2 = 149, p-value = 0.0002114

Berdasarkan hasil uji linearitas menggunakan RESET test diperoleh nilai statistik RESET sebesar 8.961 dengan derajat bebas df1 = 2 dan df2 = 149, serta p-value sebesar 0.0002114. Karena nilai p-value lebih kecil dari 0,05 maka menolak H0, sehingga dapat disimpulkan bahwa model regresi yang digunakan tidak memenuhi asumsi linearitas.

3.5.3. Uji Homoskedastisitas

## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 10.379, df = 2, p-value = 0.005575

Berdasarkan hasil uji heteroskedastisitas menggunakan uji Breusch–Pagan diperoleh nilai statistik BP sebesar 10.3788 dengan derajat bebas sebesar 2, serta p-value sebesar 0.0056. Karena nilai p-value lebih kecil dari 0,05 maka menolak H0 sehingga dapat disimpulkan bahwa terdapat gejala heteroskedastisitas atau uji homoskedastisitas tidak terpenuhi pada model regresi.

3.5.4. Uji Non-Autokorelasi

## 
##  Durbin-Watson test
## 
## data:  model
## DW = 2.2151, p-value = 0.908
## alternative hypothesis: true autocorrelation is greater than 0

Berdasarkan hasil uji autokorelasi menggunakan uji Durbin–Watson diperoleh nilai statistik DW sebesar 2.2151 dengan p-value sebesar 0.908. Karena nilai p-value lebih besar dari 0,05 maka gagal menolak H0, sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi pada residual model regresi.

3.6. Uji Signifikansi Parameter

3.6.1. Uji F

Fstatistic
##    value 
## 1.114966
pvalue
##     value 
## 0.3306109

Berdasarkan hasil uji F diperoleh nilai F hitung sebesar 1.115 dengan p-value sebesar 0.3306. Karena nilai p-value lebih besar dari 0,05 maka H0 ditolak, sehingga dapat disimpulkan bahwa variabel independen secara simultan tidak berpengaruh signifikan terhadap variabel dependen.

3.6.2. Uji T

tstatistic
##                      (Intercept) `Persentase Perokok Dewasa (X1)` 
##                       14.2058442                       -1.3674379 
##            `GDP per Kapita (X2)` 
##                       -0.0615392
pvalue
##                      (Intercept) `Persentase Perokok Dewasa (X1)` 
##                     1.272706e-29                     1.735200e-01 
##            `GDP per Kapita (X2)` 
##                     9.510112e-01

Berdasarkan hasil uji t diketahui bahwa variabel Persentase Perokok Dewasa (X1) memiliki nilai t hitung sebesar -1.3674 dengan p-value sebesar 0.1735. Karena p-value > 0,05 maka H₀ gagal ditolak sehingga dapat disimpulkan bahwa variabel Persentase Perokok Dewasa (X1) tidak berpengaruh signifikan terhadap Kemampuan Membeli Rokok (Y).

Sementara itu variabel GDP per Kapita (X2) memiliki nilai t hitung sebesar -0.0615 dengan p-value sebesar 0.951. Karena p-value > 0,05 maka H₀ gagal ditolak sehingga dapat disimpulkan bahwa variabel GDP per Kapita (X2) tidak berpengaruh signifikan terhadap Kemampuan Membeli Rokok (Y).

3.7. Koefisien Determinasi (R²)

summary(model)$r.squared
## [1] 0.01455285
summary(model)$adj.r.squared
## [1] 0.001500566

Berdasarkan hasil analisis diperoleh nilai koefisien determinasi (R²) sebesar 0.0146 dan nilai Adjusted R² sebesar 0.0015. Hal ini menunjukkan bahwa sebesar 1.46% variasi pada variabel dependen Kemampuan Membeli Rokok (Y) dapat dijelaskan oleh variabel independen yaitu Persentase Perokok Dewasa (X1) dan GDP per Kapita (X2), sedangkan sisanya sebesar 98.54% dijelaskan oleh variabel lain di luar model yang tidak dimasukkan dalam penelitian ini.

3.8. Mean Squared Error (MSE)

mse
## [1] 94.35522
rmse
## [1] 9.713662

Berdasarkan hasil evaluasi model regresi berganda diperoleh nilai Mean Squared Error (MSE) sebesar 94.355 dan Root Mean Squared Error (RMSE) sebesar 9.714. Nilai RMSE menunjukkan bahwa rata-rata kesalahan prediksi model terhadap nilai aktual adalah sekitar 9.714 satuan. Maka dapat disimpulkan nilai tersebut tergolong tinggi, sehingga dapat dikatakan model regresi tergolong tidak baik.

IV.PENUTUP

Berdasarkan hasil analisis regresi linear berganda diperoleh model regresi

Y = 21.8856 + -0.1862X1 + 0X2.

Model tersebut menunjukkan bahwa variabel Persentase Perokok Dewasa (X1) memiliki pengaruh terhadap Kemampuan Membeli Rokok (Y), sedangkan GDP per Kapita (X2) juga memberikan pengaruh terhadap variabel Kemampuan Membeli Rokok (Y).

Hasil uji asumsi klasik menunjukkan bahwa model belum memenuhi asumsi regresi. Hasil uji normalitas dengan Kolmogorov–Smirnov diperoleh nilai statistik sebesar 0.0751 dengan p-value sebesar 0.3504 sehingga residual berdistribusi normal. Uji linearitas RESET memberikan nilai statistik sebesar 8.961 dengan p-value sebesar 0.0002114 sehingga model tidak bersifat linear. Uji homoskedastisitas menggunakan Breusch–Pagan menghasilkan nilai BP sebesar 10.3788 dengan p-value sebesar 0.0056 yang menunjukkan terdapat heteroskedastisitas. Selain itu, uji autokorelasi Durbin–Watson menghasilkan nilai DW sebesar 2.2151 dengan p-value sebesar 0.908 sehingga tidak terdapat autokorelasi pada residual.

Hasil uji F menunjukkan bahwa model regresi signifikan secara simultan dengan nilai F sebesar 1.115 dan p-value sebesar 1.273^{-29}, 0.1735, 0.951, sehingga variabel Persentase Perokok Dewasa (X1) dan GDP per Kapita (X2) secara bersama-sama tidak berpengaruh terhadap Kemampuan Membeli Rokok (Y).

Berdasarkan uji t diketahui bahwa variabel Persentase Perokok Dewasa (X1) memiliki nilai t sebesar -1.3674 dengan p-value sebesar 0.1735 sehingga tidak berpengaruh signifikan terhadap Kemampuan Membeli Rokok (Y). Sementara itu variabel GDP per Kapita (X2) memiliki nilai t sebesar -0.0615 dengan p-value sebesar 0.951 sehingga tidak berpengaruh signifikan terhadap Kemampuan Membeli Rokok (Y).

Nilai koefisien determinasi (R²) sebesar 0.0146 menunjukkan bahwa sekitar 1.46% variasi Kemampuan Membeli Rokok (Y) dapat dijelaskan oleh variabel Persentase Perokok Dewasa (X1) dan GDP per Kapita (X2), sedangkan sisanya sebesar 98.54% dipengaruhi oleh faktor lain di luar model.

Berdasarkan hasil evaluasi model regresi berganda diperoleh nilai Mean Squared Error (MSE) sebesar 94.355 dan Root Mean Squared Error (RMSE) sebesar 9.714. Nilai RMSE menunjukkan bahwa rata-rata kesalahan prediksi model terhadap nilai aktual Kemampuan Membeli Rokok (Y) adalah sekitar 9.714 satuan. Nilai kesalahan prediksi yang relatif besar menunjukkan bahwa model regresi memiliki kemampuan prediksi yang tidak baik.