Dosen Pengampu
Dr. Pepi Novianti, S.Si., M.Si.
Novi Puspita, S.Mat., M.Si.
Riwi Dyah Pangesti, S.Si., M.Stat.
Susi Wijuamurti, S.Si., M.Stat.

Asisten Praktikum
Salsadilla Azizi Firda (F1F022019) · Rezkyan Marta (F1F022033)
Anggi Cahaya Kristanti (F1F023032) · M. Agil Ramadhan (F1F023041)

LABORATORIUM MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BENGKULU
2026


KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT atas rahmat, taufik, dan hidayah-Nya sehingga penulis dapat menyelesaikan laporan praktikum Komputasi Statistika Pertemuan IX yang berjudul “Analisis Regresi Linier Berganda dengan R Markdown” tepat pada waktunya. Penulis mengucapkan terima kasih kepada para dosen pengampu dan asisten praktikum yang telah membimbing selama praktikum berlangsung, serta kepada orang tua dan teman-teman yang selalu memberikan dukungan.

Penulis menyadari bahwa laporan ini masih memiliki kekurangan. Oleh karena itu, kritik dan saran yang membangun sangat penulis harapkan. Semoga laporan ini bermanfaat bagi pembaca.

Bengkulu, 15 November 2026
Muhammad Akhtar Zaydan


BAB I PENDAHULUAN

1.1 Latar Belakang

Analisis regresi linier berganda digunakan untuk memodelkan hubungan antara satu variabel dependen dengan dua atau lebih variabel independen. Model yang diperoleh hanya dapat diandalkan untuk interpretasi dan prediksi apabila parameternya signifikan secara statistik, asumsi-asumsi klasik terpenuhi, dan tidak ada pengamatan menyimpang yang memengaruhi hasil estimasi secara berlebihan. Karena itu, analisis regresi yang baik tidak berhenti pada estimasi koefisien, tetapi juga mencakup pengujian hipotesis (Uji F dan Uji t), pengujian asumsi klasik, serta evaluasi model melalui deteksi outlier (Montgomery dkk., 2021; Kutner dkk., 2005).

Seluruh tahapan tersebut dapat dikerjakan dan didokumentasikan secara terpadu menggunakan R Markdown. R Markdown menggabungkan teks, kode, dan hasil analisis dalam satu dokumen yang dapat direproduksi dan dirender ke berbagai format keluaran seperti HTML, PDF, dan Word (Xie dkk., 2018). Dengan demikian, setiap angka dan grafik dalam laporan dihasilkan langsung dari kode, sehingga proses analisis menjadi transparan dan mudah diperiksa ulang.

1.2 Rumusan Masalah

  1. Bagaimana model regresi linier berganda yang terbentuk dari data sekunder yang digunakan?
  2. Apakah variabel independen berpengaruh signifikan terhadap variabel dependen, baik secara simultan (Uji F) maupun parsial (Uji t)?
  3. Apakah model memenuhi asumsi klasik (multikolinearitas, heteroskedastisitas, autokorelasi, dan normalitas galat)?
  4. Apakah terdapat outlier pada data berdasarkan Influence Plot dan Uji Bonferroni?

1.3 Tujuan Penelitian

  1. Membentuk dan mengestimasi model regresi linier berganda dari data sekunder.
  2. Menguji pengaruh variabel independen secara simultan dan parsial.
  3. Menguji terpenuhinya asumsi klasik pada model.
  4. Mengidentifikasi dan menguji outlier menggunakan Influence Plot dan Uji Bonferroni.

1.4 Manfaat Penelitian

  • Bagi penulis: menambah pemahaman dan keterampilan dalam menyusun analisis regresi yang lengkap menggunakan R dan R Markdown.
  • Bagi pembaca: menjadi rujukan tahapan analisis regresi linier berganda, mulai dari eksplorasi data sampai evaluasi model.

1.5 Batasan Masalah

Laporan disusun dalam format R Markdown mengikuti sistematika laporan praktikum (Bab I sampai Bab V dan Daftar Pustaka). Analisis mencakup: pengumpulan dan pemilihan data sekunder, eksplorasi data, statistik deskriptif, pembentukan dan estimasi model regresi, pengujian asumsi klasik, pengujian hipotesis melalui Uji F dan Uji t, serta evaluasi model melalui identifikasi dan pengujian outlier menggunakan Influence Plot dan Uji Bonferroni. Data yang digunakan berjumlah 40 observasi dengan tiga variabel independen.

1.6 Sistematika Penulisan

Bab Isi
Bab I Pendahuluan Latar belakang, rumusan masalah, tujuan, manfaat, batasan masalah, dan sistematika penulisan
Bab II Tinjauan Pustaka Teori regresi linier berganda, pengujian hipotesis, asumsi klasik, outlier, dan R Markdown
Bab III Metode Penelitian Jenis dan sumber data, variabel penelitian, langkah analisis, dan diagram alir
Bab IV Hasil dan Pembahasan Eksplorasi data, statistik deskriptif, model, Uji F dan Uji t, asumsi klasik, dan outlier
Bab V Kesimpulan dan Saran Kesimpulan dan saran

BAB II TINJAUAN PUSTAKA

2.1 Regresi Linier Berganda

Model regresi linier berganda dengan \(k\) variabel independen dituliskan sebagai

\[Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \dots + \beta_k X_{ki} + \varepsilon_i, \quad i = 1, \dots, n,\]

dengan \(\varepsilon_i\) galat acak. Dalam bentuk matriks, \(\mathbf{y} = \mathbf{X}\boldsymbol{\beta} + \boldsymbol{\varepsilon}\), dan penduga ordinary least squares (OLS) diberikan oleh \(\hat{\boldsymbol{\beta}} = (\mathbf{X}^\top\mathbf{X})^{-1}\mathbf{X}^\top\mathbf{y}\). Koefisien determinasi \(R^2 = JKR/JKT\) mengukur proporsi keragaman \(Y\) yang dijelaskan model, sedangkan \(R^2_{adj}\) mengoreksinya terhadap banyaknya variabel (Montgomery dkk., 2021).

2.2 Pengujian Hipotesis Parameter

Uji F (simultan) menguji \(H_0: \beta_1 = \beta_2 = \dots = \beta_k = 0\) melawan \(H_1\): minimal ada satu \(\beta_j \neq 0\), dengan statistik uji \[F = \frac{KTR}{KTG} \sim F_{(k,\; n-k-1)}.\] Uji t (parsial) menguji \(H_0: \beta_j = 0\) melawan \(H_1: \beta_j \neq 0\) dengan statistik uji \[t_j = \frac{\hat{\beta}_j}{SE(\hat{\beta}_j)} \sim t_{(n-k-1)}.\] \(H_0\) ditolak apabila \(p\text{-value} < \alpha\) atau statistik uji melampaui nilai kritisnya (Kutner dkk., 2005).

2.3 Asumsi Klasik

  1. Multikolinearitas. Korelasi tinggi antarvariabel independen diperiksa dengan Variance Inflation Factor, \(VIF_j = 1/(1-R_j^2)\). Nilai \(VIF < 10\) menunjukkan tidak ada masalah multikolinearitas serius (Kutner dkk., 2005).
  2. Heteroskedastisitas. Ragam galat yang konstan (homoskedastisitas) diuji dengan uji Breusch–Pagan (Breusch & Pagan, 1979), dengan \(H_0\): ragam galat konstan.
  3. Autokorelasi. Korelasi antargalat diuji dengan statistik Durbin–Watson \(DW = \sum_{t=2}^{n}(e_t - e_{t-1})^2 / \sum_{t=1}^{n} e_t^2\) (Durbin & Watson, 1951). Nilai \(DW\) mendekati 2 menandakan tidak ada autokorelasi.
  4. Normalitas galat. Kenormalan residual diuji dengan Shapiro–Wilk (Shapiro & Wilk, 1965), dengan \(H_0\): galat berdistribusi normal.

2.4 Outlier dan Pengamatan Berpengaruh

  • Studentized (deleted) residual \(t_i = e_i\sqrt{\dfrac{n-p-1}{JKG(1-h_{ii}) - e_i^2}}\) mendeteksi outlier pada arah \(Y\); nilai \(|t_i| > 2\) dianggap berpotensi outlier.
  • Leverage (hat value) \(h_{ii}\) mendeteksi outlier pada arah \(X\); nilai \(h_{ii} > 2p/n\) dianggap leverage tinggi.
  • Cook’s Distance \(D_i\) mengukur pengaruh pengamatan ke-\(i\) terhadap seluruh koefisien; \(D_i > 1\) menandakan pengamatan sangat berpengaruh (Cook, 1977).
  • Uji Bonferroni menguji \(H_0\): pengamatan dengan \(|t_i|\) terbesar bukan outlier. Karena dilakukan terhadap \(n\) pengamatan sekaligus, \(p\)-value disesuaikan menjadi \(p_{Bonf} = \min(1,\; n \times p_{unadj})\) (Fox & Weisberg, 2019).

2.5 R Markdown

R Markdown adalah paket R yang memungkinkan penggabungan kode, teks, dan visualisasi dalam satu dokumen yang dapat direproduksi, dan dapat dirender ke HTML, PDF, maupun Word melalui fungsi knit (Xie dkk., 2018). Opsi chunk seperti echo, eval, include, warning, dan message mengatur tampilan kode dan keluarannya pada dokumen akhir.


BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang digunakan adalah data kuantitatif berjenis sekunder, yaitu data kinerja 40 jenis mobil yang telah digunakan pada praktikum Pengantar Analisis Regresi pertemuan sebelumnya.

3.2 Variabel Penelitian

Simbol Variabel Peran
\(Y\) Konsumsi bahan bakar (miles per gallon, mpg) Dependen
\(X_1\) Tenaga mesin (horsepower, hp) Independen
\(X_2\) Berat kendaraan (weight, wt) Independen
\(X_3\) Volume mesin (displacement, disp) Independen

3.3 Analisis Data

  1. Mengumpulkan dan memilih data sekunder; memeriksa kelengkapan data.
  2. Melakukan eksplorasi data (korelasi, scatterplot, boxplot).
  3. Menghitung statistik deskriptif.
  4. Membentuk dan mengestimasi model regresi linier berganda.
  5. Menguji hipotesis: Uji F (simultan) dan Uji t (parsial).
  6. Menguji asumsi klasik: multikolinearitas (VIF), heteroskedastisitas (Breusch–Pagan), autokorelasi (Durbin–Watson), dan normalitas (Shapiro–Wilk).
  7. Mendeteksi outlier dengan Influence Plot dan Uji Bonferroni.
  8. Menarik kesimpulan.

3.4 Diagram Alir Penelitian

                 [ Mulai ]
                     |
        [ Input & pemilihan data sekunder ]
                     |
          [ Eksplorasi data & statistik deskriptif ]
                     |
        [ Estimasi model regresi linier berganda ]
                     |
            [ Uji F (simultan) & Uji t (parsial) ]
                     |
   [ Uji asumsi klasik: VIF, Breusch-Pagan, Durbin-Watson, Shapiro-Wilk ]
                     |
      [ Deteksi outlier: Influence Plot & Uji Bonferroni ]
                     |
          [ Interpretasi & kesimpulan ]
                     |
                 [ Selesai ]

Gambar 3.1 Diagram alir penelitian


BAB IV HASIL DAN PEMBAHASAN

4.1 Pengumpulan dan Pemilihan Data

Data dimasukkan ke dalam objek dat. Seluruh data lengkap tersaji pada Lampiran 1.

dat <- data.frame(
  Nama_Mobil = c("Toyota Corolla", "Honda Civic", "Ford Mustang", "Volkswagen Golf", "Mazda 323", "Nissan Sentra", "Chevrolet Camaro", "Toyota Camry", "Honda Accord", "BMW 320i", "Suzuki Swift", "Mitsubishi Lancer", "Chevrolet Malibu", "Mercedes-Benz 280", "Mazda 626", "Peugeot 504", "Volvo 240", "Ford Granada", "Toyota Celica", "Honda Fit", "Nissan Bluebird", "Daihatsu Charade", "Toyota Starlet", "Ford Escort", "Honda Prelude", "Chevrolet Impala", "Mazda Familia", "Toyota Corona", "Pontiac Firebird", "Volkswagen Passat", "Nissan Sunny", "Ford Torino", "Toyota Supra", "Honda City", "Mazda RX-7", "Mitsubishi Galant", "Subaru Leone", "Chevrolet Caprice", "Ford Maverick", "Opel Kadett"),
  Y = c(35.38, 32.55, 23.38, 34.37, 37.36, 36.52, 31.29, 28.12, 25.29, 29.67, 34.95, 33.59, 26.39, 28.29, 33.52, 28.55, 28.54, 26.97, 33.58, 35.4, 29.57, 39.82, 35.58, 30.16, 36.16, 22.43, 35.82, 29.96, 28.75, 30.36, 29.64, 23.25, 34.13, 36.2, 34.75, 26.21, 33.82, 21.42, 28.06, 29.16),
  X1 = c(54, 58, 120, 74, 52, 148, 186, 197, 177, 220, 56, 153, 60, 191, 152, 69, 177, 203, 189, 51, 140, 58, 93, 75, 91, 217, 120, 79, 211, 188, 74, 204, 194, 96, 102, 102, 91, 217, 216, 115),
  X2 = c(2321, 3007, 4418, 2660, 2100, 1913, 1811, 2334, 2899, 1931, 2730, 1887, 4471, 3521, 2004, 3868, 2227, 2443, 2114, 2902, 3169, 2452, 2850, 3688, 2140, 3850, 1940, 4121, 3299, 2247, 4297, 3135, 1868, 2000, 2706, 4369, 2683, 4466, 2608, 3499),
  X3 = c(397.7, 419, 342.9, 272.7, 294.5, 120.8, 400.9, 351.4, 338.5, 195.1, 249.3, 256.9, 122.4, 86.9, 181.3, 241.8, 369.5, 260.8, 105.8, 73.3, 132, 126.1, 99.2, 206.5, 357.1, 260.2, 381.7, 348.6, 72.3, 297, 93.6, 417.3, 125.5, 133.4, 190.2, 81.6, 289.9, 178.2, 157.5, 246.7)
)
cat("Jumlah observasi :", nrow(dat), "\n")
## Jumlah observasi : 40
cat("Jumlah variabel  :", ncol(dat), "\n")
## Jumlah variabel  : 5
cat("Data hilang (NA) :", sum(is.na(dat)), "\n")
## Data hilang (NA) : 0
str(dat)
## 'data.frame':    40 obs. of  5 variables:
##  $ Nama_Mobil: chr  "Toyota Corolla" "Honda Civic" "Ford Mustang" "Volkswagen Golf" ...
##  $ Y         : num  35.4 32.5 23.4 34.4 37.4 ...
##  $ X1        : num  54 58 120 74 52 148 186 197 177 220 ...
##  $ X2        : num  2321 3007 4418 2660 2100 ...
##  $ X3        : num  398 419 343 273 294 ...
kable(head(dat, 10), caption = "Tabel 4.1 Sepuluh observasi pertama")
Tabel 4.1 Sepuluh observasi pertama
Nama_Mobil Y X1 X2 X3
Toyota Corolla 35.38 54 2321 397.7
Honda Civic 32.55 58 3007 419.0
Ford Mustang 23.38 120 4418 342.9
Volkswagen Golf 34.37 74 2660 272.7
Mazda 323 37.36 52 2100 294.5
Nissan Sentra 36.52 148 1913 120.8
Chevrolet Camaro 31.29 186 1811 400.9
Toyota Camry 28.12 197 2334 351.4
Honda Accord 25.29 177 2899 338.5
BMW 320i 29.67 220 1931 195.1

Data terdiri atas 40 observasi dan tiga variabel independen sehingga memenuhi ketentuan minimal 35 observasi dan 3 variabel independen. Tidak ditemukan data hilang (0 nilai NA).

4.2 Eksplorasi Data

vars <- dat[, c("Y", "X1", "X2", "X3")]
kable(round(cor(vars), 3), caption = "Tabel 4.2 Matriks korelasi Pearson")
Tabel 4.2 Matriks korelasi Pearson
Y X1 X2 X3
Y 1.000 -0.529 -0.649 -0.107
X1 -0.529 1.000 -0.179 -0.013
X2 -0.649 -0.179 1.000 -0.195
X3 -0.107 -0.013 -0.195 1.000
pairs(vars, panel = panel.smooth, pch = 19, col = "steelblue",
      main = "Gambar 4.1 Scatterplot matrix")

par(mfrow = c(1, 4))
for (v in names(vars)) boxplot(vars[[v]], main = v, col = "lightblue")

par(mfrow = c(1, 1))

Matriks korelasi menunjukkan bahwa \(Y\) berkorelasi negatif dengan ketiga variabel independen: sedang terhadap \(X_2\) (\(r =\) -0,649) dan \(X_1\) (\(r =\) -0,529), serta lemah terhadap \(X_3\) (\(r =\) -0,107). Korelasi antarvariabel independen tergolong rendah (nilai mutlak terbesar 0,195), sehingga dugaan awal multikolinearitas kecil. Boxplot tidak memperlihatkan titik pencilan yang mencolok pada keempat variabel.

4.3 Statistik Deskriptif

desk <- t(sapply(vars, function(x) c(
  N = length(x), Min = min(x), Q1 = unname(quantile(x, 0.25)),
  Median = median(x), Mean = mean(x), Q3 = unname(quantile(x, 0.75)),
  Max = max(x), SD = sd(x))))
kable(round(desk, 2), caption = "Tabel 4.3 Statistik deskriptif")
Tabel 4.3 Statistik deskriptif
N Min Q1 Median Mean Q3 Max SD
Y 40 21.42 28.25 30.26 30.97 34.8 39.82 4.52
X1 40 51.00 74.75 120.00 131.75 189.5 220.00 59.49
X2 40 1811.00 2133.50 2694.50 2873.70 3504.5 4471.00 848.29
X3 40 72.30 125.95 244.25 231.90 339.6 419.00 110.74

Variabel \(Y\) (mpg) berkisar dari 21,42 hingga 39,82 dengan rata-rata 30,97, median 30,26, dan simpangan baku 4,52, sehingga sebarannya relatif simetris. Variabel \(X_1\) (hp) memiliki rata-rata 131,75 yang lebih besar daripada median 120,00, yang menandakan kemiringan ringan ke kanan. Variabel \(X_2\) (wt) memiliki rata-rata 2874 di atas median 2694, juga miring ke kanan akibat adanya mobil berbobot berat. Variabel \(X_3\) (disp) memiliki rata-rata 231,90 sedikit di bawah median 244,25, sehingga sedikit miring ke kiri. Selisih rata-rata dan median pada semua variabel tergolong kecil sehingga data layak dianalisis dengan regresi linier berganda.

4.4 Pembentukan dan Estimasi Model Regresi

model <- lm(Y ~ X1 + X2 + X3, data = dat)
summary(model)
## 
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = dat)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.5078 -0.8004 -0.1134  0.8311  3.0557 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 53.0044468  1.1206384  47.298  < 2e-16 ***
## X1          -0.0516056  0.0035349 -14.599  < 2e-16 ***
## X2          -0.0043907  0.0002528 -17.371  < 2e-16 ***
## X3          -0.0112719  0.0019051  -5.917 8.98e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.291 on 36 degrees of freedom
## Multiple R-squared:  0.9246, Adjusted R-squared:  0.9183 
## F-statistic: 147.1 on 3 and 36 DF,  p-value: < 2.2e-16
sm <- summary(model)
kable(round(sm$coefficients, 7), caption = "Tabel 4.4 Koefisien regresi")
Tabel 4.4 Koefisien regresi
Estimate Std. Error t value Pr(>|t|)
(Intercept) 53.0044468 1.1206384 47.298440 0e+00
X1 -0.0516056 0.0035349 -14.598959 0e+00
X2 -0.0043907 0.0002528 -17.371268 0e+00
X3 -0.0112719 0.0019051 -5.916645 9e-07

Model regresi linier berganda yang terbentuk adalah

\[\hat{Y}_i = 53{,}0044 -0{,}0516\,X_{1i} -0{,}0044\,X_{2i} -0{,}0113\,X_{3i}\]

Interpretasi koefisien (dengan variabel lain dianggap konstan): setiap kenaikan 1 hp (\(X_1\)) menurunkan konsumsi bahan bakar rata-rata sebesar 0,0516 mpg; setiap kenaikan 1 satuan berat (\(X_2\)) menurunkannya 0,0044 mpg; dan setiap kenaikan 1 satuan volume mesin (\(X_3\)) menurunkannya 0,0113 mpg. Intersep 53,0044 adalah nilai dugaan \(Y\) ketika ketiga variabel independen bernilai nol dan tidak memiliki makna praktis karena nilai nol berada di luar rentang data. Nilai \(R^2\) sebesar 0,9246 dan \(R^2_{adj}\) sebesar 0,9183 berarti ketiga variabel independen menjelaskan sekitar 91,83% keragaman \(Y\), sedangkan sisanya dijelaskan faktor lain di luar model.

4.5 Pengujian Hipotesis

4.5.1 Uji F (Simultan)

anova_tab <- anova(model)
kable(anova_tab, digits = 4, caption = "Tabel 4.5 Tabel ANOVA (sekuensial)")
Tabel 4.5 Tabel ANOVA (sekuensial)
Df Sum Sq Mean Sq F value Pr(>F)
X1 1 222.3063 222.3063 133.4724 0
X2 1 454.5385 454.5385 272.9042 0
X3 1 58.3058 58.3058 35.0067 0
Residuals 36 59.9602 1.6656 NA NA
Fhit   <- sm$fstatistic[1]
df1    <- sm$fstatistic[2]; df2 <- sm$fstatistic[3]
Ftab   <- qf(0.95, df1, df2)
p_F    <- pf(Fhit, df1, df2, lower.tail = FALSE)
c(F_hitung = unname(Fhit), F_tabel = Ftab, p_value = p_F)
##      F_hitung       F_tabel p_value.value 
##  1.471277e+02  2.866266e+00  2.928972e-20
  1. Hipotesis: \(H_0: \beta_1 = \beta_2 = \beta_3 = 0\) (tidak ada variabel independen yang berpengaruh terhadap \(Y\)) dan \(H_1\): minimal ada satu \(\beta_j \neq 0\).
  2. Taraf nyata: \(\alpha = 5\%\).
  3. Statistik uji: \(F_{hitung} = KTR/KTG =\) 147,128 dengan derajat bebas 3 dan 36.
  4. Kriteria: tolak \(H_0\) jika \(F_{hitung} > F_{(0{,}05;\,3;\,36)} =\) 2,866 atau \(p\)-value \(< \alpha\).
  5. Keputusan dan kesimpulan: karena \(F_{hitung} =\) 147,128 \(>\) 2,866 dan \(p\)-value < 2,2e-16 \(< 0{,}05\), maka \(H_0\) ditolak. Pada taraf nyata 5%, minimal satu variabel independen berpengaruh signifikan terhadap konsumsi bahan bakar, sehingga model regresi layak digunakan.

4.5.2 Uji t (Parsial)

ttab  <- qt(0.975, df2)
uji_t <- data.frame(
  Variabel = rownames(sm$coefficients),
  Estimasi = sm$coefficients[, 1],
  SE       = sm$coefficients[, 2],
  t_hitung = sm$coefficients[, 3],
  p_value  = sm$coefficients[, 4],
  Keputusan = ifelse(sm$coefficients[, 4] < 0.05, "Tolak H0", "Gagal tolak H0"),
  row.names = NULL)
kable(uji_t, digits = 5, caption = "Tabel 4.6 Hasil Uji t")
Tabel 4.6 Hasil Uji t
Variabel Estimasi SE t_hitung p_value Keputusan
(Intercept) 53.00445 1.12064 47.29844 0 Tolak H0
X1 -0.05161 0.00353 -14.59896 0 Tolak H0
X2 -0.00439 0.00025 -17.37127 0 Tolak H0
X3 -0.01127 0.00191 -5.91665 0 Tolak H0
ttab
## [1] 2.028094
  1. Hipotesis: \(H_0: \beta_j = 0\) dan \(H_1: \beta_j \neq 0\) untuk \(j = 1, 2, 3\).
  2. Taraf nyata: \(\alpha = 5\%\).
  3. Statistik uji: \(t_j = \hat{\beta}_j / SE(\hat{\beta}_j)\); hasilnya \(t_1 =\) -14,599, \(t_2 =\) -17,371, dan \(t_3 =\) -5,917.
  4. Kriteria: tolak \(H_0\) jika \(|t_{hitung}| > t_{(0{,}025;\,36)} =\) 2,028 atau \(p\)-value \(< \alpha\).
  5. Kesimpulan: nilai \(|t_{hitung}|\) untuk \(X_1\), \(X_2\), dan \(X_3\) seluruhnya lebih besar dari 2,028 dengan \(p\)-value berturut-turut < 2,2e-16, < 2,2e-16, dan 8,981e-07 (semuanya \(< 0{,}05\)), sehingga \(H_0\) ditolak untuk ketiganya. Tenaga mesin, berat kendaraan, dan volume mesin masing-masing berpengaruh signifikan terhadap konsumsi bahan bakar pada taraf nyata 5%.

Catatan: \(X_3\) hanya berkorelasi lemah dengan \(Y\) secara marginal (Tabel 4.2), tetapi tetap signifikan setelah pengaruh \(X_1\) dan \(X_2\) dikendalikan.

4.6 Pengujian Asumsi Klasik

4.6.1 Multikolinearitas (VIF)

vif_val <- vif(model)
kable(data.frame(Variabel = names(vif_val), VIF = round(vif_val, 4)),
      caption = "Tabel 4.7 Nilai VIF")
Tabel 4.7 Nilai VIF
Variabel VIF
X1 X1 1.0356
X2 X2 1.0764
X3 X3 1.0422

Nilai VIF untuk \(X_1\), \(X_2\), dan \(X_3\) berturut-turut 1,0356, 1,0764, dan 1,0422. Seluruhnya \(< 10\) (bahkan mendekati 1), sehingga tidak terdapat masalah multikolinearitas.

4.6.2 Heteroskedastisitas (Breusch–Pagan)

bp <- bptest(model)
bp
## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 2.971, df = 3, p-value = 0.3961
  1. \(H_0\): ragam galat konstan (homoskedastisitas); \(H_1\): ragam galat tidak konstan.
  2. \(\alpha = 5\%\).
  3. Statistik uji: \(BP =\) 2,971, derajat bebas 3, \(p\)-value 0,3961.
  4. Kriteria: tolak \(H_0\) jika \(p\)-value \(< \alpha\).
  5. Kesimpulan: karena \(p\)-value 0,3961 \(>\) 0,05, maka \(H_0\) gagal ditolak. Pada taraf nyata 5% tidak terjadi heteroskedastisitas; ragam galat konstan (homoskedastisitas).

4.6.3 Autokorelasi (Durbin–Watson)

dw <- dwtest(model)
dw
## 
##  Durbin-Watson test
## 
## data:  model
## DW = 1.662, p-value = 0.1265
## alternative hypothesis: true autocorrelation is greater than 0
  1. \(H_0\): tidak ada autokorelasi; \(H_1\): ada autokorelasi.
  2. \(\alpha = 5\%\).
  3. Statistik uji: \(DW =\) 1,662, \(p\)-value 0,1265.
  4. Kriteria: tolak \(H_0\) jika \(p\)-value \(< \alpha\).
  5. Kesimpulan: karena \(p\)-value 0,1265 \(>\) 0,05, maka \(H_0\) gagal ditolak, artinya tidak terdapat autokorelasi pada galat.

Catatan: data ini bersifat cross-section (antarmobil) sehingga urutan observasi tidak memiliki makna waktu; uji Durbin–Watson dilakukan sebagai bagian dari rangkaian asumsi klasik yang diminta.

4.6.4 Normalitas Galat (Shapiro–Wilk)

sw <- shapiro.test(residuals(model))
sw
## 
##  Shapiro-Wilk normality test
## 
## data:  residuals(model)
## W = 0.99064, p-value = 0.9818
par(mfrow = c(1, 2))
qqPlot(model, main = "Q-Q Plot Residual", ylab = "Studentized residual")
## [1] 13 28
hist(residuals(model), breaks = 10, col = "lightblue",
     main = "Histogram Residual", xlab = "Residual")

par(mfrow = c(1, 1))
  1. \(H_0\): galat berdistribusi normal; \(H_1\): galat tidak berdistribusi normal.
  2. \(\alpha = 5\%\).
  3. Statistik uji: \(W =\) 0,99064, \(p\)-value 0,9818.
  4. Kriteria: tolak \(H_0\) jika \(p\)-value \(< \alpha\).
  5. Kesimpulan: karena \(p\)-value 0,9818 \(>\) 0,05, maka \(H_0\) gagal ditolak; galat berdistribusi normal. Titik-titik pada Q-Q plot mengikuti garis acuan dan histogram residual berbentuk simetris menyerupai lonceng, yang mendukung hasil uji.

Ringkasan asumsi klasik: keempat asumsi (tidak ada multikolinearitas, homoskedastisitas, tidak ada autokorelasi, dan galat normal) terpenuhi, sehingga model layak diinterpretasikan.

4.7 Evaluasi Model: Identifikasi dan Pengujian Outlier

4.7.1 Influence Plot

inf <- influencePlot(model, main = "Gambar 4.2 Influence Plot",
                     sub = "Luas lingkaran sebanding dengan Cook's Distance")

inf
batas_hat <- 2 * p / n
cat("Batas leverage (2p/n):", batas_hat, "\n")
## Batas leverage (2p/n): 0.2
cat("Maks |StudRes|       :", max(abs(inf$StudRes)), "\n")
## Maks |StudRes|       : 2.775138
cat("Maks Hat             :", max(inf$Hat), "\n")
## Maks Hat             : 0.1982313
cat("Maks Cook's D        :", max(inf$CookD), "\n")
## Maks Cook's D        : 0.2567561

Influence Plot menandai 4 observasi (nomor 3, 13, 28, 38). Berdasarkan nilai studentized residual, observasi yang memiliki \(|StudRes| > 2\) adalah nomor 13 dan 28, sehingga keduanya berpotensi outlier pada arah \(Y\); yang terbesar adalah observasi ke-28 (\(StudRes =\) 2,7751). Berdasarkan leverage, batas \(2p/n = 2(4)/40 =\) 0,20, dan nilai \(Hat\) tertinggi adalah 0,1982 (observasi ke-38), masih di bawah batas sehingga tidak ada outlier pada arah \(X\). Berdasarkan Cook’s Distance, nilai terbesar 0,2568 jauh di bawah 1, sehingga tidak ada observasi yang berpengaruh besar terhadap model.

4.7.2 Uji Bonferroni

ot <- outlierTest(model)
ot
## No Studentized residuals with Bonferroni p < 0.05
## Largest |rstudent|:
##    rstudent unadjusted p-value Bonferroni p
## 28 2.775138          0.0087957      0.35183
alpha <- 0.05
t_krit <- qt(1 - alpha / (2 * n), n - p - 1)
t_krit
## [1] 3.511036

Observasi dengan studentized deleted residual terbesar adalah observasi ke-28. Pengujian dilakukan sebagai berikut.

  1. \(H_0\): observasi ke-28 bukan outlier; \(H_1\): observasi tersebut adalah outlier.
  2. \(\alpha = 5\%\).
  3. Statistik uji: \(|t_i| =\) 2,7751; \(p\)-value tanpa koreksi 0,008796; \(p\)-value Bonferroni 0,35183.
  4. Kriteria: tolak \(H_0\) jika \(|t_i| \geq t_{(\alpha/2n;\,n-p-1)} =\) 3,511 atau \(p_{Bonf} < \alpha\).
  5. Kesimpulan: karena \(|t_i| =\) 2,775 \(<\) 3,511 dan \(p_{Bonf} =\) 0,35183 \(>\) 0,05, maka \(H_0\) gagal ditolak. Pada taraf nyata 5% observasi ke-28 tidak terbukti sebagai outlier. Meskipun \(p\)-value tanpa koreksi (0,0088) lebih kecil dari 0,05, nilai tersebut belum memperhitungkan pengujian berganda terhadap 40 observasi, sehingga keputusan didasarkan pada \(p\)-value Bonferroni. Karena observasi dengan residual terbesar pun tidak signifikan, observasi lainnya (termasuk observasi ke-13) juga tidak terdeteksi sebagai outlier.

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

  1. Model regresi linier berganda yang diperoleh adalah \(\hat{Y} = 53{,}0044 -0{,}0516X_1 -0{,}0044X_2 -0{,}0113X_3\) dengan \(R^2_{adj} =\) 0,9183; ketiga variabel independen berhubungan negatif dengan konsumsi bahan bakar (mpg).
  2. Uji F menunjukkan model signifikan secara simultan (\(F =\) 147,128; \(p\)-value < 2,2e-16), dan Uji t menunjukkan tenaga mesin, berat kendaraan, serta volume mesin berpengaruh signifikan secara parsial pada \(\alpha = 5\%\).
  3. Seluruh asumsi klasik terpenuhi: tidak ada multikolinearitas (VIF \(< 10\)), tidak ada heteroskedastisitas (Breusch–Pagan), tidak ada autokorelasi (Durbin–Watson), dan galat berdistribusi normal (Shapiro–Wilk).
  4. Influence Plot menandai observasi ke-28 dan ke-13 sebagai kandidat outlier pada arah \(Y\), tetapi Uji Bonferroni tidak membuktikan adanya outlier, dan tidak ada observasi dengan leverage tinggi maupun Cook’s Distance \(> 1\). Dengan demikian model stabil dan layak digunakan.

5.2 Saran

  1. Penelitian selanjutnya dapat menambah variabel independen lain yang relevan (misalnya jumlah silinder atau jenis transmisi) untuk menjelaskan sisa keragaman \(Y\).
  2. Disarankan menggunakan data dengan sumber yang terdokumentasi jelas agar hasil analisis dapat ditelusuri dan diverifikasi.
  3. Penulisan sintaks perlu dilakukan dengan teliti karena kesalahan kecil dapat menghentikan proses knit.

DAFTAR PUSTAKA

Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica, 47(5), 1287–1294.

Cook, R. D. (1977). Detection of influential observation in linear regression. Technometrics, 19(1), 15–18.

Durbin, J., & Watson, G. S. (1951). Testing for serial correlation in least squares regression II. Biometrika, 38(1–2), 159–178.

Fox, J., & Weisberg, S. (2019). An R Companion to Applied Regression (3rd ed.). Thousand Oaks, CA: Sage.

Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). New York: McGraw-Hill/Irwin.

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to Linear Regression Analysis (6th ed.). Hoboken, NJ: Wiley.

Novianti, P. (2025). Modul Praktikum Komputasi Statistika. Bengkulu: Laboratorium FMIPA Universitas Bengkulu.

Rini, D. S. (2026). Modul Praktikum Analisis Regresi dan Korelasi. Bengkulu: Laboratorium Matematika FMIPA Universitas Bengkulu.

Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3–4), 591–611.

Xie, Y., Allaire, J. J., & Grolemund, G. (2018). R Markdown: The Definitive Guide. Boca Raton, FL: Chapman & Hall/CRC.


LAMPIRAN

Lampiran 1. Data Penelitian

Data lengkap 40 observasi (Y = mpg, X1 = hp, X2 = wt, X3 = disp)
Nama_Mobil Y X1 X2 X3
Toyota Corolla 35.38 54 2321 397.7
Honda Civic 32.55 58 3007 419.0
Ford Mustang 23.38 120 4418 342.9
Volkswagen Golf 34.37 74 2660 272.7
Mazda 323 37.36 52 2100 294.5
Nissan Sentra 36.52 148 1913 120.8
Chevrolet Camaro 31.29 186 1811 400.9
Toyota Camry 28.12 197 2334 351.4
Honda Accord 25.29 177 2899 338.5
BMW 320i 29.67 220 1931 195.1
Suzuki Swift 34.95 56 2730 249.3
Mitsubishi Lancer 33.59 153 1887 256.9
Chevrolet Malibu 26.39 60 4471 122.4
Mercedes-Benz 280 28.29 191 3521 86.9
Mazda 626 33.52 152 2004 181.3
Peugeot 504 28.55 69 3868 241.8
Volvo 240 28.54 177 2227 369.5
Ford Granada 26.97 203 2443 260.8
Toyota Celica 33.58 189 2114 105.8
Honda Fit 35.40 51 2902 73.3
Nissan Bluebird 29.57 140 3169 132.0
Daihatsu Charade 39.82 58 2452 126.1
Toyota Starlet 35.58 93 2850 99.2
Ford Escort 30.16 75 3688 206.5
Honda Prelude 36.16 91 2140 357.1
Chevrolet Impala 22.43 217 3850 260.2
Mazda Familia 35.82 120 1940 381.7
Toyota Corona 29.96 79 4121 348.6
Pontiac Firebird 28.75 211 3299 72.3
Volkswagen Passat 30.36 188 2247 297.0
Nissan Sunny 29.64 74 4297 93.6
Ford Torino 23.25 204 3135 417.3
Toyota Supra 34.13 194 1868 125.5
Honda City 36.20 96 2000 133.4
Mazda RX-7 34.75 102 2706 190.2
Mitsubishi Galant 26.21 102 4369 81.6
Subaru Leone 33.82 91 2683 289.9
Chevrolet Caprice 21.42 217 4466 178.2
Ford Maverick 28.06 216 2608 157.5
Opel Kadett 29.16 115 3499 246.7

Lampiran 2. Informasi Sesi R

## R version 4.5.3 (2026-03-11 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=English_United States.utf8 
## [2] LC_CTYPE=English_United States.utf8   
## [3] LC_MONETARY=English_United States.utf8
## [4] LC_NUMERIC=C                          
## [5] LC_TIME=English_United States.utf8    
## 
## time zone: Asia/Bangkok
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] knitr_1.51    lmtest_0.9-40 zoo_1.8-15    car_3.1-5     carData_3.0-6
## 
## loaded via a namespace (and not attached):
##  [1] vctrs_0.7.2        cli_3.6.5          rlang_1.1.7        xfun_0.57         
##  [5] Formula_1.2-6      otel_0.2.0         jsonlite_2.0.0     glue_1.8.0        
##  [9] htmltools_0.5.9    sass_0.4.10        scales_1.4.0       rmarkdown_2.31    
## [13] grid_4.5.3         evaluate_1.0.5     jquerylib_0.1.4    abind_1.4-8       
## [17] MASS_7.3-65        fastmap_1.2.0      yaml_2.3.12        lifecycle_1.0.5   
## [21] compiler_4.5.3     RColorBrewer_1.1-3 rstudioapi_0.19.0  farver_2.1.2      
## [25] lattice_0.22-9     digest_0.6.39      R6_2.6.1           bslib_0.10.0      
## [29] tools_4.5.3        cachem_1.1.0