Pengujian signifikansi parameter merupakan salah satu tahapan penting dalam analisis statistika, khususnya pada analisis regresi yang digunakan untuk mengetahui hubungan antara variabel independen dan variabel dependen. Parameter dalam model regresi menunjukkan besarnya perubahan variabel dependen yang berkaitan dengan perubahan variabel independen, sehingga pengujiannya diperlukan untuk mengetahui apakah koefisien yang diperoleh dari data sampel memiliki bukti statistik yang cukup untuk dianggap berbeda dari nol. Pengujian ini dilakukan melalui perumusan hipotesis nol (\(H_0\)) dan hipotesis alternatif (\(H_1\)), penentuan taraf signifikansi, serta perhitungan statistik uji berdasarkan model yang digunakan. Hasil pengujian kemudian digunakan sebagai dasar untuk menentukan apakah suatu parameter mempunyai pengaruh yang signifikan secara statistik terhadap variabel respons. Dengan demikian, pengujian signifikansi parameter tidak hanya membantu menjelaskan hubungan antarvariabel, tetapi juga menjadi dasar dalam mengevaluasi kesimpulan yang diperoleh dari analisis data (Pratignyo dan Prabowo, 2024).
Pengujian signifikansi parameter umumnya dilakukan melalui uji parsial dan uji simultan untuk mengevaluasi pengaruh variabel independen terhadap variabel dependen dalam model regresi. Uji parsial menggunakan statistik uji t untuk mengetahui apakah masing-masing koefisien regresi signifikan secara statistik, sedangkan uji simultan menggunakan statistik uji F untuk mengetahui apakah variabel independen secara bersama-sama memberikan pengaruh yang signifikan terhadap variabel dependen. Pengambilan keputusan dapat dilakukan dengan membandingkan nilai probabilitas (p-value) dengan taraf signifikansi yang telah ditentukan, misalnya sebesar 0,05. Apabila nilai probabilitas lebih kecil dari 0,05, hipotesis nol ditolak sehingga terdapat bukti statistik yang mendukung signifikansi parameter atau model yang diuji. Sebaliknya, apabila nilai probabilitas lebih besar dari 0,05, hipotesis nol tidak dapat ditolak karena bukti statistik yang tersedia belum cukup untuk menyatakan adanya pengaruh yang signifikan. Oleh karena itu, pemahaman terhadap uji t, uji F, dan interpretasi nilai signifikansi diperlukan agar hasil analisis regresi dapat dijelaskan secara tepat dan sesuai dengan tujuan penelitian (Septiana, 2025).
Berdasarkan uraian tersebut, pengujian signifikansi parameter menjadi materi penting untuk memahami proses pengujian hipotesis dalam analisis statistika, terutama dalam penerapan model regresi. Pelaksanaan pengujian harus memperhatikan perumusan hipotesis, pemilihan statistik uji yang sesuai, penentuan taraf signifikansi, serta interpretasi hasil berdasarkan nilai statistik uji dan probabilitasnya. Selain itu, signifikansi statistik tidak selalu menunjukkan bahwa pengaruh suatu variabel memiliki besaran yang penting secara praktis, sehingga hasil pengujian perlu dipertimbangkan bersama nilai koefisien regresi, arah hubungan, dan konteks permasalahan yang dianalisis. Dengan mempelajari materi ini, mahasiswa diharapkan mampu memahami konsep pengujian signifikansi parameter, menerapkan uji t dan uji F sesuai kebutuhan analisis, serta menarik kesimpulan berdasarkan hasil pengolahan data secara objektif dan sistematis.
Berdasarkan latar belakang di atas, rumusan masalah yang dapat disimpulkan adalah bagaimana cara menentukan parameter yang signifikan pada persamaan regresi dengan menggunakan program R?
Dalam penyusunan laporan ini, penulis memiliki tujuan yaitu, dapat menentukan parameter yang signifikan pada persamaan regresi menggunakan program R.
Dalam penyusunan laporan ini, penulis memiliki beberapa manfaat sebagai berikut:
Bagi penulis: 1. Dapat memberikan informasi serta pengetahuan tentang regresi linier berganda pada program R. 2. Dapat mengembangkan pengetahuan tentang regresi linier berganda.
Bagi pembaca: 1. Dapat menjadikan laporan ini sebagai sumber rujukan untuk penelitian selanjutnya. 2. Dapat menambah pengetahuan dan pemahaman tentang regresi linier berganda dengan menggunakan program R.
Adapun batasan masalah pada laporan praktikum kali ini yaitu, carilah data minimal 30 observasi dan minimal 3 variabel independen, kemudian lakukan pengujian signifikansi parameter. Setiap praktikan tidak diperbolehkan menggunakan data yg sama.
Adapun sistematika penulisan dari pratikum ini adalah:
Uji Signifikansi adalah salah satu tahap terpenting dalam sebuah riset, khususnya riset yang menggunakan metode kuantitatif. Uji ini yang akan menentukan simpulan hasil riset. Uji signifikansi menentukan apakah hipotesis yang dibuat di awal riset akan diterima atau ditolak. Karena peran pentingnya itulah, para ahli mencari cara terbaik yang dapat membedakan hasil pengamatan secara meyakinkan. Tingkat keyakinan yang memadai untuk dapat menerima suatu hipotesis tersebut yang kerap disebut dengan istilah signifikansi statistik.
Pengujian Signifikansi Parameter model merupakan suatu alat untuk mengetahui ada atau tidanya hubungan parameter di dalam model regresi. Uji signifikansi parameter dilakukan secara serentak (simultan) maupun secara individu (parsial). Sedangkan, uji Simultan adalah uji semua variabel bebas secara keseluruhan dan bersamaan di dalam suatu model. Uji Serentak dilakukan dengan tujuan untuk mengetahui signifikansi parameter model regresi secara bersama-sama dengan menggunakan ANOVA (Analysis of Variance). Berikut langkah-langkah uji signifikansi secara serentak (Anandari, 2023).
Uji Simultan atau uji f ini bertujuan untuk mengetahui pengaruh variabel independen secara bersama terhadap varibel dependen dengan melihat nilai signifikan f. Tingkat pengujian f adalah apabila nilai signifikansi \(< 0,05\) maka semua variabel independen secara bersama-sama berpengaruh terhadap variabel dependen dan sebaliknya (Mulawarman dkk, 2024).
Uji Simultan (keseluruhan; bersama-sama) pada konsep regresi linier adalah pengujian mengenai apakah model regresi yang didapatkan benar-benar dapat diterima. Uji Simultan bertujuan untuk menguji apakah antara variabel-variabel bebas \(X\) dan terikat \(Y\), atau setidak-tidaknya antara salah satu variabel \(X\) dengan variabel terikat \(Y\), benar-benar terdapat hubungan linier (linear relation). Hipotesis yang berlaku untuk pengujian ini adalah (Rini, 2023):
Keterangan: * \(k\) = banyaknya variabel bebas \(X\) * \(i\) = parameter (koefisien) ke-\(i\) model regresi linier.
Penjabaran secara hitungan untuk uji simultan ini dapat ditemui pada tabel ANOVA (Analysis Of Variance). Di dalam tabel ANOVA akan ditemui nilai statistik \(F_{hitung}\), dimana: * Jika \(F_{hitung} \leq F_{tabel (db1,db2)}\) maka terima \(H_0\) * Jika \(F_{hitung} > F_{tabel (db1,db2)}\) maka tolak \(H_0\)
Keterangan: * \(db_1\) = derajat bebas 1 \((p-1)\) * \(db_2\) = derajat bebas 2 \((n-p)\) * \(p\) = banyaknya parameter (koefisien) model regresi linier. * \(n\) = banyaknya pengamatan.
Apabila \(H_0\) ditolak, maka model regresi yang diperoleh dapat digunakan.
Uji t digunakan untuk mengetahui pengaruh dari masing-masing variabel independen terhadap variabel dependen secara Parsial. Uji t dilakukan dengan ketentuan apabila \(t_{hitung} > t_{tabel}\) dan nilai signifikansi \(< 0,05 (\alpha: 5\%)\) maka variabel independen secara Parsial berpengaruh signifikan terhadap variabel dependen sedangkan jika \(t_{hitung} < t_{tabel}\) dan nilai signifikansi \(> 0,05 (\alpha: 5\%)\), maka variabel independen tidak berpengaruh signifikan terhadap variabel dependen (Kurniawan dan Saumi, 2024).
Uji Parsial atau uji t digunakan untuk mengetahui pengaruh masing–masing variabel independen terhadap variabel dependen. Uji t ini menunjukkan seberapa jauh pengaruh satu variabel \(x\) secara individual dalam menerangkan variabel \(y\) dengan level signifikan sebesar 5% (Mulawarman, 2024).
Uji Parsial digunakan untuk mengetahui variabel independen yang berpengaruh signifikan secara individu terhadap variabel dependen. Hipotesis yang digunakan untuk uji parsial adalah sebagai berikut :
Statistik uji: \[t_{hitung} = \frac{\beta_k}{SE(\beta_k)}\]
\(H_0\) ditolak jika \(t_{hitung} > t_{tabel (a/2, N-K)}\), dengan \(n\) adalah jumlah pengamatan dan \(k\) adalah banyaknya parameter.
Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari publikasi Badan Pusat Statistik (BPS) Provinsi Jawa Tengah melalui tabel statistik yang tersedia pada situs resminya. Data yang digunakan berupa data kuantitatif tahun 2024 berdasarkan kabupaten/kota di Provinsi Jawa Tengah. Data diperoleh dari beberapa tabel statistik BPS yang berkaitan dengan jumlah tamu hotel, ketersediaan akomodasi, kamar dan tempat tidur, rata-rata tamu per kamar, serta malam tamu menginap. Selanjutnya, data disusun berdasarkan kabupaten/kota dan disesuaikan dengan tahun pengamatan yang sama.
Variabel penelitian yang digunakan terdiri atas satu variabel terikat (Y) dan tiga variabel bebas (X). Data tersebut meliputi jumlah tamu domestik hotel sebagai variabel terikat (Y), serta jumlah akomodasi hotel nonbintang (X1), jumlah kamar tersedia (X2), dan jumlah tempat tidur tersedia (X3) sebagai variabel bebas.
Algoritma berdasarkan batasan masalah kali ini adalah : 1. Mengumpulkan data 2. Mendefinisikan variabel X dan Y 3. Melakukan pendugaan parameter model 4. Melakukan uji Simultan 5. Melakukan uji Parsial 6. Output dan interpretasi ketepatan model.
Berdasarkan data yang telah dikumpulkan, berikut adalah ringkasan statistik deskriptif dari variabel yang digunakan:
# --------------------------------------------------
# SYNTAX PRAKTIKUM PERTEMUAN 3 (P3)
# Ziyad Rizqullah Ramadhan
# --------------------------------------------------
library(readxl)
# Pastikan file Excel berada di dalam folder "praktikum anreg"
# yang sejajar dengan file .Rmd ini
Data_p3 <- read_excel("praktikum anreg/Data anreg laprak 3.xlsx",
col_types = c("text", "numeric", "numeric",
"numeric", "numeric", "numeric"))
summary(Data_p3)## Kabupaten/Kota Y X1 X2
## Length:30 Min. : 39821 Min. : 11.0 Min. : 238.0
## Class :character 1st Qu.: 79150 1st Qu.: 20.0 1st Qu.: 644.5
## Mode :character Median :125311 Median : 34.5 Median :1029.5
## Mean :199885 Mean : 59.9 Mean :1503.1
## 3rd Qu.:224910 3rd Qu.: 62.5 3rd Qu.:1696.5
## Max. :810669 Max. :240.0 Max. :5726.0
## X3 X4
## Min. : 320.0 Min. : 40091
## 1st Qu.: 921.2 1st Qu.: 92000
## Median :1669.0 Median :144183
## Mean :2193.7 Mean :228851
## 3rd Qu.:2792.2 3rd Qu.:280294
## Max. :7998.0 Max. :849358Pada tabel ringkasan di atas merupakan hasil statistik deskriptif dari variabel Y, X1, X2, dan X3. Terlihat variabel Y diperoleh nilai Min=39821, Quartil 1=79149.75, Median=125311, Mean=199885.23, Quartil 3=224909.75, Max=810669. Selanjutnya, terlihat variabel X1 diperoleh nilai Min=11, Quartil 1=20, Median=34.50, Mean=59.90, Quartil 3=62.50, Max=240. Terlihat pada variabel X2 diperoleh nilai Min=238, Quartil 1=644.50, Median=1029.50, Mean=1503.10, Quartil 3=1696.50, Max=5726. Terakhir pada variabel X3 diperoleh nilai Min=320, Quartil 1=921.25, Median=1669, Mean=2193.67, Quartil 3=2792.25, Max=7998.
Berdasarkan data, didapat model regresi linier berganda sebagai berikut:
##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = Data_p3)
##
## Residuals:
## Min 1Q Median 3Q Max
## -130957 -27107 -5617 22729 128415
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 40309.11 16050.39 2.511 0.0186 *
## X1 309.02 413.71 0.747 0.4618
## X2 405.57 61.77 6.565 5.82e-07 ***
## X3 -213.59 41.05 -5.204 1.96e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 56050 on 26 degrees of freedom
## Multiple R-squared: 0.9201, Adjusted R-squared: 0.9109
## F-statistic: 99.8 on 3 and 26 DF, p-value: 2.179e-14Berdasarkan tabel hasil summary di atas, diperoleh hasil estimasi yaitu \(\beta_0 = 40309.11\), \(\beta_1 = 309.02\), \(\beta_2 = 405.57\), dan \(\beta_3 = -213.59\). Sehingga, model estimasi regresi yang diperoleh adalah:
\[Y = 40309.11 + 309.02X_1 + 405.57X_2 - 213.59X_3\]
Interpretasi Koefisien: * Koefisien regresi (\(\beta_1 = 309.02\)) menunjukkan bahwa setiap kenaikan satu satuan jumlah akomodasi hotel nonbintang (\(X_1\)) akan meningkatkan prediksi jumlah tamu domestik hotel (\(Y\)) sebesar 309.02 satuan, dengan asumsi variabel lain tetap. * Koefisien regresi (\(\beta_2 = 405.57\)) menunjukkan bahwa setiap kenaikan satu satuan jumlah kamar tersedia (\(X_2\)) akan meningkatkan prediksi jumlah tamu domestik hotel sebesar 405.57 satuan, dengan asumsi variabel lain tetap. * Sementara itu, koefisien regresi (\(\beta_3 = -213.59\)) menunjukkan bahwa setiap kenaikan satu satuan jumlah tempat tidur tersedia (\(X_3\)) akan menurunkan prediksi jumlah tamu domestik hotel sebesar 213.59 satuan, dengan asumsi variabel lain tetap.
Berdasarkan tabel hasil summary, diperoleh nilai koefisien determinasi (\(R^2 = 0.9201\)). Nilai tersebut menunjukkan bahwa variabel jumlah akomodasi hotel non bintang (\(X_1\)), jumlah kamar tersedia (\(X_2\)), dan jumlah tempat tidur tersedia (\(X_3\)) secara bersama-sama mampu menjelaskan variasi jumlah tamu domestik hotel Y sebesar 92.01%. Sementara itu, sisanya sebesar 7.99% dijelaskan oleh faktor-faktor lain di luar model regresi.
Nilai Adjusted R-squared yang diperoleh adalah (\(R_{adj}^2 = 0.9109\)). Nilai tersebut menunjukkan bahwa setelah disesuaikan dengan jumlah variabel bebas dan pengamatan, model mampu menjelaskan variasi jumlah tamu domestik hotel sebesar 91.09%. Dengan demikian, model regresi memiliki kemampuan penjelasan yang tinggi terhadap variasi jumlah tamu domestik hotel.
Uji signifikansi parameter dilakukan secara serentak (simultan) maupun secara individu (parsial). Sedangkan, uji simultan adalah uji semua variabel bebas secara keseluruhan dan bersamaan di dalam suatu model. Uji serentak dilakukan dengan tujuan untuk mengetahui signifikansi parameter model regresi secara bersama-sama dengan menggunakan ANOVA (Analysis of Variance).
Berdasarkan hasil analisis data, dapat disimpulkan bahwa pada uji F diperoleh keputusan \(H_0\) ditolak, artinya pada taraf signifikansi 5% terdapat pengaruh signifikan secara simultan antara jumlah akomodasi hotel nonbintang, jumlah kamar tersedia, dan jumlah tempat tidur tersedia terhadap jumlah tamu domestik hotel. Kemudian, dengan menggunakan uji t untuk menguji pengaruh variabel secara parsial (terpisah), diperoleh bahwa jumlah akomodasi hotel nonbintang tidak berpengaruh signifikan terhadap jumlah tamu domestik hotel, sedangkan jumlah kamar tersedia berpengaruh positif dan signifikan serta jumlah tempat tidur tersedia berpengaruh negatif dan signifikan terhadap jumlah tamu domestik hotel.
Dalam membuat laporan praktikum ini penulis menyarankan untuk selalu memperhatikan sintaks yang digunakan. Selain itu, perlu untuk memperhatikan tatacara penulisan yang sesuai dengan KBBI dan penulisan yang bercetak tebal. Sehingga dapat menghasilkan laporan yang baik.