Penelitian ini dilakukan untuk mengetahui hubungan antara Pengeluaran per Kapita, Rata-Rata Lama Sekolah, dan Usia Harapan Hidup saat Lahir terhadap Indeks Pembangunan Manusia (IPM) pada kabupaten/kota di Provinsi Jawa Tengah.
Penelitian ini diharapkan dapat menambah pemahaman mengenai penerapan metode regresi linear berganda menggunakan R Markdown serta memberikan informasi mengenai faktor-faktor yang berhubungan dengan IPM.
Penelitian ini menggunakan data sekunder dari 35 kabupaten/kota di Provinsi Jawa Tengah dengan variabel respons IPM (Y) dan tiga variabel bebas, yaitu Pengeluaran per Kapita (X1), Rata-Rata Lama Sekolah (X2), dan Usia Harapan Hidup saat Lahir (X3).
Laporan ini terdiri atas lima bab, yaitu pendahuluan, tinjauan pustaka, metode penelitian, hasil dan pembahasan, serta kesimpulan dan saran.
R Markdown merupakan format dokumen yang menggabungkan teks, kode R, dan hasil analisis sehingga dapat menghasilkan laporan secara terstruktur.
Regresi linear berganda merupakan metode statistik untuk mengetahui hubungan antara satu variabel respons dengan dua atau lebih variabel bebas.
Model regresi yang digunakan adalah:
\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + \beta_3X_3 + \varepsilon \]
Uji asumsi klasik dilakukan untuk mengetahui kelayakan model regresi, meliputi uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi.
Uji F digunakan untuk menguji pengaruh variabel bebas secara simultan, sedangkan uji t digunakan untuk menguji pengaruh masing-masing variabel bebas secara parsial.
Identifikasi pencilan dilakukan untuk mengetahui pengamatan yang memiliki karakteristik berbeda atau berpengaruh besar terhadap model regresi.
Penelitian ini menggunakan data sekunder yang terdiri atas 35 kabupaten/kota di Provinsi Jawa Tengah.
Analisis data dilakukan dengan menggunakan program R dan R Markdown. Tahapan analisis dalam penelitian ini meliputi pengumpulan dan pemilihan data sekunder, eksplorasi data, analisis statistik deskriptif, pembentukan serta estimasi model regresi linear berganda, pengujian asumsi klasik, pengujian hipotesis melalui uji F dan uji t, serta identifikasi dan pengujian pencilan menggunakan Influence Plot dan Uji Bonferroni.
Adapun langkah-langkah penggunaan R Markdown untuk menghasilkan laporan adalah sebagai berikut:
Diagram alir berikut menggambarkan tahapan penggunaan R Markdown dalam menghasilkan dan memublikasikan laporan, sesuai dengan prosedur pada modul praktikum.
Gambar 3.1. Diagram alir penggunaan R Markdown
data <- data.frame(
Daerah = c(
"Cilacap", "Banyumas", "Purbalingga", "Banjarnegara",
"Kebumen", "Purworejo", "Wonosobo", "Magelang",
"Boyolali", "Klaten", "Sukoharjo", "Wonogiri",
"Karanganyar", "Sragen", "Grobogan", "Blora",
"Rembang", "Pati", "Kudus", "Jepara", "Demak",
"Semarang", "Temanggung", "Kendal", "Batang",
"Pekalongan", "Pemalang", "Tegal", "Brebes",
"Kota Magelang", "Kota Surakarta", "Kota Salatiga",
"Kota Semarang", "Kota Pekalongan", "Kota Tegal"
),
Y = c(
72.38, 74.52, 70.69, 69.60, 71.93, 75.11, 69.82,
71.99, 75.96, 78.16, 79.30, 72.55, 78.11, 75.53,
72.02, 71.39, 72.53, 74.10, 77.22, 74.32, 74.57,
75.67, 71.87, 74.34, 70.74, 71.84, 68.55, 70.77,
68.46, 82.15, 84.40, 85.72, 85.25, 77.22, 77.43
),
X1 = c(
11868, 12960, 11343, 10595, 10176, 11584, 11980,
10926, 14195, 13513, 12758, 10634, 12732, 13890,
11548, 10926, 11830, 11829, 12533, 11729, 11591,
13377, 10519, 13277, 10919, 11701, 10017, 10972,
11389, 13619, 16291, 17096, 16990, 14547, 14358
),
X2 = c(
7.40, 7.91, 7.36, 6.87, 7.87, 8.65, 6.90, 7.83,
8.17, 9.29, 10.01, 7.68, 9.26, 7.88, 7.29, 7.26,
7.73, 7.82, 9.35, 8.27, 8.28, 8.16, 7.53, 7.74,
7.08, 7.48, 6.56, 7.36, 6.41, 11.43, 11.25, 11.48,
11.05, 9.34, 9.28
),
X3 = c(
74.57, 74.34, 73.56, 74.66, 73.96, 75.51, 72.40,
74.45, 76.44, 77.30, 78.01, 76.84, 77.91, 76.18,
75.24, 74.84, 74.97, 76.56, 77.08, 76.21, 75.79,
76.14, 75.95, 74.73, 75.03, 74.00, 73.99, 72.16,
70.29, 77.53, 77.90, 78.26, 78.24, 74.80, 74.87
)
)
knitr::kable(data, caption = "Data IPM Kabupaten/Kota di Jawa Tengah")
| Daerah | Y | X1 | X2 | X3 |
|---|---|---|---|---|
| Cilacap | 72.38 | 11868 | 7.40 | 74.57 |
| Banyumas | 74.52 | 12960 | 7.91 | 74.34 |
| Purbalingga | 70.69 | 11343 | 7.36 | 73.56 |
| Banjarnegara | 69.60 | 10595 | 6.87 | 74.66 |
| Kebumen | 71.93 | 10176 | 7.87 | 73.96 |
| Purworejo | 75.11 | 11584 | 8.65 | 75.51 |
| Wonosobo | 69.82 | 11980 | 6.90 | 72.40 |
| Magelang | 71.99 | 10926 | 7.83 | 74.45 |
| Boyolali | 75.96 | 14195 | 8.17 | 76.44 |
| Klaten | 78.16 | 13513 | 9.29 | 77.30 |
| Sukoharjo | 79.30 | 12758 | 10.01 | 78.01 |
| Wonogiri | 72.55 | 10634 | 7.68 | 76.84 |
| Karanganyar | 78.11 | 12732 | 9.26 | 77.91 |
| Sragen | 75.53 | 13890 | 7.88 | 76.18 |
| Grobogan | 72.02 | 11548 | 7.29 | 75.24 |
| Blora | 71.39 | 10926 | 7.26 | 74.84 |
| Rembang | 72.53 | 11830 | 7.73 | 74.97 |
| Pati | 74.10 | 11829 | 7.82 | 76.56 |
| Kudus | 77.22 | 12533 | 9.35 | 77.08 |
| Jepara | 74.32 | 11729 | 8.27 | 76.21 |
| Demak | 74.57 | 11591 | 8.28 | 75.79 |
| Semarang | 75.67 | 13377 | 8.16 | 76.14 |
| Temanggung | 71.87 | 10519 | 7.53 | 75.95 |
| Kendal | 74.34 | 13277 | 7.74 | 74.73 |
| Batang | 70.74 | 10919 | 7.08 | 75.03 |
| Pekalongan | 71.84 | 11701 | 7.48 | 74.00 |
| Pemalang | 68.55 | 10017 | 6.56 | 73.99 |
| Tegal | 70.77 | 10972 | 7.36 | 72.16 |
| Brebes | 68.46 | 11389 | 6.41 | 70.29 |
| Kota Magelang | 82.15 | 13619 | 11.43 | 77.53 |
| Kota Surakarta | 84.40 | 16291 | 11.25 | 77.90 |
| Kota Salatiga | 85.72 | 17096 | 11.48 | 78.26 |
| Kota Semarang | 85.25 | 16990 | 11.05 | 78.24 |
| Kota Pekalongan | 77.22 | 14547 | 9.34 | 74.80 |
| Kota Tegal | 77.43 | 14358 | 9.28 | 74.87 |
# Melihat struktur data
str(data)
## 'data.frame': 35 obs. of 5 variables:
## $ Daerah: chr "Cilacap" "Banyumas" "Purbalingga" "Banjarnegara" ...
## $ Y : num 72.4 74.5 70.7 69.6 71.9 ...
## $ X1 : num 11868 12960 11343 10595 10176 ...
## $ X2 : num 7.4 7.91 7.36 6.87 7.87 8.65 6.9 7.83 8.17 9.29 ...
## $ X3 : num 74.6 74.3 73.6 74.7 74 ...
# Melihat ukuran data
dim(data)
## [1] 35 5
# Melihat nama variabel
names(data)
## [1] "Daerah" "Y" "X1" "X2" "X3"
# Melihat enam data pertama
head(data)
## Daerah Y X1 X2 X3
## 1 Cilacap 72.38 11868 7.40 74.57
## 2 Banyumas 74.52 12960 7.91 74.34
## 3 Purbalingga 70.69 11343 7.36 73.56
## 4 Banjarnegara 69.60 10595 6.87 74.66
## 5 Kebumen 71.93 10176 7.87 73.96
## 6 Purworejo 75.11 11584 8.65 75.51
# Melihat enam data terakhir
tail(data)
## Daerah Y X1 X2 X3
## 30 Kota Magelang 82.15 13619 11.43 77.53
## 31 Kota Surakarta 84.40 16291 11.25 77.90
## 32 Kota Salatiga 85.72 17096 11.48 78.26
## 33 Kota Semarang 85.25 16990 11.05 78.24
## 34 Kota Pekalongan 77.22 14547 9.34 74.80
## 35 Kota Tegal 77.43 14358 9.28 74.87
# Memeriksa data kosong
colSums(is.na(data))
## Daerah Y X1 X2 X3
## 0 0 0 0 0
# Statistik deskriptif
summary(data[, c("Y", "X1", "X2", "X3")])
## Y X1 X2 X3
## Min. :68.46 Min. :10017 Min. : 6.410 Min. :70.29
## 1st Qu.:71.86 1st Qu.:11158 1st Qu.: 7.380 1st Qu.:74.51
## Median :74.32 Median :11830 Median : 7.870 Median :75.24
## Mean :74.75 Mean :12463 Mean : 8.321 Mean :75.45
## 3rd Qu.:77.22 3rd Qu.:13445 3rd Qu.: 9.270 3rd Qu.:76.70
## Max. :85.72 Max. :17096 Max. :11.480 Max. :78.26
# Menghitung rata-rata
sapply(data[, c("Y", "X1", "X2", "X3")], mean)
## Y X1 X2 X3
## 74.748857 12463.200000 8.320857 75.448857
# Menghitung standar deviasi
sapply(data[, c("Y", "X1", "X2", "X3")], sd)
## Y X1 X2 X3
## 4.501905 1818.019960 1.375355 1.825499
# Menghitung varians
sapply(data[, c("Y", "X1", "X2", "X3")], var)
## Y X1 X2 X3
## 2.026715e+01 3.305197e+06 1.891602e+00 3.332446e+00
# Boxplot seluruh variabel
par(mfrow = c(2, 2))
boxplot(data$Y, main = "Boxplot IPM (Y)", col = "lightblue")
boxplot(data$X1, main = "Boxplot Pengeluaran per Kapita (X1)", col = "lightgreen")
boxplot(data$X2, main = "Boxplot Rata-Rata Lama Sekolah (X2)", col = "lightyellow")
boxplot(data$X3, main = "Boxplot Usia Harapan Hidup (X3)", col = "lightpink")
par(mfrow = c(1, 1))
# Membentuk model regresi
model <- lm(Y ~ X1 + X2 + X3, data = data)
# Menampilkan hasil model
summary(model)
##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.8406 -0.2571 -0.0273 0.3048 0.6347
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.590e+01 3.813e+00 4.171 0.000227 ***
## X1 8.029e-04 6.177e-05 13.000 4.34e-14 ***
## X2 1.887e+00 1.047e-01 18.032 < 2e-16 ***
## X3 4.392e-01 5.600e-02 7.842 7.51e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3805 on 31 degrees of freedom
## Multiple R-squared: 0.9935, Adjusted R-squared: 0.9929
## F-statistic: 1576 on 3 and 31 DF, p-value: < 2.2e-16
# Menampilkan koefisien regresi
coef(model)
## (Intercept) X1 X2 X3
## 1.590321e+01 8.029351e-04 1.887429e+00 4.391515e-01
# Menampilkan R-squared
summary(model)$r.squared
## [1] 0.9934856
# Menampilkan Adjusted R-squared
summary(model)$adj.r.squared
## [1] 0.9928551
Persamaan regresi linear berganda dapat dilihat dari nilai koefisien yang dihasilkan oleh model.
b <- coef(model)
cat("Persamaan regresi:\n")
## Persamaan regresi:
cat("Y =", round(b[1], 4),
"+", round(b[2], 4), "X1",
"+", round(b[3], 4), "X2",
"+", round(b[4], 4), "X3\n")
## Y = 15.9032 + 8e-04 X1 + 1.8874 X2 + 0.4392 X3
Sebelum melakukan pengujian hipotesis, dilakukan pengujian asumsi klasik untuk mengetahui kelayakan model regresi.
A. Uji Multikolinearitas
# Instal paket car jika belum tersedia:
# install.packages("car")
library(car)
# Menghitung Variance Inflation Factor
vif(model)
## X1 X2 X3
## 2.960606 4.865981 2.453590
Nilai VIF yang tinggi menunjukkan adanya indikasi multikolinearitas antarvariabel bebas. Secara umum, VIF di atas 10 sering digunakan sebagai tanda adanya masalah multikolinearitas.
B. Uji Heteroskedastisitas
# Instal paket lmtest jika belum tersedia:
# install.packages("lmtest")
library(lmtest)
# Uji Breusch-Pagan
bptest(model)
##
## studentized Breusch-Pagan test
##
## data: model
## BP = 9.9424, df = 3, p-value = 0.01906
Apabila nilai p-value lebih besar dari 0,05, tidak terdapat bukti yang cukup untuk menyatakan adanya heteroskedastisitas.
C. Uji Autokorelasi
# Uji Durbin-Watson
dwtest(model)
##
## Durbin-Watson test
##
## data: model
## DW = 2.115, p-value = 0.5472
## alternative hypothesis: true autocorrelation is greater than 0
Uji Durbin-Watson perlu ditafsirkan secara hati-hati karena data penelitian ini merupakan data lintas wilayah, bukan data runtun waktu. Urutan observasi dapat memengaruhi hasil pengujian.
D. Uji Normalitas
# Uji Shapiro-Wilk terhadap residual
shapiro.test(residuals(model))
##
## Shapiro-Wilk normality test
##
## data: residuals(model)
## W = 0.97651, p-value = 0.6437
# Grafik Q-Q Plot
qqnorm(residuals(model),
main = "Normal Q-Q Plot Residual")
qqline(residuals(model), col = "red")
Apabila nilai p-value lebih besar dari 0,05, tidak terdapat bukti yang cukup untuk menyatakan residual menyimpang dari distribusi normal.
A. Uji F (Simultan)
# Melihat hasil uji F pada model
summary(model)
##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.8406 -0.2571 -0.0273 0.3048 0.6347
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.590e+01 3.813e+00 4.171 0.000227 ***
## X1 8.029e-04 6.177e-05 13.000 4.34e-14 ***
## X2 1.887e+00 1.047e-01 18.032 < 2e-16 ***
## X3 4.392e-01 5.600e-02 7.842 7.51e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3805 on 31 degrees of freedom
## Multiple R-squared: 0.9935, Adjusted R-squared: 0.9929
## F-statistic: 1576 on 3 and 31 DF, p-value: < 2.2e-16
# Mengambil nilai F dan p-value
hasil_model <- summary(model)
hasil_model$fstatistic
## value numdf dendf
## 1575.886 3.000 31.000
p_value_f <- pf(
hasil_model$fstatistic[1],
hasil_model$fstatistic[2],
hasil_model$fstatistic[3],
lower.tail = FALSE
)
p_value_f
## value
## 5.911138e-34
Apabila p-value lebih kecil dari 0,05, maka variabel X1, X2, dan X3 secara simultan berpengaruh signifikan terhadap Y.
B. Uji t (Parsial)
# Melihat nilai koefisien, t hitung, dan p-value
summary(model)$coefficients
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.590321e+01 3.812908e+00 4.170887 2.266841e-04
## X1 8.029351e-04 6.176547e-05 12.999741 4.338250e-14
## X2 1.887429e+00 1.046705e-01 18.032100 5.457023e-18
## X3 4.391515e-01 5.599812e-02 7.842255 7.513068e-09
Apabila p-value masing-masing variabel bebas lebih kecil dari 0,05, maka variabel tersebut berpengaruh signifikan secara parsial terhadap Y.
A. Studentized Residual
# Menghitung studentized residual
student_residual <- rstudent(model)
# Menampilkan hasil
student_residual
## 1 2 3 4 5 6
## 0.620773506 1.779358003 -1.424028652 -1.575267623 1.523999320 1.150299192
## 7 8 9 10 11 12
## -1.496705205 -0.428440663 -0.948444150 -0.197129790 0.004376833 -0.367973126
## 13 14 15 16 17 18
## 0.803106192 0.417602760 0.115829950 0.386531201 -1.030435800 0.871084029
## 19 20 21 22 23 24
## -0.660089168 -0.206116053 1.217782928 0.508229676 -0.122920186 0.960694321
## 25 26 27 28 29 30
## -0.655218434 -0.194869735 -0.738286025 1.396837487 1.437046612 -1.003192167
## 31 32 33 34 35
## -0.077860489 0.159021102 1.477615636 -2.556627755 -1.105087870
# Mengidentifikasi pengamatan dengan nilai absolut di atas 2
which(abs(student_residual) > 2)
## 34
## 34
B. Leverage
# Menghitung nilai leverage
leverage <- hatvalues(model)
leverage
## 1 2 3 4 5 6 7
## 0.04597054 0.06004310 0.06188652 0.07246493 0.15391894 0.07419222 0.13240155
## 8 9 10 11 12 13 14
## 0.06837767 0.16714271 0.05961062 0.13958594 0.14295266 0.09794463 0.17253104
## 15 16 17 18 19 20 21
## 0.06226850 0.05371274 0.03431045 0.08833623 0.07619479 0.05114728 0.04758907
## 22 23 24 25 26 27 28
## 0.08245345 0.09662432 0.08710112 0.06769215 0.04718389 0.08612603 0.17229997
## 29 30 31 32 33 34 35
## 0.31263190 0.34420312 0.17794983 0.22501172 0.21281944 0.12007108 0.10524985
# Batas leverage
batas_leverage <- 2 * length(coef(model)) / nrow(data)
batas_leverage
## [1] 0.2285714
# Mengidentifikasi pengamatan dengan leverage tinggi
which(leverage > batas_leverage)
## 29 30
## 29 30
C. Cook’s Distance
# Menghitung Cook's Distance
cook <- cooks.distance(model)
cook
## 1 2 3 4 5 6
## 4.736107e-03 4.725948e-02 3.237069e-02 4.625645e-02 1.013084e-01 2.623584e-02
## 7 8 9 10 11 12
## 8.217729e-02 3.459290e-03 4.527829e-02 6.355338e-04 8.028497e-07 5.808237e-03
## 13 14 15 16 17 18
## 1.771070e-02 9.339109e-03 2.300477e-04 2.179949e-03 9.412518e-03 1.852494e-02
## 19 20 21 22 23 24
## 9.150994e-03 5.907629e-04 1.824098e-02 5.945084e-03 4.172787e-04 2.206950e-02
## 25 26 27 28 29 30
## 7.938908e-03 4.851818e-04 1.303341e-02 9.851880e-02 2.270151e-01 1.320274e-01
## 31 32 33 34 35
## 3.389426e-04 1.895108e-03 1.421446e-01 1.891918e-01 3.565867e-02
# Batas Cook's Distance
batas_cook <- 4 / nrow(data)
batas_cook
## [1] 0.1142857
# Mengidentifikasi pengamatan berpengaruh
which(cook > batas_cook)
## 29 30 33 34
## 29 30 33 34
D. Influence Plot
# Membuat Influence Plot
influencePlot(model,
main = "Influence Plot",
sub = "Ukuran lingkaran menunjukkan Cook's Distance")
## StudRes Hat CookD
## 2 1.779358 0.0600431 0.04725948
## 29 1.437047 0.3126319 0.22701507
## 30 -1.003192 0.3442031 0.13202742
## 34 -2.556628 0.1200711 0.18919185
E. Bonferroni Test
# Uji pencilan menggunakan Bonferroni
outlierTest(model)
## No Studentized residuals with Bonferroni p < 0.05
## Largest |rstudent|:
## rstudent unadjusted p-value Bonferroni p
## 34 -2.556628 0.01587 0.55546
hasil_pencilan <- data.frame(
Daerah = data$Daerah,
Studentized_Residual = student_residual,
Leverage = leverage,
Cooks_Distance = cook
)
knitr::kable(
hasil_pencilan,
digits = 4,
caption = "Hasil Identifikasi Pencilan"
)
| Daerah | Studentized_Residual | Leverage | Cooks_Distance |
|---|---|---|---|
| Cilacap | 0.6208 | 0.0460 | 0.0047 |
| Banyumas | 1.7794 | 0.0600 | 0.0473 |
| Purbalingga | -1.4240 | 0.0619 | 0.0324 |
| Banjarnegara | -1.5753 | 0.0725 | 0.0463 |
| Kebumen | 1.5240 | 0.1539 | 0.1013 |
| Purworejo | 1.1503 | 0.0742 | 0.0262 |
| Wonosobo | -1.4967 | 0.1324 | 0.0822 |
| Magelang | -0.4284 | 0.0684 | 0.0035 |
| Boyolali | -0.9484 | 0.1671 | 0.0453 |
| Klaten | -0.1971 | 0.0596 | 0.0006 |
| Sukoharjo | 0.0044 | 0.1396 | 0.0000 |
| Wonogiri | -0.3680 | 0.1430 | 0.0058 |
| Karanganyar | 0.8031 | 0.0979 | 0.0177 |
| Sragen | 0.4176 | 0.1725 | 0.0093 |
| Grobogan | 0.1158 | 0.0623 | 0.0002 |
| Blora | 0.3865 | 0.0537 | 0.0022 |
| Rembang | -1.0304 | 0.0343 | 0.0094 |
| Pati | 0.8711 | 0.0883 | 0.0185 |
| Kudus | -0.6601 | 0.0762 | 0.0092 |
| Jepara | -0.2061 | 0.0511 | 0.0006 |
| Demak | 1.2178 | 0.0476 | 0.0182 |
| Semarang | 0.5082 | 0.0825 | 0.0059 |
| Temanggung | -0.1229 | 0.0966 | 0.0004 |
| Kendal | 0.9607 | 0.0871 | 0.0221 |
| Batang | -0.6552 | 0.0677 | 0.0079 |
| Pekalongan | -0.1949 | 0.0472 | 0.0005 |
| Pemalang | -0.7383 | 0.0861 | 0.0130 |
| Tegal | 1.3968 | 0.1723 | 0.0985 |
| Brebes | 1.4370 | 0.3126 | 0.2270 |
| Kota Magelang | -1.0032 | 0.3442 | 0.1320 |
| Kota Surakarta | -0.0779 | 0.1779 | 0.0003 |
| Kota Salatiga | 0.1590 | 0.2250 | 0.0019 |
| Kota Semarang | 1.4776 | 0.2128 | 0.1421 |
| Kota Pekalongan | -2.5566 | 0.1201 | 0.1892 |
| Kota Tegal | -1.1051 | 0.1052 | 0.0357 |
Kesimpulan penelitian disusun berdasarkan hasil analisis statistik deskriptif, model regresi linear berganda, pengujian asumsi klasik, pengujian hipotesis, dan identifikasi pencilan.
Penelitian selanjutnya dapat menggunakan data dengan periode yang lebih panjang atau menambahkan variabel lain yang relevan untuk memperoleh hasil analisis yang lebih luas.
Fitriani, R., & Abdila, N. S. (2024). Analisis Ekonometrika Terapan Dengan R dan Pemanfaatan R Markdown untuk Dokumentasinya. Universitas Brawijaya Press.
Muthahharah, I., & Fatwa, I. (2022). Analisis regresi linear berganda untuk media pembelajaran daring terhadap prestasi belajar mahasiswa di STKIP Pembangunan. Jurnal MSA (Matematika dan Statistika serta Aplikasinya), 10(1), 53–60.
Novianti, P. (2026). Modul Praktikum Komputasi Statistika. Bengkulu: Laboratorium Matematika Jurusan Matematika FMIPA Universitas Bengkulu.
Nugraha, B. (2022). Pengembangan uji statistik: Implementasi metode regresi linier berganda dengan pertimbangan uji asumsi klasik. Pradina Pustaka.
Rini, D. S. (2026). Modul Praktikum Analisis Regresi dan Korelasi. Bengkulu: Laboratorium Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Bengkulu.
Rosidi, M. (2020). Metode numerik menggunakan R untuk teknik lingkungan. Bookdown.
Wijaya, T., & Santoso, B. (2021). Analisis Regresi Liniear Berganda dengan Deteksi Outlier Menggunakan Metode Cook’s Distance. Jurnal Sains dan Seni ITS, 10(1), 45–52.