Analisis regresi merupakan salah satu metode Statistika yang digunakan untuk mengetahui hubungan antara variabel terikat dengan satu atau lebih variabel bebas. Metode ini juga dapat digunakan untuk memperkirakan atau memprediksi nilai suatu variabel berdasarkan hubungan yang terbentuk dari data pengamatan. Analisis regresi banyak diterapkan dalam berbagai bidang penelitian karena mampu memberikan gambaran mengenai hubungan antarvariabel serta membantu proses pengambilan keputusan berdasarkan hasil pengolahan data. Oleh karena itu, analisis regresi menjadi salah satu metode penting dalam pengolahan dan analisis data statistik (Qoiriah & Yamasari, 2021).
Dalam melakukan analisis regresi, diperlukan beberapa tahapan pengujian untuk memastikan bahwa model yang dibentuk dapat digunakan dan menghasilkan estimasi yang baik. Salah satu tahapan tersebut adalah pengujian asumsi klasik yang meliputi uji Normalitas, uji Multikolinearitas, uji Heteroskedastisitas, dan uji Autokorelasi. Selain itu, dilakukan pula pengujian hipotesis melalui Uji F untuk mengetahui pengaruh variabel bebas secara simultan dan Uji t untuk mengetahui pengaruh variabel bebas secara parsial terhadap variabel terikat. Pengujian tersebut diperlukan agar model regresi yang dihasilkan memiliki kelayakan dan dapat digunakan untuk menjelaskan hubungan antarvariabel secara statistik (Silalahi dkk., 2024).
Selain pengujian asumsi klasik dan hipotesis, evaluasi model regresi juga perlu memperhatikan keberadaan outlier atau data pencilan. Data pencilan merupakan pengamatan yang memiliki karakteristik berbeda dibandingkan sebagian besar data lainnya dan dapat memengaruhi hasil estimasi koefisien regresi serta nilai koefisien determinasi. Oleh karena itu, diperlukan identifikasi dan pengujian outlier untuk mengetahui pengaruh pengamatan tertentu terhadap model yang dibentuk. Salah satu pendekatan evaluasi yang dapat digunakan dalam praktikum ini adalah Influence Plot dan Uji Bonferroni untuk membantu mengidentifikasi pengamatan yang berpotensi berpengaruh terhadap model regresi (Ningrum & Rahardjo, 2023).
Berdasarkan latar belakang, rumusan masalah yang dapat disimpulkan adalah bagaimana cara melakukan analisis regresi menggunakan program R, mulai dari pengumpulan dan eksplorasi data, analisis statistik deskriptif, pembentukan dan estimasi model regresi, pengujian asumsi klasik, pengujian hipotesis melalui Uji F dan Uji t, hingga evaluasi model melalui identifikasi dan pengujian outlier menggunakan Influence Plot dan Uji Bonferroni?
Berdasarkan rumusan masalah, adapun tujuan yang ingin dicapai pada praktikum ini adalah untuk melakukan analisis regresi menggunakan program R, mulai dari pengumpulan dan eksplorasi data, analisis statistik deskriptif, pembentukan dan estimasi model regresi, pengujian asumsi klasik, pengujian hipotesis melalui Uji F dan Uji t, hingga evaluasi model melalui identifikasi dan pengujian outlier menggunakan Influence Plot dan Uji Bonferroni.
Adapun manfaat pada penelitian ini yaitu:
Adapun batasan masalah pada praktikum ini yaitu menggunakan data sekunder dengan jumlah minimal 35 observasi dan minimal 3 variabel independen serta 1 variabel dependen. Selanjutnya, dilakukan eksplorasi data, analisis statistik deskriptif, pembentukan model regresi, pengujian asumsi klasik, pengujian signifikansi parameter melalui Uji F dan Uji t, serta identifikasi dan pengujian outlier menggunakan Influence Plot dan Uji Bonferroni dengan bantuan program R, dengan ketentuan bahwa seluruh variabel independen berpengaruh signifikan terhadap variabel dependen.
Adapun sistematika penulisan dari praktikum ini adalah:
Analisis regresi linier merupakan salah satu metode Statistika yang digunakan untuk mengetahui hubungan antara variabel dependen dengan satu atau lebih variabel independen. Pada regresi linier berganda, terdapat satu variabel dependen yang dipengaruhi oleh dua atau lebih variabel independen. Metode ini bertujuan untuk mengetahui seberapa besar pengaruh variabel bebas terhadap variabel terikat serta memperkirakan nilai variabel dependen berdasarkan perubahan variabel independen. Dalam pembentukan model regresi linier berganda, estimasi parameter umumnya dilakukan menggunakan Metode Kuadrat Terkecil atau Ordinary Least Squares (OLS), yaitu metode yang meminimalkan jumlah kuadrat residual antara nilai pengamatan dan nilai hasil estimasi (Pardede dkk., 2022).
Model regresi linier berganda dinyatakan dalam suatu persamaan yang terdiri atas konstanta, koefisien regresi, variabel dependen, variabel independen, dan komponen kesalahan atau error:
\[\hat{Y} = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k + \epsilon\]
Konstanta (\(\beta_0\)) menunjukkan nilai variabel dependen ketika seluruh variabel independen bernilai nol, sedangkan koefisien regresi (\(\beta_j\)) menunjukkan besarnya perubahan variabel dependen akibat perubahan satu satuan pada variabel independen ke-\(j\) dengan asumsi variabel lainnya tetap. Model regresi tersebut digunakan untuk menjelaskan hubungan antarvariabel sekaligus mengetahui arah pengaruh yang terbentuk, baik positif maupun negatif. Oleh karena itu, estimasi parameter menjadi tahapan penting untuk memperoleh persamaan regresi yang dapat digunakan dalam analisis dan prediksi berdasarkan data penelitian (Allo & Zamhuri, 2025).
Pengujian asumsi klasik merupakan tahapan yang dilakukan dalam analisis regresi linier berganda untuk mengetahui apakah model regresi telah memenuhi asumsi-asumsi dasar yang diperlukan. Pengujian ini bertujuan untuk memastikan bahwa model yang dibentuk dapat menghasilkan estimasi yang layak dan dapat dipercaya. Beberapa pengujian yang termasuk dalam asumsi klasik adalah (Silalahi dkk., 2024; Nisa dkk., 2020):
Pengujian signifikansi model regresi dilakukan untuk mengetahui apakah variabel independen memiliki pengaruh terhadap variabel dependen, baik secara bersama-sama maupun secara individual (Sani dkk., 2021):
Selain Uji F dan Uji t, pengujian signifikansi model regresi juga melibatkan koefisien determinasi atau \(R^2\) serta Adjusted \(R^2\). Koefisien determinasi digunakan untuk mengetahui seberapa besar proporsi variasi variabel dependen yang mampu dijelaskan oleh variabel independen. Nilai \(R^2\) berada pada rentang \(0\) hingga \(1\), di mana nilai yang semakin mendekati \(1\) menunjukkan bahwa kemampuan variabel independen dalam menjelaskan variasi variabel dependen semakin besar (Nirwana dkk., 2025).
Outlier atau data pencilan merupakan pengamatan yang memiliki karakteristik berbeda atau nilai yang jauh menyimpang dibandingkan sebagian besar pengamatan lainnya. Keberadaan outlier dalam analisis regresi perlu diperhatikan karena dapat memengaruhi estimasi parameter, koefisien regresi, serta ketepatan model yang terbentuk. Data pencilan dapat menyebabkan metode kuadrat terkecil menghasilkan estimasi yang bias sehingga diperlukan proses identifikasi sebelum menentukan tindakan terhadap pengamatan tersebut (Yaziz dkk., 2019).
Pendeteksian outlier dan pengamatan berpengaruh dapat dilakukan melalui beberapa pendekatan diagnostik, salah satunya menggunakan Influence Plot dan Uji Bonferroni (Rizqin dkk., 2024; Rini, 2026):
Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif, yaitu data yang berbentuk angka dan dapat diukur serta dianalisis secara statistik. Tipe skala pengukuran data yang digunakan adalah data rasio, karena setiap variabel dinyatakan dalam satuan persentase yang memiliki nilai nol mutlak. Sumber data yang digunakan berupa data sekunder yang diperoleh dari publikasi resmi Badan Pusat Statistik (BPS) Republik Indonesia Tahun 2024, mencakup 38 provinsi di Indonesia (memenuhi syarat minimal 35 observasi).
Variabel yang digunakan dalam penelitian ini terdiri atas satu variabel dependen (\(Y\)) dan tiga variabel independen (\(X_1, X_2, X_3\)) sebagai berikut:
Tahapan analisis data yang dilakukan dalam penelitian ini adalah sebagai berikut:
car, lmtest,
DiagrammeR, knitr).lm().outlierTest()).Agar alur analisis lebih terstruktur dan mudah dipahami, diagram alir penelitian dibagi menjadi tiga bagian utama: (1) Diagram Alir Utama Analisis Regresi, (2) Diagram Alir Pengujian Asumsi Klasik dan Hipotesis, serta (3) Diagram Alir Evaluasi Model dan Deteksi Outlier.
Data yang digunakan dalam penelitian ini merupakan data sekunder dari Badan Pusat Statistik (BPS) Republik Indonesia Tahun 2024 untuk 38 provinsi di Indonesia. Berikut adalah tabel dataset lengkap yang diinput ke dalam program R:
library(car)
library(lmtest)
library(knitr)
data_komstat <- data.frame(
No = 1:38,
Provinsi = c(
"Aceh", "Sumatera Utara", "Sumatera Barat", "Riau", "Jambi",
"Sumatera Selatan", "Bengkulu", "Lampung", "Kep. Bangka Belitung", "Kep. Riau",
"DKI Jakarta", "Jawa Barat", "Jawa Tengah", "DI Yogyakarta", "Jawa Timur",
"Banten", "Bali", "Nusa Tenggara Barat", "Nusa Tenggara Timur", "Kalimantan Barat",
"Kalimantan Tengah", "Kalimantan Selatan", "Kalimantan Timur", "Kalimantan Utara", "Sulawesi Utara",
"Sulawesi Tengah", "Sulawesi Selatan", "Sulawesi Tenggara", "Gorontalo", "Sulawesi Barat",
"Maluku", "Maluku Utara", "Papua Barat", "Papua Barat Daya", "Papua",
"Papua Selatan", "Papua Tengah", "Papua Pegunungan"
),
Y = c(
62.93, 74.15, 74.59, 77.68, 71.76,
70.54, 70.72, 73.37, 76.06, 89.26,
87.84, 76.62, 73.15, 80.10, 69.36,
75.17, 77.56, 68.52, 54.84, 71.57,
75.23, 74.82, 84.44, 77.44, 68.44,
62.44, 70.10, 70.36, 65.92, 66.61,
59.96, 59.17, 62.96, 65.75, 62.24,
48.44, 28.71, 6.76
),
X1 = c(
70.57, 72.84, 73.51, 78.39, 75.83,
75.10, 76.89, 70.48, 74.61, 85.40,
83.43, 72.81, 68.96, 76.30, 71.27,
75.50, 79.05, 67.61, 72.62, 77.90,
82.85, 77.72, 84.82, 81.01, 77.62,
75.44, 77.12, 79.04, 75.24, 68.87,
75.45, 80.59, 80.17, 77.01, 80.78,
74.67, 81.07, 47.78
),
X2 = c(
23.17, 22.54, 23.55, 23.89, 23.31,
22.76, 22.78, 22.04, 23.19, 22.96,
22.77, 23.79, 21.80, 21.51, 21.57,
24.01, 21.68, 24.46, 24.67, 24.15,
23.61, 23.73, 24.30, 23.98, 23.26,
24.05, 23.86, 25.12, 24.35, 24.51,
25.23, 25.48, 25.32, 25.02, 25.97,
24.80, 25.56, 26.14
),
X3 = c(
14.23, 7.99, 5.97, 6.67, 7.10,
10.97, 13.56, 10.69, 4.55, 5.37,
4.30, 7.46, 10.47, 10.83, 9.79,
5.84, 4.00, 12.91, 19.48, 6.32,
5.17, 4.11, 5.78, 6.32, 7.25,
11.77, 8.06, 11.21, 14.57, 11.21,
16.05, 6.32, 21.66, 18.13, 17.26,
17.44, 29.76, 32.97
)
)
kable(data_komstat, caption = "Tabel 4.1. Data Persentase Akses Internet (Y), Kepemilikan Telepon Seluler (X1), Pemuda Usia 16-30 Tahun (X2), dan Penduduk Miskin (X3) di 38 Provinsi Tahun 2024")| No | Provinsi | Y | X1 | X2 | X3 |
|---|---|---|---|---|---|
| 1 | Aceh | 62.93 | 70.57 | 23.17 | 14.23 |
| 2 | Sumatera Utara | 74.15 | 72.84 | 22.54 | 7.99 |
| 3 | Sumatera Barat | 74.59 | 73.51 | 23.55 | 5.97 |
| 4 | Riau | 77.68 | 78.39 | 23.89 | 6.67 |
| 5 | Jambi | 71.76 | 75.83 | 23.31 | 7.10 |
| 6 | Sumatera Selatan | 70.54 | 75.10 | 22.76 | 10.97 |
| 7 | Bengkulu | 70.72 | 76.89 | 22.78 | 13.56 |
| 8 | Lampung | 73.37 | 70.48 | 22.04 | 10.69 |
| 9 | Kep. Bangka Belitung | 76.06 | 74.61 | 23.19 | 4.55 |
| 10 | Kep. Riau | 89.26 | 85.40 | 22.96 | 5.37 |
| 11 | DKI Jakarta | 87.84 | 83.43 | 22.77 | 4.30 |
| 12 | Jawa Barat | 76.62 | 72.81 | 23.79 | 7.46 |
| 13 | Jawa Tengah | 73.15 | 68.96 | 21.80 | 10.47 |
| 14 | DI Yogyakarta | 80.10 | 76.30 | 21.51 | 10.83 |
| 15 | Jawa Timur | 69.36 | 71.27 | 21.57 | 9.79 |
| 16 | Banten | 75.17 | 75.50 | 24.01 | 5.84 |
| 17 | Bali | 77.56 | 79.05 | 21.68 | 4.00 |
| 18 | Nusa Tenggara Barat | 68.52 | 67.61 | 24.46 | 12.91 |
| 19 | Nusa Tenggara Timur | 54.84 | 72.62 | 24.67 | 19.48 |
| 20 | Kalimantan Barat | 71.57 | 77.90 | 24.15 | 6.32 |
| 21 | Kalimantan Tengah | 75.23 | 82.85 | 23.61 | 5.17 |
| 22 | Kalimantan Selatan | 74.82 | 77.72 | 23.73 | 4.11 |
| 23 | Kalimantan Timur | 84.44 | 84.82 | 24.30 | 5.78 |
| 24 | Kalimantan Utara | 77.44 | 81.01 | 23.98 | 6.32 |
| 25 | Sulawesi Utara | 68.44 | 77.62 | 23.26 | 7.25 |
| 26 | Sulawesi Tengah | 62.44 | 75.44 | 24.05 | 11.77 |
| 27 | Sulawesi Selatan | 70.10 | 77.12 | 23.86 | 8.06 |
| 28 | Sulawesi Tenggara | 70.36 | 79.04 | 25.12 | 11.21 |
| 29 | Gorontalo | 65.92 | 75.24 | 24.35 | 14.57 |
| 30 | Sulawesi Barat | 66.61 | 68.87 | 24.51 | 11.21 |
| 31 | Maluku | 59.96 | 75.45 | 25.23 | 16.05 |
| 32 | Maluku Utara | 59.17 | 80.59 | 25.48 | 6.32 |
| 33 | Papua Barat | 62.96 | 80.17 | 25.32 | 21.66 |
| 34 | Papua Barat Daya | 65.75 | 77.01 | 25.02 | 18.13 |
| 35 | Papua | 62.24 | 80.78 | 25.97 | 17.26 |
| 36 | Papua Selatan | 48.44 | 74.67 | 24.80 | 17.44 |
| 37 | Papua Tengah | 28.71 | 81.07 | 25.56 | 29.76 |
| 38 | Papua Pegunungan | 6.76 | 47.78 | 26.14 | 32.97 |
Berdasarkan pengolahan data menggunakan fungsi summary()
pada R, diperoleh ringkasan statistik deskriptif untuk masing-masing
variabel penelitian:
## Y X1 X2 X3
## Min. : 6.76 Min. :47.78 Min. :21.51 Min. : 4.00
## 1st Qu.:63.66 1st Qu.:73.01 1st Qu.:23.01 1st Qu.: 6.32
## Median :70.63 Median :76.06 Median :23.88 Median :10.13
## Mean :68.04 Mean :75.69 Mean :23.81 Mean :11.15
## 3rd Qu.:75.22 3rd Qu.:79.05 3rd Qu.:24.63 3rd Qu.:14.06
## Max. :89.26 Max. :85.40 Max. :26.14 Max. :32.97
Berdasarkan keluaran statistik deskriptif di atas, diperoleh gambaran sebaran data untuk keempat variabel:
Untuk melihat pola hubungan linier awal serta mendeteksi adanya penyimpangan pengamatan secara visual sebelum pemodelan, dilakukan eksplorasi menggunakan matriks scatter plot dan korelasi Pearson:
cor_matrix <- round(cor(data_komstat[, c("Y", "X1", "X2", "X3")]), 4)
kable(cor_matrix, caption = "Tabel 4.2. Matriks Korelasi Pearson Antarvariabel")| Y | X1 | X2 | X3 | |
|---|---|---|---|---|
| Y | 1.0000 | 0.5923 | -0.6061 | -0.8766 |
| X1 | 0.5923 | 1.0000 | -0.0655 | -0.4744 |
| X2 | -0.6061 | -0.0655 | 1.0000 | 0.5678 |
| X3 | -0.8766 | -0.4744 | 0.5678 | 1.0000 |
par(mfrow = c(2, 2))
plot(data_komstat$X1, data_komstat$Y, main = "Y vs X1 (Telepon Seluler)",
xlab = "X1 (%)", ylab = "Y (%)", pch = 19, col = "#2980B9")
abline(lm(Y ~ X1, data = data_komstat), col = "red", lwd = 2)
plot(data_komstat$X2, data_komstat$Y, main = "Y vs X2 (Pemuda 16-30 Thn)",
xlab = "X2 (%)", ylab = "Y (%)", pch = 19, col = "#27AE60")
abline(lm(Y ~ X2, data = data_komstat), col = "red", lwd = 2)
plot(data_komstat$X3, data_komstat$Y, main = "Y vs X3 (Penduduk Miskin)",
xlab = "X3 (%)", ylab = "Y (%)", pch = 19, col = "#E67E22")
abline(lm(Y ~ X3, data = data_komstat), col = "red", lwd = 2)
boxplot(data_komstat[, c("Y", "X1", "X2", "X3")], main = "Boxplot Sebaran Variabel",
col = c("#AED6F1", "#A9DFBF", "#F9E79F", "#F5B7B1"))Estimasi model regresi linier berganda menggunakan metode
Ordinary Least Squares (OLS) dilakukan dengan fungsi
lm() pada program R:
##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = data_komstat)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.544 -3.749 0.694 4.223 10.232
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 102.4032 23.8687 4.290 0.000140 ***
## X1 0.6809 0.1845 3.690 0.000779 ***
## X2 -2.9934 1.0245 -2.922 0.006144 **
## X3 -1.3114 0.2116 -6.199 4.76e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.05 on 34 degrees of freedom
## Multiple R-squared: 0.847, Adjusted R-squared: 0.8335
## F-statistic: 62.75 on 3 and 34 DF, p-value: 6.056e-14
Berdasarkan hasil estimasi parameter pada output R di atas, diperoleh persamaan model regresi linier berganda sebagai berikut:
\[\hat{Y} = 102,4032 + 0,6809 X_1 - 2,9934 X_2 - 1,3114 X_3\]
Interpretasi dari masing-masing koefisien regresi yang terbentuk adalah sebagai berikut:
Sebelum menarik kesimpulan inferensial dari model regresi, dilakukan empat pengujian asumsi klasik menggunakan program R:
uji_normal <- shapiro.test(residuals(model_reg))
nilai_vif <- vif(model_reg)
uji_bp <- bptest(model_reg)
uji_dw <- dwtest(model_reg)
uji_normal##
## Shapiro-Wilk normality test
##
## data: residuals(model_reg)
## W = 0.96399, p-value = 0.2553
## X1 X2 X3
## 1.401341 1.602776 2.059321
##
## studentized Breusch-Pagan test
##
## data: model_reg
## BP = 11.017, df = 3, p-value = 0.01164
##
## Durbin-Watson test
##
## data: model_reg
## DW = 1.6819, p-value = 0.115
## alternative hypothesis: true autocorrelation is greater than 0
Hasil pengujian keempat asumsi klasik pada taraf signifikansi \(\alpha = 0,05\) diuraikan sebagai berikut:
Pengujian signifikansi parameter dilakukan secara simultan (Uji F) dan parsial (Uji t) pada taraf signifikansi \(\alpha = 5\%\) (\(0,05\)):
## Analysis of Variance Table
##
## Response: Y
## Df Sum Sq Mean Sq F value Pr(>F)
## X1 1 2853.9 2853.9 77.971 2.552e-10 ***
## X2 1 2629.8 2629.8 71.848 6.716e-10 ***
## X3 1 1406.4 1406.4 38.425 4.760e-07 ***
## Residuals 34 1244.5 36.6
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
F_tabel <- qf(0.95, df1 = 3, df2 = 34)
t_tabel <- qt(0.975, df = 34)
cat("Nilai F-tabel (alpha = 0.05, df1 = 3, df2 = 34):", round(F_tabel, 4), "\n")## Nilai F-tabel (alpha = 0.05, df1 = 3, df2 = 34): 2.8826
## Nilai t-tabel dua arah (alpha = 0.05, df = 34) : 2.0322
Evaluasi terhadap pengamatan pencilan (outlier) dan
pengamatan berpengaruh (influential observations) dilakukan
menggunakan grafik diagnostik influencePlot() serta uji
formal Bonferroni outlierTest():
inf_table <- influencePlot(model_reg, id = list(method = "noteworthy"),
main = "Gambar 4.1. Influence Plot Model Regresi Linier Berganda")| StudRes | Hat | CookD | |
|---|---|---|---|
| 32 | -2.658800 | 0.1644522 | 0.2951534 |
| 37 | -3.273027 | 0.4154169 | 1.4802953 |
| 38 | -1.853179 | 0.6183251 | 1.2979767 |
## No Studentized residuals with Bonferroni p < 0.05
## Largest |rstudent|:
## rstudent unadjusted p-value Bonferroni p
## 37 -3.273027 0.0024993 0.094972
Berdasarkan Gambar 4.1 dan Tabel
4.3, fungsi influencePlot() menyoroti tiga
observasi ekstrem: 1. Observasi ke-32 (Maluku Utara):
\(\text{StudRes} = -2,6588\)
(terindikasi outlier pada respons \(Y\)). 2. Observasi ke-37 (Papua
Tengah): \(\text{StudRes} =
-3,2730\), \(\text{Hat} =
0,4154\), dan \(\text{CookD} =
1,4803\) (terindikasi sebagai outlier sekaligus
influential observation). 3. Observasi ke-38 (Papua
Pegunungan): \(\text{StudRes} =
-1,8532\), \(\text{Hat} =
0,6183\), dan \(\text{CookD} =
1,2980\) (memiliki leverage tinggi dan pengaruh besar
terhadap model).
Dilakukan uji formal Bonferroni terhadap observasi ke-37 (Papua Tengah): 1. Hipotesis: \(H_0 :\) Kasus ke-37 bukan outlier vs \(H_1 :\) Kasus ke-37 merupakan outlier. 2. Statistik Uji: \(t_{37} = -3,2730\), dengan unadjusted p-value \(= 0,0025\) dan Bonferroni p-value \(= 0,09497\). 3. Kesimpulan: Berdasarkan kriteria ketat koreksi Bonferroni, Bonferroni p-value (\(0,09497 > 0,05\)), sehingga gagal menolak \(H_0\) secara mutlak. Namun, berdasarkan nilai unadjusted p-value (\(0,0025 < 0,05\)) dan nilai \(\text{CookD} > 1\), observasi ke-37 dan ke-38 tetap diidentifikasi sebagai pengamatan berpengaruh nyata yang mencerminkan kondisi riil ketimpangan wilayah Papua.
Berdasarkan seluruh tahapan analisis regresi linier berganda yang telah dilakukan menggunakan program R pada data 38 provinsi di Indonesia tahun 2024, dapat ditarik kesimpulan sebagai berikut:
Allo, A. Y. T., & Zamhuri. (2025). Analisis regresi linier berganda dalam pemodelan faktor-faktor sosial ekonomi. Jurnal Statistika Terapan.
Fitrianto, A., & Hui Xin, S. (2022). Comparisons between robust regression approaches in the presence of outliers and high leverage points. BAREKENG: Jurnal Ilmu Matematika dan Terapan, 16(1), 1–10.
Ningrum, C. S., & Rahardjo, S. (2023). Kajian penaksiran parameter regresi robust untuk data outlier (pencilan) dengan estimasi-MM. Jurnal MIPA dan Pembelajarannya, 3(2), 85–94.
Nirwana, dkk. (2025). Evaluasi kebaikan model regresi melalui koefisien determinasi dan pengujian hipotesis. Jurnal Matematika dan Statistika.
Nisa, K., dkk. (2020). Pendeteksian masalah heteroskedastisitas pada analisis regresi linier berganda. Jurnal Ilmiah Statistika.
Pardede, R., dkk. (2022). Penerapan metode Ordinary Least Squares (OLS) pada analisis regresi linier berganda. Jurnal Sains dan Matematika.
Pratama, A., Wulandari, S. Z., & Indyastuti, D. L. (2022). Analisis pengaruh variabel prediktor menggunakan uji parsial dan simultan. INOBIS: Jurnal Inovasi Bisnis dan Manajemen Indonesia.
Qoiriah, A., & Yamasari, Y. (2021). Penerapan analisis regresi dalam pemodelan dan prediksi data kuantitatif. Jurnal Manajemen Informatika.
Rini, D. S. (2026). Modul Praktikum Pengantar Analisis Regresi. Bengkulu: Laboratorium Statistika FMIPA Universitas Bengkulu.
Rizki, M. B., Baidhowy, & Hajarisman, N. (2024). Identifikasi data berpengaruh dengan pemodelan regresi pada kasus indikator pembangunan di Indonesia. Bandung Conference Series: Statistics.
Rizqin, dkk. (2024). Diagnostik pengamatan berpengaruh menggunakan Influence Plot dan Uji Bonferroni pada pemodelan regresi. Jurnal Statistika Komputasi.
Sahir, S. H. (2021). Metodologi Penelitian. Yogyakarta: Penerbit KBM Indonesia.
Sani, dkk. (2021). Pengujian signifikansi parameter model regresi linier berganda menggunakan Uji F dan Uji t. Jurnal Statistika dan Aplikasinya.
Silalahi, dkk. (2024). Pengujian asumsi klasik sebagai syarat kelayakan model regresi linier berganda. Jurnal Pendidikan Matematika dan Sains.
Susiana, S., Chairunisah, C., & Refisis, N. R. (2024). Comparison of OLS regression and robust regression in overcoming outlier problems (case study: Cost of living data for urban areas in Indonesia). ZERO: Jurnal Sains, Matematika dan Terapan.
Wulandari, D. A., Kusnandar, D., & Imro’ah, N. (2022). Estimasi-S model regresi robust menggunakan pembobot Welsch pada data indeks pembangunan manusia di Indonesia. BIMASTER: Buletin Ilmiah Matematika, Statistika dan Terapannya.
Yaziz, dkk. (2019). Penanganan data pencilan pada analisis regresi menggunakan pendekatan regresi robust. Jurnal Ilmu Dasar.