BAB I. PENDAHULUAN

1.1 Latar Belakang

Statistika merupakan ilmu yang berkaitan dengan proses pengumpulan, pengolahan, analisis, dan interpretasi data untuk memperoleh informasi yang dapat digunakan dalam pengambilan keputusan. Salah satu metode statistika yang banyak digunakan dalam analisis data adalah regresi linear. Regresi linear dapat digunakan untuk mengetahui hubungan antara variabel respons dengan satu atau lebih variabel prediktor serta melakukan prediksi berdasarkan hubungan yang terbentuk (James dkk., 2021).

Regresi linear berganda merupakan pengembangan dari regresi linear sederhana yang melibatkan lebih dari satu variabel prediktor. Metode ini memungkinkan peneliti untuk menganalisis hubungan beberapa variabel prediktor terhadap satu variabel respons secara simultan. Selain itu, regresi linear berganda dapat digunakan untuk mengestimasi koefisien regresi, menguji signifikansi hubungan antarvariabel, dan mengetahui kemampuan model dalam menjelaskan variasi variabel respons (Montgomery dkk., 2021).

Penelitian ini menggunakan dataset Iris yang diperkenalkan oleh Fisher (1936) dalam penelitian mengenai pengukuran beberapa karakteristik bunga untuk keperluan klasifikasi taksonomi. Dataset Iris terdiri dari pengukuran panjang sepal, lebar sepal, panjang petal, dan lebar petal dari tiga spesies bunga Iris. Dataset tersebut juga tersedia sebagai data bawaan dalam perangkat lunak R sehingga dapat digunakan untuk melakukan analisis statistika secara langsung (R Core Team, n.d.).

Berdasarkan hal tersebut, penelitian ini dilakukan untuk menerapkan analisis regresi linear berganda pada dataset Iris dengan panjang petal sebagai variabel respons serta panjang sepal, lebar sepal, dan lebar petal sebagai variabel prediktor. Analisis dilakukan melalui statistika deskriptif, analisis korelasi, estimasi model regresi, pengujian simultan dan parsial, serta koefisien determinasi. Hasil penelitian diharapkan dapat memberikan pemahaman mengenai penerapan regresi linear berganda dalam menganalisis hubungan antarvariabel numerik.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan, rumusan masalah dalam penelitian ini adalah sebagai berikut.

  1. Bagaimana karakteristik data bunga Iris berdasarkan statistika deskriptif?
  2. Bagaimana hubungan antara panjang petal dengan panjang sepal, lebar sepal, dan lebar petal?
  3. Bagaimana model regresi linear berganda yang terbentuk?
  4. Apakah variabel prediktor berpengaruh secara simultan dan parsial terhadap panjang petal?
  5. Berapa besar kemampuan model regresi dalam menjelaskan variasi panjang petal?

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah sebagai berikut.

  1. Mengetahui karakteristik data bunga Iris melalui statistika deskriptif.
  2. Mengetahui hubungan antara variabel respons dan variabel prediktor.
  3. Membentuk model regresi linear berganda.
  4. Mengetahui signifikansi variabel prediktor secara simultan dan parsial.
  5. Mengetahui kemampuan model dalam menjelaskan variasi panjang petal.

1.4 Batasan Masalah

Penelitian ini dibatasi pada penggunaan dataset Iris bawaan perangkat lunak R yang terdiri dari 150 pengamatan. Variabel respons yang digunakan adalah Petal.Length, sedangkan variabel prediktor terdiri dari Sepal.Length, Sepal.Width, dan Petal.Width. Metode analisis yang digunakan meliputi statistika deskriptif, analisis korelasi, dan regresi linear berganda.

BAB II. TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif merupakan metode yang digunakan untuk menggambarkan karakteristik suatu data melalui ukuran pemusatan, penyebaran, dan penyajian visual. Ukuran pemusatan meliputi rata-rata dan median, sedangkan ukuran penyebaran meliputi varians dan simpangan baku. Penggunaan statistika deskriptif dapat membantu peneliti memahami karakteristik data sebelum melakukan analisis lebih lanjut (James dkk., 2021).

2.2 Korelasi

Korelasi merupakan ukuran yang digunakan untuk mengetahui arah dan kekuatan hubungan linear antara dua variabel. Koefisien korelasi Pearson memiliki nilai antara -1 dan 1. Nilai yang mendekati 1 menunjukkan hubungan linear positif, sedangkan nilai yang mendekati -1 menunjukkan hubungan linear negatif. Nilai yang mendekati 0 menunjukkan hubungan linear yang lemah (Montgomery dkk., 2021).

2.3 Regresi Linear Berganda

Regresi linear berganda merupakan metode statistika yang digunakan untuk menjelaskan hubungan antara satu variabel respons dengan dua atau lebih variabel prediktor. Metode ini juga dapat digunakan untuk melakukan estimasi dan prediksi terhadap variabel respons berdasarkan variabel prediktor yang digunakan dalam model (Montgomery dkk., 2021).

Model regresi linear berganda secara umum dinyatakan sebagai berikut:

\[ Y_i=\\beta_0+\\beta_1X_{1i}+\\beta_2X_{2i}+\\beta_3X_{3i}+\\varepsilon_i \]

Keterangan:

  • \(Y_i\) adalah variabel respons.
  • \(\\beta_0\) adalah konstanta regresi.
  • \(\\beta_j\) adalah koefisien regresi.
  • \(X_{ji}\) adalah variabel prediktor.
  • \(\\varepsilon_i\) adalah galat pada pengamatan ke-i.

Estimasi parameter regresi dapat dilakukan menggunakan metode kuadrat terkecil atau Ordinary Least Squares (OLS), yaitu dengan meminimumkan jumlah kuadrat residual yang dihasilkan oleh model (Montgomery dkk., 2021).

2.4 Uji Simultan

Uji simultan atau uji F digunakan untuk mengetahui apakah variabel prediktor secara bersama-sama memberikan pengaruh yang signifikan terhadap variabel respons dalam model regresi.

Hipotesis yang digunakan adalah:

\[ H_0:\\beta_1=\\beta_2=\\beta_3=0 \]

\[ H_1:\\text{Minimal terdapat satu }\\beta_j\\neq0 \]

Pengujian dilakukan dengan membandingkan nilai p-value dengan taraf signifikansi \(\\alpha=0,05\). Apabila p-value lebih kecil dari 0,05, maka \(H_0\) ditolak sehingga terdapat bukti bahwa setidaknya satu koefisien prediktor tidak sama dengan nol (Montgomery dkk., 2021).

2.5 Uji Parsial

Uji parsial atau uji t digunakan untuk mengetahui signifikansi masing-masing koefisien regresi dengan menganggap variabel prediktor lainnya tetap berada dalam model.

Hipotesis yang digunakan adalah:

\[ H_0:\\beta_j=0 \]

\[ H_1:\\beta_j\\neq0 \]

Apabila p-value lebih kecil dari taraf signifikansi 0,05, maka \(H_0\) ditolak. Hal tersebut menunjukkan bahwa koefisien regresi variabel prediktor yang diuji signifikan secara parsial (Montgomery dkk., 2021).

2.6 Koefisien Determinasi

Koefisien determinasi merupakan ukuran yang menunjukkan proporsi variasi variabel respons yang dapat dijelaskan oleh model regresi. Koefisien determinasi dinyatakan sebagai:

\[ R^2=1-\\frac{SSE}{SST} \]

Nilai \(R^2\) berada pada rentang 0 sampai 1 untuk model dengan intersep. Semakin besar nilai \(R^2\), semakin besar proporsi variasi respons yang dapat dijelaskan oleh model. Namun, nilai \(R^2\) yang tinggi tidak selalu menunjukkan bahwa model telah memenuhi seluruh asumsi regresi (James dkk., 2021).

2.7 Dataset Iris

Dataset Iris merupakan dataset yang digunakan untuk mempelajari karakteristik tiga spesies bunga Iris, yaitu Setosa, Versicolor, dan Virginica. Dataset ini terdiri dari 150 pengamatan dengan masing-masing spesies sebanyak 50 pengamatan. Variabel pengukuran meliputi panjang sepal, lebar sepal, panjang petal, dan lebar petal (Fisher, 1936; R Core Team, n.d.).

Dataset Iris tersedia sebagai dataset bawaan dalam R sehingga dapat digunakan secara langsung untuk melakukan analisis statistika tanpa melakukan proses impor data eksternal (R Core Team, n.d.).

BAB III. METODE PENELITIAN

3.1 Data Penelitian

Data yang digunakan dalam penelitian ini adalah dataset Iris yang tersedia pada perangkat lunak R. Dataset Iris terdiri dari 150 pengamatan bunga dari tiga spesies, yaitu Setosa, Versicolor, dan Virginica. Data tersebut mencakup empat variabel pengukuran numerik serta satu variabel kategori yang menunjukkan spesies bunga (R Core Team, n.d.).

3.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini terdiri dari satu variabel respons dan tiga variabel prediktor.

Variabel Nama Keterangan
Y Petal.Length Panjang petal
X1 Sepal.Length Panjang sepal
X2 Sepal.Width Lebar sepal
X3 Petal.Width Lebar petal

3.3 Metode Analisis

Metode analisis yang digunakan dalam penelitian ini adalah statistika deskriptif, analisis korelasi, dan regresi linear berganda.

Statistika deskriptif digunakan untuk mengetahui karakteristik data melalui nilai minimum, maksimum, rata-rata, median, varians, dan simpangan baku. Analisis korelasi digunakan untuk mengetahui hubungan linear antarvariabel. Selanjutnya, regresi linear berganda digunakan untuk membentuk model hubungan antara variabel respons dengan variabel prediktor (Montgomery dkk., 2021).

3.4 Tahapan Analisis

Tahapan analisis yang dilakukan dalam penelitian ini adalah sebagai berikut.

  1. Memanggil dataset Iris dari R.
  2. Menentukan variabel yang digunakan dalam penelitian.
  3. Melakukan pemeriksaan struktur dan dimensi data.
  4. Melakukan analisis statistika deskriptif.
  5. Menyajikan data melalui histogram, boxplot, dan scatterplot.
  6. Menghitung matriks korelasi antarvariabel.
  7. Membentuk model regresi linear berganda.
  8. Melakukan pengujian simultan dan parsial.
  9. Menghitung koefisien determinasi.
  10. Melakukan pemeriksaan diagnostik model.
  11. Menginterpretasikan hasil analisis.
  12. Menarik kesimpulan dan memberikan saran.

BAB IV. HASIL DAN PEMBAHASAN

4.1 Memanggil Dataset

Dataset Iris merupakan data bawaan R yang dapat dipanggil menggunakan fungsi data(). Dataset ini digunakan sebagai objek penelitian dalam analisis regresi linear berganda (R Core Team, n.d.).

data("iris")

head(iris)
#>   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
#> 1          5.1         3.5          1.4         0.2  setosa
#> 2          4.9         3.0          1.4         0.2  setosa
#> 3          4.7         3.2          1.3         0.2  setosa
#> 4          4.6         3.1          1.5         0.2  setosa
#> 5          5.0         3.6          1.4         0.2  setosa
#> 6          5.4         3.9          1.7         0.4  setosa

4.2 Menentukan Data Analisis

Variabel yang digunakan dalam analisis dipilih dari dataset Iris. Petal.Length digunakan sebagai variabel respons, sedangkan Sepal.Length, Sepal.Width, dan Petal.Width digunakan sebagai variabel prediktor.

data_analisis <- iris[, c(
  "Petal.Length",
  "Sepal.Length",
  "Sepal.Width",
  "Petal.Width"
)]

head(data_analisis)
#>   Petal.Length Sepal.Length Sepal.Width Petal.Width
#> 1          1.4          5.1         3.5         0.2
#> 2          1.4          4.9         3.0         0.2
#> 3          1.3          4.7         3.2         0.2
#> 4          1.5          4.6         3.1         0.2
#> 5          1.4          5.0         3.6         0.2
#> 6          1.7          5.4         3.9         0.4

4.3 Struktur Data

Pemeriksaan struktur data dilakukan untuk mengetahui jenis variabel dan jumlah pengamatan yang digunakan dalam penelitian.

str(data_analisis)
#> 'data.frame':    150 obs. of  4 variables:
#>  $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
#>  $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
#>  $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
#>  $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
dim(data_analisis)
#> [1] 150   4
names(data_analisis)
#> [1] "Petal.Length" "Sepal.Length" "Sepal.Width"  "Petal.Width"

4.4 Statistik Deskriptif

Statistika deskriptif digunakan untuk memberikan gambaran umum mengenai karakteristik data penelitian melalui ukuran pemusatan dan penyebaran (James dkk., 2021).

statistik <- data.frame(
  Variabel = names(data_analisis),
  Mean = sapply(data_analisis, mean),
  Median = sapply(data_analisis, median),
  Minimum = sapply(data_analisis, min),
  Maksimum = sapply(data_analisis, max),
  Varians = sapply(data_analisis, var),
  SD = sapply(data_analisis, sd)
)

knitr::kable(
  statistik,
  digits = 3,
  caption = "Tabel 4.1 Statistik Deskriptif"
)
Tabel 4.1 Statistik Deskriptif
Variabel Mean Median Minimum Maksimum Varians SD
Petal.Length Petal.Length 3.758 4.35 1.0 6.9 3.116 1.765
Sepal.Length Sepal.Length 5.843 5.80 4.3 7.9 0.686 0.828
Sepal.Width Sepal.Width 3.057 3.00 2.0 4.4 0.190 0.436
Petal.Width Petal.Width 1.199 1.30 0.1 2.5 0.581 0.762

Berdasarkan hasil statistik deskriptif, karakteristik masing-masing variabel dapat diketahui melalui nilai rata-rata, median, minimum, maksimum, varians, dan simpangan baku.

4.5 Visualisasi Data

Visualisasi data digunakan untuk membantu memahami distribusi dan pola hubungan antarvariabel sebelum melakukan pemodelan regresi (James dkk., 2021).

4.5.1 Histogram

Histogram digunakan untuk melihat distribusi frekuensi data numerik.

hist(
  data_analisis$Petal.Length,
  main = "Histogram Panjang Petal",
  xlab = "Panjang Petal",
  ylab = "Frekuensi",
  col = "lightblue",
  border = "white"
)

4.5.2 Boxplot

Boxplot digunakan untuk menggambarkan median, kuartil, penyebaran data, serta kemungkinan pencilan.

boxplot(
  Petal.Length ~ Species,
  data = iris,
  main = "Boxplot Panjang Petal Berdasarkan Spesies",
  xlab = "Spesies",
  ylab = "Panjang Petal",
  col = c("lightblue", "lightgreen", "lightpink")
)

4.5.3 Scatterplot

Scatterplot digunakan untuk mengamati pola hubungan antara dua variabel numerik.

plot(
  data_analisis$Sepal.Length,
  data_analisis$Petal.Length,
  main = "Hubungan Panjang Sepal dan Petal",
  xlab = "Sepal Length",
  ylab = "Petal Length",
  pch = 19,
  col = "blue"
)

4.6 Analisis Korelasi

Analisis korelasi dilakukan untuk mengetahui arah dan kekuatan hubungan linear antarvariabel. Koefisien korelasi Pearson digunakan karena variabel yang dianalisis merupakan variabel numerik (Montgomery dkk., 2021).

korelasi <- cor(data_analisis)

knitr::kable(
  korelasi,
  digits = 3,
  caption = "Tabel 4.2 Matriks Korelasi"
)
Tabel 4.2 Matriks Korelasi
Petal.Length Sepal.Length Sepal.Width Petal.Width
Petal.Length 1.000 0.872 -0.428 0.963
Sepal.Length 0.872 1.000 -0.118 0.818
Sepal.Width -0.428 -0.118 1.000 -0.366
Petal.Width 0.963 0.818 -0.366 1.000

Nilai korelasi positif menunjukkan hubungan searah, sedangkan nilai korelasi negatif menunjukkan hubungan berlawanan arah. Besarnya nilai korelasi menunjukkan kekuatan hubungan linear antarvariabel.

4.7 Estimasi Model Regresi

Model regresi linear berganda diestimasi menggunakan fungsi lm() pada R. Fungsi tersebut digunakan untuk membentuk model linear berdasarkan formula dan data yang ditentukan (R Core Team, n.d.).

model <- lm(
  Petal.Length ~ Sepal.Length + Sepal.Width + Petal.Width,
  data = data_analisis
)

summary(model)
#> 
#> Call:
#> lm(formula = Petal.Length ~ Sepal.Length + Sepal.Width + Petal.Width, 
#>     data = data_analisis)
#> 
#> Residuals:
#>      Min       1Q   Median       3Q      Max 
#> -0.99333 -0.17656 -0.01004  0.18558  1.06909 
#> 
#> Coefficients:
#>              Estimate Std. Error t value Pr(>|t|)    
#> (Intercept)  -0.26271    0.29741  -0.883    0.379    
#> Sepal.Length  0.72914    0.05832  12.502   <2e-16 ***
#> Sepal.Width  -0.64601    0.06850  -9.431   <2e-16 ***
#> Petal.Width   1.44679    0.06761  21.399   <2e-16 ***
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 0.319 on 146 degrees of freedom
#> Multiple R-squared:  0.968,  Adjusted R-squared:  0.9674 
#> F-statistic:  1473 on 3 and 146 DF,  p-value: < 2.2e-16

4.8 Estimasi Parameter

koefisien <- coef(model)

tabel_koef <- data.frame(
  Parameter = names(koefisien),
  Estimasi = as.numeric(koefisien)
)

knitr::kable(
  tabel_koef,
  digits = 4,
  caption = "Tabel 4.3 Estimasi Parameter Regresi"
)
Tabel 4.3 Estimasi Parameter Regresi
Parameter Estimasi
(Intercept) -0.2627
Sepal.Length 0.7291
Sepal.Width -0.6460
Petal.Width 1.4468

Persamaan model regresi hasil estimasi dapat dituliskan sebagai:

\[ \\widehat{Y}=\\hat{\\beta}_0+ \\hat{\\beta}_1X_1+ \\hat{\\beta}_2X_2+ \\hat{\\beta}_3X_3 \]

Koefisien regresi menunjukkan perubahan rata-rata variabel respons akibat perubahan satu satuan variabel prediktor, dengan variabel prediktor lainnya dianggap tetap (Montgomery dkk., 2021).

4.9 Uji Simultan

Uji simultan dilakukan untuk mengetahui signifikansi variabel prediktor secara bersama-sama terhadap variabel respons (Montgomery dkk., 2021).

hasil_f <- summary(model)$fstatistic

p_value_f <- pf(
  hasil_f[1],
  hasil_f[2],
  hasil_f[3],
  lower.tail = FALSE
)

p_value_f
#>         value 
#> 6.976868e-109
if (p_value_f < 0.05) {
  cat("Berdasarkan hasil pengujian diperoleh p-value sebesar ",
      signif(p_value_f, 4),
      " yang lebih kecil dari 0,05 sehingga H0 ditolak. ",
      "Dengan demikian, terdapat bukti bahwa variabel ",
      "prediktor secara simultan berhubungan signifikan ",
      "dengan variabel respons.")
} else {
  cat("Berdasarkan hasil pengujian diperoleh p-value sebesar ",
      signif(p_value_f, 4),
      " yang lebih besar atau sama dengan 0,05 sehingga ",
      "H0 tidak ditolak. Dengan demikian, belum terdapat ",
      "bukti yang cukup bahwa variabel prediktor secara ",
      "simultan berhubungan signifikan dengan variabel respons.")
}

Berdasarkan hasil pengujian diperoleh p-value sebesar 6.977e-109 yang lebih kecil dari 0,05 sehingga H0 ditolak. Dengan demikian, terdapat bukti bahwa variabel prediktor secara simultan berhubungan signifikan dengan variabel respons.

4.10 Uji Parsial

Uji parsial dilakukan untuk mengetahui signifikansi masing-masing koefisien regresi secara individual (Montgomery dkk., 2021).

hasil_t <- summary(model)$coefficients

knitr::kable(
  hasil_t,
  digits = 4,
  caption = "Tabel 4.4 Hasil Uji Parsial"
)
Tabel 4.4 Hasil Uji Parsial
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.2627 0.2974 -0.8833 0.3785
Sepal.Length 0.7291 0.0583 12.5025 0.0000
Sepal.Width -0.6460 0.0685 -9.4312 0.0000
Petal.Width 1.4468 0.0676 21.3987 0.0000

Koefisien dengan p-value kurang dari 0,05 menunjukkan bahwa variabel prediktor tersebut signifikan secara parsial pada taraf signifikansi 5%.

4.11 Koefisien Determinasi

Koefisien determinasi digunakan untuk mengetahui proporsi variasi variabel respons yang dapat dijelaskan oleh model regresi (James dkk., 2021).

r2 <- summary(model)$r.squared
adjusted_r2 <- summary(model)$adj.r.squared

knitr::kable(
  data.frame(
    Ukuran = c("R-squared", "Adjusted R-squared"),
    Nilai = c(r2, adjusted_r2)
  ),
  digits = 4,
  caption = "Tabel 4.5 Koefisien Determinasi"
)
Tabel 4.5 Koefisien Determinasi
Ukuran Nilai
R-squared 0.9680
Adjusted R-squared 0.9674

Nilai R-squared menunjukkan proporsi variasi respons yang dapat dijelaskan oleh model, sedangkan Adjusted R-squared memperhitungkan jumlah prediktor yang digunakan.

4.12 Prediksi dan Residual

Prediksi merupakan nilai respons yang dihasilkan oleh model regresi, sedangkan residual merupakan selisih antara nilai aktual dan nilai prediksi. Residual digunakan dalam evaluasi kecocokan model dan pemeriksaan asumsi regresi (Montgomery dkk., 2021).

prediksi <- predict(model)
residual <- residuals(model)

hasil_prediksi <- data.frame(
  Aktual = data_analisis$Petal.Length,
  Prediksi = prediksi,
  Residual = residual
)

knitr::kable(
  head(hasil_prediksi, 10),
  digits = 3,
  caption = "Tabel 4.6 Nilai Aktual, Prediksi, dan Residual"
)
Tabel 4.6 Nilai Aktual, Prediksi, dan Residual
Aktual Prediksi Residual
1.4 1.484 -0.084
1.4 1.661 -0.261
1.3 1.386 -0.086
1.5 1.378 0.122
1.4 1.347 0.053
1.7 1.734 -0.034
1.4 1.329 0.071
1.5 1.476 0.024
1.4 1.361 0.039
1.5 1.452 0.048

4.13 Grafik Aktual dan Prediksi

Grafik aktual dan prediksi digunakan untuk melihat kedekatan nilai hasil prediksi dengan nilai aktual. Titik yang berada semakin dekat dengan garis diagonal menunjukkan bahwa nilai prediksi semakin mendekati nilai aktual.

plot(
  data_analisis$Petal.Length,
  prediksi,
  pch = 19,
  col = "blue",
  main = "Grafik Aktual dan Prediksi",
  xlab = "Nilai Aktual",
  ylab = "Nilai Prediksi"
)

abline(a = 0, b = 1, col = "red", lwd = 2)

4.14 Pemeriksaan Diagnostik

Pemeriksaan diagnostik dilakukan untuk mengevaluasi kecocokan model regresi melalui pola residual dan grafik diagnostik. Pemeriksaan ini penting untuk mengetahui apakah terdapat indikasi penyimpangan asumsi model (Montgomery dkk., 2021).

par(mfrow = c(2, 2))
plot(model)

par(mfrow = c(1, 1))

BAB V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil analisis statistika yang telah dilakukan, karakteristik data bunga Iris dapat diketahui melalui statistika deskriptif dan visualisasi data. Analisis korelasi digunakan untuk mengetahui hubungan linear antarvariabel.

Model regresi linear berganda digunakan untuk menjelaskan hubungan panjang petal dengan panjang sepal, lebar sepal, dan lebar petal. Pengujian simultan dan parsial dilakukan untuk mengetahui signifikansi hubungan variabel prediktor terhadap variabel respons.

Kesimpulan akhir mengenai signifikansi model dan variabel prediktor didasarkan pada hasil pengujian serta nilai koefisien determinasi yang diperoleh dari analisis.

5.2 Saran

Penelitian selanjutnya dapat menggunakan data dengan variabel dan jumlah pengamatan yang lebih beragam serta menerapkan metode statistika lainnya untuk memperoleh hasil analisis yang lebih luas.

DAFTAR PUSTAKA

Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7(2), 179–188. https://doi.org/10.1111/j.1469-1809.1936.tb02137.x

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2nd ed.). Springer. https://doi.org/10.1007/978-1-0716-1418-1

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis (6th ed.). Wiley.

R Core Team. (n.d.). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.r-project.org/

R Core Team. (n.d.). Edgar Anderson’s iris data. R Documentation. https://stat.ethz.ch/R-manual/R-devel/library/datasets/html/iris.html

R Core Team. (n.d.). Fitting linear models. R Documentation. https://stat.ethz.ch/R-manual/R-devel/library/stats/html/lm.html

R Core Team. (n.d.). Summarizing linear model fits. R Documentation. https://stat.ethz.ch/R-manual/R-devel/library/stats/html/summary.lm.html