BAB I. PENDAHULUAN

1.1 Latar Belakang

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.

1.2 Rumusan Masalah

  1. Bagaimana gambaran umum data IPM, Pengeluaran per Kapita, Rata-Rata Lama Sekolah, dan Usia Harapan Hidup?
  2. Bagaimana pengaruh variabel X1, X2, dan X3 terhadap IPM?
  3. Apakah model regresi memenuhi asumsi klasik?
  4. Apakah terdapat pencilan dalam model regresi?

1.3 Tujuan Penelitian

  1. Mengetahui gambaran umum setiap variabel penelitian.
  2. Membentuk model regresi linear berganda.
  3. Melakukan pengujian asumsi klasik.
  4. Menguji pengaruh variabel bebas terhadap IPM.
  5. Mengidentifikasi pencilan pada model regresi.

1.4 Manfaat Penelitian

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.

1.5 Batasan Masalah

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).

1.6 Sistematika Penulisan

Laporan ini terdiri atas lima bab, yaitu pendahuluan, tinjauan pustaka, metode penelitian, hasil dan pembahasan, serta kesimpulan dan saran.

BAB II. TINJAUAN PUSTAKA

2.1 R Markdown

R Markdown merupakan format dokumen yang menggabungkan teks, kode R, dan hasil analisis sehingga dapat menghasilkan laporan secara terstruktur.

2.2 Regresi Linear Berganda

Regresi linear berganda merupakan metode statistik untuk mengetahui hubungan antara satu variabel respons dengan dua atau lebih variabel bebas.

Model regresi yang digunakan adalah:

\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + \beta_3X_3 + \varepsilon \]

2.3 Uji Asumsi Klasik

Uji asumsi klasik dilakukan untuk mengetahui kelayakan model regresi, meliputi uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi.

2.4 Uji Hipotesis

Uji F digunakan untuk menguji pengaruh variabel bebas secara simultan, sedangkan uji t digunakan untuk menguji pengaruh masing-masing variabel bebas secara parsial.

2.5 Identifikasi Pencilan

Identifikasi pencilan dilakukan untuk mengetahui pengamatan yang memiliki karakteristik berbeda atau berpengaruh besar terhadap model regresi.

BAB III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Penelitian ini menggunakan data sekunder yang terdiri atas 35 kabupaten/kota di Provinsi Jawa Tengah.

3.2 Variabel Penelitian

  • Y: Indeks Pembangunan Manusia (IPM).
  • X1: Pengeluaran per Kapita.
  • X2: Rata-Rata Lama Sekolah.
  • X3: Usia Harapan Hidup saat Lahir.

3.3 Analisis Data

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:

  1. Membuka file R Markdown yang telah dibuat.
  2. Memasukkan dan memeriksa sintaks analisis pada dokumen.
  3. Memilih tombol Knit untuk menghasilkan dokumen HTML.
  4. Setelah dokumen HTML berhasil dibuat, memilih fitur Publish untuk mengunggah laporan ke RPubs.
  5. Membuat judul dan deskripsi laporan.
  6. Mengunggah laporan hingga proses publikasi selesai.
  7. Memeriksa hasil keluaran (output) laporan yang telah dipublikasikan.

3.4 Diagram Alir Penelitian

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

BAB IV. HASIL DAN PEMBAHASAN

4.1 Memasukkan Data Penelitian

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")
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

4.2 Eksplorasi Data

# 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

4.3 Analisis Statistik Deskriptif

# 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

4.4 Visualisasi Data

# 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))

4.5 Pembentukan Model Regresi Linear Berganda

# 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

4.6 Uji Asumsi Klasik

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.

4.7 Uji Hipotesis

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.

4.8 Identifikasi Pencilan

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

4.9 Tabel Ringkasan Identifikasi Pencilan

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"
)
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

BAB V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan penelitian disusun berdasarkan hasil analisis statistik deskriptif, model regresi linear berganda, pengujian asumsi klasik, pengujian hipotesis, dan identifikasi pencilan.

5.2 Saran

Penelitian selanjutnya dapat menggunakan data dengan periode yang lebih panjang atau menambahkan variabel lain yang relevan untuk memperoleh hasil analisis yang lebih luas.

DAFTAR PUSTAKA

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.