| Nama | Imam Rizki |
| NPM | F1F025019 |
| Dosen Pengampu | Novi Puspita, S.Mat., M.Si.; Riwi Dyah Pangesti, S.Si., M.Si.; Susi Wijuniamurti, S.Si., M.Stat. |
| Asisten Praktikum | Jevelyn Olypiya (F1F024011); Nurhaliza (F1F024015); Nabila Destia Sapira (F1F024033); Rhefki Nurman Yuliansyah (F1F024050) |
Puji syukur ke hadirat Allah SWT atas segala rahmat dan karunia-Nya sehingga penyusun dapat menyelesaikan laporan praktikum Komputasi Statistika yang berjudul “Analisis Regresi Linier Berganda Jumlah Tamu Asing pada Hotel Bintang di Indonesia Tahun 2025” dengan baik dan tepat pada waktunya. Dalam penyusunan laporan praktikum ini tentu tak lepas dari pengarahan dan bimbingan dari berbagai pihak. Pada kesempatan ini penulis mengucapkan banyak terima kasih kepada yang terhormat, di antaranya:
Dalam penyusunan laporan ini, penulis menyadari bahwa hasil laporan praktikum ini masih jauh dari kata sempurna, sehingga kritik dan saran yang membangun sangat dibutuhkan. Akhir kata, penulis berharap semoga laporan ini dapat bermanfaat dan menambah pengetahuan bagi pembaca.
Bengkulu, 18 November 2026
Imam Rizki
Analisis regresi adalah metode statistika yang digunakan untuk mengetahui pola hubungan antara satu variabel tak bebas dengan satu atau lebih variabel bebas. Hubungan tersebut dinyatakan dalam bentuk persamaan matematis sehingga dapat dimanfaatkan untuk menjelaskan pengaruh maupun melakukan peramalan. Berdasarkan banyaknya variabel bebas, regresi linier dibedakan menjadi regresi linier sederhana (satu variabel bebas) dan regresi linier berganda (dua atau lebih variabel bebas).
Model regresi linier berganda yang diduga dengan metode kuadrat terkecil (Ordinary Least Squares, OLS) hanya menghasilkan penduga yang bersifat BLUE (Best Linear Unbiased Estimator) apabila asumsi-asumsi klasik terpenuhi, yaitu tidak adanya multikolinieritas, heteroskedastisitas, dan autokorelasi, serta galat yang berdistribusi normal (Mardiatmoko, 2020). Setelah model terbentuk, kelayakan model diuji secara simultan dengan Uji F dan secara parsial dengan Uji t untuk mengetahui apakah variabel bebas berpengaruh signifikan terhadap variabel tak bebas (Rosyidah dkk., 2018).
Selain asumsi klasik, kualitas model regresi juga dipengaruhi oleh keberadaan pencilan (outlier) dan pengamatan berpengaruh. Outlier adalah pengamatan yang menyimpang jauh dari pola data lainnya sehingga dapat membuat penduga parameter menjadi tidak akurat (Makkulau & Linuih, 2023). Oleh karena itu, evaluasi model perlu dilengkapi dengan identifikasi outlier menggunakan influence plot dan pengujian formal dengan uji Bonferroni.
Pada praktikum ini digunakan data sekunder dari Badan Pusat Statistik (BPS) mengenai jumlah tamu asing pada hotel bintang di 35 provinsi di Indonesia tahun 2025. Jumlah tamu asing dipengaruhi oleh kapasitas akomodasi, seperti jumlah kamar dan tempat tidur hotel bintang, serta tingkat hunian akomodasi lainnya. Seluruh analisis dikerjakan dengan program R dalam format R Markdown agar prosesnya dapat direproduksi.
Berdasarkan latar belakang di atas, rumusan masalah dalam praktikum ini adalah:
Tujuan praktikum ini adalah:
Bagi penulis, praktikum ini menambah pemahaman dan keterampilan dalam menerapkan analisis regresi linier berganda, uji asumsi klasik, uji signifikansi parameter, dan deteksi outlier dengan program R.
Bagi pembaca, laporan ini dapat menjadi referensi dan panduan langkah demi langkah dalam menyusun analisis regresi linier berganda yang lengkap dan dapat direproduksi.
Batasan masalah pada praktikum ini adalah penyusunan laporan analisis regresi dalam format R Markdown dengan sistematika Bab I (Pendahuluan), Bab II (Tinjauan Pustaka), Bab III (Metode Penelitian), Bab IV (Hasil dan Pembahasan), Bab V (Kesimpulan dan Saran), dan Daftar Pustaka. Analisis mencakup pengumpulan dan pemilihan data sekunder (minimal 35 observasi dan 3 variabel bebas), 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. Taraf signifikansi yang digunakan adalah \(\alpha = 5\%\).
Regresi linier berganda adalah model yang menjelaskan hubungan satu variabel tak bebas (response, \(Y\)) dengan dua atau lebih variabel bebas (prediktor, \(X_1, X_2, \ldots, X_k\)). Tujuannya adalah memprediksi nilai \(Y\) apabila nilai prediktor diketahui serta mengetahui arah hubungan antarvariabel (Yuliara, 2016). Model populasinya dinyatakan sebagai
\[Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \cdots + \beta_k X_{ki} + \varepsilon_i, \qquad i = 1, 2, \ldots, n \tag{2.1}\]
dengan \(\beta_0\) konstanta, \(\beta_j\) koefisien regresi, dan \(\varepsilon_i\) galat. Dalam bentuk matriks, \(\mathbf{y} = \mathbf{X}\boldsymbol{\beta} + \boldsymbol{\varepsilon}\), dan penduga OLS diperoleh dari
\[\hat{\boldsymbol{\beta}} = (\mathbf{X}^\top\mathbf{X})^{-1}\mathbf{X}^\top\mathbf{y} \tag{2.2}\]
Koefisien bernilai positif menunjukkan hubungan searah, bernilai negatif menunjukkan hubungan berlawanan arah, dan bernilai nol menunjukkan tidak adanya pengaruh. Koefisien determinasi \(R^2 = 1 - \text{JKG}/\text{JKT}\) mengukur proporsi keragaman \(Y\) yang dijelaskan model, sedangkan \(R^2_{adj}\) mengoreksinya terhadap banyaknya variabel bebas.
Multikolinieritas adalah keadaan ketika terdapat korelasi yang tinggi atau sempurna antarvariabel bebas. Multikolinieritas yang tinggi membuat galat baku koefisien membesar sehingga koefisien menjadi kurang tepat diestimasi (Agustuty dkk., 2024). Deteksinya menggunakan Variance Inflation Factor (VIF):
\[VIF_j = \frac{1}{1 - R_j^2} \tag{2.3}\]
dengan \(R_j^2\) adalah koefisien determinasi dari regresi \(X_j\) terhadap variabel bebas lainnya. Nilai \(VIF > 10\) menandakan adanya multikolinieritas.
Heteroskedastisitas adalah keadaan ketika ragam galat tidak konstan. Pengujian dapat dilakukan dengan uji Breusch-Pagan, yang meregresikan kuadrat residual terhadap variabel bebas, dengan statistik uji \(BP = nR^2_{aux}\) yang menyebar \(\chi^2_k\) di bawah \(H_0\) (Rini, 2026). Hipotesisnya: \(H_0\): ragam galat konstan (homoskedastisitas) dan \(H_1\): ragam galat tidak konstan (heteroskedastisitas).
Autokorelasi adalah korelasi antarresidual pada pengamatan yang berurutan. Masalah ini umumnya muncul pada data runtun waktu, sedangkan pada data cross section relatif jarang terjadi (Janie, 2012). Pengujian dapat dilakukan dengan statistik Durbin-Watson, \(d = \sum_{t=2}^{n}(e_t - e_{t-1})^2 / \sum_{t=1}^{n} e_t^2\), atau uji Breusch-Godfrey dengan \(H_0\): tidak ada autokorelasi (Mardiatmoko, 2020).
Uji normalitas menguji apakah residual berdistribusi normal. Asumsi ini diperlukan agar Uji t dan Uji F valid, terutama pada sampel kecil (Janie, 2012). Pengujian dapat dilakukan secara grafik (Normal Q-Q Plot) maupun uji formal Shapiro-Wilk dengan \(H_0\): residual berdistribusi normal.
Uji F menguji apakah model regresi secara keseluruhan layak, yaitu apakah setidaknya satu variabel bebas berpengaruh terhadap variabel tak bebas (Anandari, 2023). Hipotesisnya:
\[H_0: \beta_1 = \beta_2 = \cdots = \beta_k = 0 \qquad H_1: \text{minimal ada satu } \beta_j \neq 0\]
Statistik uji \(F = \text{KTR}/\text{KTG}\) dengan derajat bebas \(k\) dan \(n-k-1\). \(H_0\) ditolak apabila \(F_{hit} > F_{tabel}\) atau \(p\text{-value} < \alpha\) (Chamidah, 2020; Adnyani dkk., 2020).
Uji t menguji pengaruh masing-masing variabel bebas secara individual terhadap variabel tak bebas (Firmansyah & Triastie, 2021). Hipotesisnya \(H_0: \beta_j = 0\) dan \(H_1: \beta_j \neq 0\), dengan statistik uji
\[t_j = \frac{b_j}{SE(b_j)} \tag{2.4}\]
\(H_0\) ditolak jika \(|t_j| > t_{\alpha/2;\,n-k-1}\) atau \(p\text{-value} < \alpha\) (Wahyono, 2021).
Outlier adalah pengamatan yang menyimpang jauh dari pola umum data dan dapat membuat penduga OLS menjadi tidak akurat (Makkulau & Linuih, 2023). Membuang outlier secara langsung bukan solusi yang ideal karena outlier mungkin mengandung informasi penting. Alternatifnya adalah transformasi data atau regresi robust (Kholifaturokhma, 2019; Nursiyono & Nadeak, 2016). Ukuran yang digunakan (Rini, 2026):
Data yang digunakan adalah data kuantitatif sekunder dengan unit analisis provinsi di Indonesia tahun 2025. Data diperoleh dari situs resmi Badan Pusat Statistik (BPS), yaitu:
| Simbol | Variabel | Satuan | Peran |
|---|---|---|---|
| Y | Jumlah tamu asing pada hotel bintang | orang | Tak bebas (dependen) |
| X1 | Jumlah kamar hotel bintang | unit | Bebas (independen) |
| X2 | TPK hotel nonbintang dan akomodasi lainnya | persen | Bebas (independen) |
| X3 | Jumlah tempat tidur hotel bintang | unit | Bebas (independen) |
Pemilihan data dilakukan berdasarkan ketentuan batasan masalah, yaitu minimal 35 observasi dan minimal 3 variabel bebas. Tahapannya:
lm().influencePlot() dan uji Bonferroni dengan
outlierTest(), serta analisis sensitivitas. [ MULAI ]
|
v
[ Input data sekunder BPS (35 provinsi) ]
|
v
[ Definisikan variabel X1, X2, X3 dan Y ]
|
v
[ Eksplorasi data dan statistik deskriptif ]
|
v
[ Pembentukan dan estimasi model regresi ]
|
v
[ Uji asumsi klasik ]
| Multikolinieritas : VIF > 10 ?
| Heteroskedastisitas, Autokorelasi, Normalitas : p-value < alpha ?
| Ya --> Tolak H0 (asumsi dilanggar)
| Tidak --> Terima H0 (asumsi terpenuhi)
|
v
[ Uji F dan Uji t : p-value < alpha ? ]
| Ya --> Tolak H0 (berpengaruh signifikan)
| Tidak --> Terima H0
|
v
[ Influence plot dan uji Bonferroni : p-Bonferroni < alpha ? ]
| Ya --> Tolak H0 (kasus merupakan outlier)
| Tidak --> Terima H0 (bukan outlier)
|
v
[ Kesimpulan ] --> [ SELESAI ]
Data hasil pengumpulan dan pemilihan disimpan dalam objek
data_hotel. Nilai pada setiap baris merupakan data tahun
2025 untuk masing-masing provinsi (lihat juga Lampiran 1).
data_hotel <- data.frame(
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"
),
X1 = c(
3553, 13570, 5895, 9614, 3242, 9238, 1192, 5008, 4130, 12539, 55092, 61560, 35464,
21467, 42389, 17426, 84500, 13636, 5058, 5283, 2694, 5643, 7128, 375, 5813, 1782,
14431, 1992, 672, 375, 2041, 1133, 695, 1473, 2476
),
X2 = c(
18, 24, 16, 26, 20, 22, 18, 24, 15, 32, 42, 23, 23, 23, 22, 25, 43, 30, 16, 29, 22, 23,
25, 26, 25, 17, 18, 17, 15, 20, 16, 19, 16, 14, 22
),
X3 = c(
5350, 18689, 8003, 13264, 4433, 12940, 1800, 7213, 5944, 16730, 85296, 90901, 51975,
31737, 60453, 25992, 106533, 16690, 6839, 7221, 4227, 7963, 10129, 596, 7930, 2523,
20674, 2917, 1021, 556, 3235, 1385, 892, 2247, 3507
),
Y = c(
18762, 175545, 45585, 27615, 5275, 9829, 583, 7875, 8361, 985738, 1374802, 392680,
130997, 204692, 472615, 319217, 5987141, 508075, 197725, 39177, 7751, 8199, 22078,
1432, 98085, 1927, 35813, 4569, 1815, 145, 16050, 2067, 566, 25167, 3949
),
stringsAsFactors = FALSE
)
n <- nrow(data_hotel) # banyaknya observasi
k <- 3 # banyaknya variabel bebas
alpha <- 0.05| Provinsi | X1 | X2 | X3 | Y |
|---|---|---|---|---|
| Aceh | 3.553 | 18 | 5.350 | 18.762 |
| Sumatera Utara | 13.570 | 24 | 18.689 | 175.545 |
| Sumatera Barat | 5.895 | 16 | 8.003 | 45.585 |
| Riau | 9.614 | 26 | 13.264 | 27.615 |
| Jambi | 3.242 | 20 | 4.433 | 5.275 |
| Sumatera Selatan | 9.238 | 22 | 12.940 | 9.829 |
| Bengkulu | 1.192 | 18 | 1.800 | 583 |
| Lampung | 5.008 | 24 | 7.213 | 7.875 |
| Kep. Bangka Belitung | 4.130 | 15 | 5.944 | 8.361 |
| Kep. Riau | 12.539 | 32 | 16.730 | 985.738 |
Data terdiri dari 35 observasi dan 3 variabel bebas, sehingga memenuhi ketentuan batasan masalah.
#> 'data.frame': 35 obs. of 5 variables:
#> $ Provinsi: chr "Aceh" "Sumatera Utara" "Sumatera Barat" "Riau" ...
#> $ X1 : num 3553 13570 5895 9614 3242 ...
#> $ X2 : num 18 24 16 26 20 22 18 24 15 32 ...
#> $ X3 : num 5350 18689 8003 13264 4433 ...
#> $ Y : num 18762 175545 45585 27615 5275 ...
#> Banyaknya nilai hilang (NA): 0
Seluruh variabel bertipe numerik dan tidak terdapat nilai hilang, sehingga data siap dianalisis tanpa proses imputasi.
par(mfrow = c(1, 4), mar = c(3, 4, 3, 1))
for (v in c("X1", "X2", "X3", "Y")) {
boxplot(data_hotel[[v]], main = v, col = "#9db4e8", border = "#1b2a6b")
}Gambar 4.1 Boxplot masing-masing variabel
par(mfrow = c(2, 2), mar = c(4, 4, 3, 1))
for (v in c("X1", "X2", "X3", "Y")) {
hist(data_hotel[[v]], main = paste("Histogram", v), xlab = v,
col = "#9db4e8", border = "white")
}Gambar 4.2 Histogram masing-masing variabel
Boxplot dan histogram memperlihatkan bahwa X1, X3, dan terutama Y memiliki sebaran yang sangat menjulur ke kanan dengan beberapa nilai ekstrem pada provinsi tertentu. Variabel X2 memiliki rentang yang lebih sempit dibandingkan variabel lainnya.
pairs(data_hotel[, c("X1", "X2", "X3", "Y")], pch = 19, col = "#1b2a6b",
main = "Diagram pencar antarvariabel")Gambar 4.3 Diagram pencar antarvariabel
kor <- cor(data_hotel[, c("X1", "X2", "X3", "Y")])
kable(round(kor, 3), caption = "Tabel 4.2 Matriks korelasi Pearson", format.args = list(decimal.mark = ","))| X1 | X2 | X3 | Y | |
|---|---|---|---|---|
| X1 | 1,000 | 0,670 | 0,995 | 0,759 |
| X2 | 0,670 | 1,000 | 0,656 | 0,691 |
| X3 | 0,995 | 0,656 | 1,000 | 0,700 |
| Y | 0,759 | 0,691 | 0,700 | 1,000 |
Ketiga variabel bebas berkorelasi positif dengan Y, yaitu 0,759 (X1), 0,691 (X2), dan 0,700 (X3). Terlihat pula korelasi yang sangat tinggi antara X1 dan X3 sebesar 0,995, yang merupakan indikasi awal adanya multikolinieritas. Hal ini wajar karena jumlah kamar dan jumlah tempat tidur hotel merupakan ukuran kapasitas yang hampir sama.
vars <- c("X1", "X2", "X3", "Y")
desk <- sapply(data_hotel[, vars], function(v) {
c(min(v), unname(quantile(v, 0.25)), median(v), mean(v),
unname(quantile(v, 0.75)), max(v), sd(v), skew(v))
})
desk_tbl <- data.frame(
Statistik = c("Minimum", "Kuartil 1", "Median", "Rata-rata", "Kuartil 3",
"Maksimum", "Simpangan baku", "Kemencengan"),
X1 = idn(desk[, "X1"]), X2 = idn(desk[, "X2"]),
X3 = idn(desk[, "X3"]), Y = idn(desk[, "Y"])
)
kable(desk_tbl, align = "lrrrr", caption = "Tabel 4.3 Statistik deskriptif")| Statistik | X1 | X2 | X3 | Y |
|---|---|---|---|---|
| Minimum | 375,00 | 14,00 | 556,00 | 145,00 |
| Kuartil 1 | 2.016,50 | 17,50 | 3.076,00 | 4.922,00 |
| Median | 5.283,00 | 22,00 | 7.221,00 | 22.078,00 |
| Rata-rata | 13.102,26 | 22,46 | 18.508,71 | 318.340,06 |
| Kuartil 3 | 13.603,00 | 25,00 | 17.709,50 | 186.635,00 |
| Maksimum | 84.500,00 | 43,00 | 106.533,00 | 5.987.141,00 |
| Simpangan baku | 19.546,09 | 6,73 | 27.230,31 | 1.029.630,42 |
| Kemencengan | 2,25 | 1,44 | 2,07 | 5,00 |
#> X1 X2 X3 Y
#> Min. : 375 Min. :14.00 Min. : 556 Min. : 145
#> 1st Qu.: 2016 1st Qu.:17.50 1st Qu.: 3076 1st Qu.: 4922
#> Median : 5283 Median :22.00 Median : 7221 Median : 22078
#> Mean :13102 Mean :22.46 Mean : 18509 Mean : 318340
#> 3rd Qu.:13603 3rd Qu.:25.00 3rd Qu.: 17710 3rd Qu.: 186635
#> Max. :84500 Max. :43.00 Max. :106533 Max. :5987141
Interpretasi.
#>
#> Call:
#> lm(formula = Y ~ X1 + X2 + X3, data = data_hotel)
#>
#> Residuals:
#> Min 1Q Median 3Q Max
#> -613080 -191079 69776 183592 808315
#>
#> Coefficients:
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -799332.41 218697.76 -3.655 0.000943 ***
#> X1 318.06 28.30 11.238 1.84e-12 ***
#> X2 34195.67 10716.92 3.191 0.003241 **
#> X3 -206.26 19.98 -10.323 1.49e-11 ***
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#>
#> Residual standard error: 308500 on 31 degrees of freedom
#> Multiple R-squared: 0.9182, Adjusted R-squared: 0.9102
#> F-statistic: 115.9 on 3 and 31 DF, p-value: < 2.2e-16
| Parameter | Estimasi | Galat baku | t hitung | p-value | Keputusan | |
|---|---|---|---|---|---|---|
| (Intercept) | Intersep (β₀) | -799.332,41 | 218.697,76 | -3,655 | 9,43 × 10-4 | Signifikan |
| X1 | X1 (β₁) | 318,06 | 28,30 | 11,238 | 1,84 × 10-12 | Signifikan |
| X2 | X2 (β₂) | 34.195,67 | 10.716,92 | 3,191 | 0,0032 | Signifikan |
| X3 | X3 (β₃) | -206,26 | 19,98 | -10,323 | 1,49 × 10-11 | Signifikan |
Persamaan regresi linier berganda yang terbentuk adalah
\[\hat{Y}_i = -799.332{,}41 + 318{,}06\,X_{1i} + 34.195{,}67\,X_{2i} - 206{,}26\,X_{3i}\]
Interpretasi koefisien.
Ukuran kecocokan model. Nilai \(R^2\) sebesar 0,9182 (91,82%) berarti X1, X2, dan X3 secara bersama-sama menjelaskan 91,82% keragaman Y, dan sisanya 8,18% dijelaskan faktor lain di luar model. Nilai \(R^2_{adj}\) sebesar 0,9102 menunjukkan kemampuan model tetap tinggi setelah memperhitungkan banyaknya variabel bebas. Residual standard error sebesar 308.494 orang menunjukkan simpangan residual model dalam satuan Y.
#> X1 X2 X3
#> 109.339609 1.856937 105.750084
Hipotesis: \(H_0\) tidak terdapat multikolinieritas (\(VIF \le 10\)) dan \(H_1\) terdapat multikolinieritas (\(VIF > 10\)). Kriteria: tolak \(H_0\) jika \(VIF > 10\).
| Variabel | VIF | Keputusan | |
|---|---|---|---|
| X1 | X1 | 109,34 | Multikolinieritas |
| X2 | X2 | 1,86 | Tidak ada multikolinieritas |
| X3 | X3 | 105,75 | Multikolinieritas |
Kesimpulan: nilai VIF X1 sebesar 109,34 dan X3 sebesar 105,75 jauh melebihi 10, sedangkan VIF X2 sebesar 1,86. Dengan demikian \(H_0\) ditolak untuk X1 dan X3, sehingga terdapat multikolinieritas antara X1 dan X3, dan asumsi tidak adanya multikolinieritas tidak terpenuhi.
#>
#> studentized Breusch-Pagan test
#>
#> data: regresi
#> BP = 20.104, df = 3, p-value = 0.0001615
plot(fitted(regresi), residuals(regresi), pch = 19, col = "#1b2a6b",
xlab = "Nilai dugaan (fitted)", ylab = "Residual",
main = "Residual vs Fitted")
abline(h = 0, lty = 2, col = "red")Gambar 4.4 Residual terhadap nilai dugaan
Hipotesis: \(H_0\) ragam galat konstan (homoskedastisitas); \(H_1\) ragam galat tidak konstan (heteroskedastisitas). Taraf signifikansi: \(\alpha = 5\%\). Kriteria: tolak \(H_0\) jika \(p\text{-value} \le \alpha\).
Statistik uji: \(BP\) = 20,104 dengan derajat bebas 3 dan \(p\text{-value}\) = 1,62 × 10-4.
Kesimpulan: karena \(p\text{-value} < 0{,}05\), \(H_0\) ditolak sehingga pada taraf 5% terdapat indikasi heteroskedastisitas. Gambar 4.4 dapat digunakan untuk memeriksa pola penyebaran residual secara visual. Asumsi homoskedastisitas tidak terpenuhi.
#>
#> Breusch-Godfrey test for serial correlation of order up to 1
#>
#> data: regresi
#> LM test = 0.89335, df = 1, p-value = 0.3446
#>
#> Durbin-Watson test
#>
#> data: regresi
#> DW = 2.3012, p-value = 0.7786
#> alternative hypothesis: true autocorrelation is greater than 0
Hipotesis: \(H_0\) tidak ada autokorelasi; \(H_1\) ada autokorelasi. Taraf signifikansi: \(\alpha = 5\%\). Kriteria: tolak \(H_0\) jika \(p\text{-value} \le \alpha\).
Statistik uji: Breusch-Godfrey \(LM\) = 0,8933 dengan \(p\text{-value}\) = 0,3446; Durbin-Watson \(d\) = 2,3012, yang mendekati 2.
Kesimpulan: karena \(p\text{-value}\) Breusch-Godfrey lebih besar dari 0,05, \(H_0\) tidak ditolak sehingga tidak terdapat autokorelasi. Hasil ini sesuai dengan sifat data cross section antarprovinsi, yang tidak memiliki urutan waktu. Asumsi tidak adanya autokorelasi terpenuhi.
#>
#> Shapiro-Wilk normality test
#>
#> data: residuals(regresi)
#> W = 0.97464, p-value = 0.5823
par(mfrow = c(1, 2))
qqnorm(residuals(regresi), pch = 19, col = "#1b2a6b", main = "Normal Q-Q Plot Residual")
qqline(residuals(regresi), col = "red", lwd = 2)
hist(residuals(regresi), breaks = 12, col = "#9db4e8", border = "white",
main = "Histogram Residual", xlab = "Residual")Gambar 4.5 Normal Q-Q plot dan histogram residual
Hipotesis: \(H_0\) residual berdistribusi normal; \(H_1\) residual tidak berdistribusi normal. Taraf signifikansi: \(\alpha = 5\%\). Kriteria: tolak \(H_0\) jika \(p\text{-value} \le \alpha\).
Statistik uji: \(W\) = 0,97464 dengan \(p\text{-value}\) = 0,5823.
Kesimpulan: karena \(p\text{-value} > 0{,}05\), \(H_0\) tidak ditolak sehingga residual berdistribusi normal. Asumsi normalitas terpenuhi.
| Asumsi | Uji | Hasil | Kesimpulan |
|---|---|---|---|
| Multikolinieritas | VIF | VIF X1 = 109,34; X3 = 105,75 | Tidak terpenuhi |
| Heteroskedastisitas | Breusch-Pagan | p = 1,62 × 10-4 | Tidak terpenuhi |
| Autokorelasi | Breusch-Godfrey | p = 0,3446 | Terpenuhi |
| Normalitas | Shapiro-Wilk | p = 0,5823 | Terpenuhi |
Model terpenuhi pada asumsi autokorelasi dan normalitas, tetapi belum memenuhi seluruh asumsi klasik karena masih terdapat multikolinieritas dan heteroskedastisitas. Konsekuensinya, penduga koefisien tetap tak bias, tetapi galat baku menjadi kurang tepat sehingga hasil Uji t perlu ditafsirkan dengan hati-hati.
#> value numdf dendf
#> 115.9156 3.0000 31.0000
Hipotesis: \(H_0: \beta_1 = \beta_2 = \beta_3 = 0\); \(H_1\): minimal ada satu \(\beta_j \neq 0\), \(j = 1, 2, 3\). Taraf signifikansi: \(\alpha = 5\%\). Kriteria: tolak \(H_0\) jika \(F_{hit} > F_{tabel}\) atau \(p\text{-value} < \alpha\).
Statistik uji: \(F_{hit}\) = 115,916 dengan derajat bebas 3 dan 31, sedangkan \(F_{tabel}\) = 2,911 dan \(p\text{-value}\) = 6,20 × 10-17.
Kesimpulan: karena \(F_{hit} > F_{tabel}\) dan \(p\text{-value} < 0{,}05\), \(H_0\) ditolak. Pada taraf 5%, X1, X2, dan X3 secara bersama-sama berpengaruh signifikan terhadap Y sehingga model regresi layak digunakan.
t_tabel <- qt(1 - alpha / 2, df = regresi$df.residual)
uji_t <- data.frame(
Variabel = c("X1", "X2", "X3"),
`t hitung` = idn(koef[-1, 3], 3),
`t tabel` = idn(t_tabel, 3),
`p-value` = pfmt(koef[-1, 4]),
Keputusan = ifelse(koef[-1, 4] < alpha, "Tolak H0", "Terima H0"),
check.names = FALSE
)
kable(uji_t, align = "lrrrl", caption = "Tabel 4.7 Hasil Uji t")| Variabel | t hitung | t tabel | p-value | Keputusan | |
|---|---|---|---|---|---|
| X1 | X1 | 11,238 | 2,040 | 1,84 × 10-12 | Tolak H0 |
| X2 | X2 | 3,191 | 2,040 | 0,0032 | Tolak H0 |
| X3 | X3 | -10,323 | 2,040 | 1,49 × 10-11 | Tolak H0 |
Untuk setiap variabel bebas \(X_j\) digunakan hipotesis \(H_0: \beta_j = 0\) dan \(H_1: \beta_j \neq 0\) pada \(\alpha = 5\%\), dengan kriteria tolak \(H_0\) jika \(|t_{hit}| > t_{\alpha/2;\,n-k-1}\) = 2,040 atau \(p\text{-value} < \alpha\).
Dengan demikian ketiga variabel bebas berpengaruh signifikan secara parsial pada taraf 5%. Perlu dicatat bahwa pengaruh X1 dan X3 yang berlawanan arah dengan galat baku yang besar merupakan konsekuensi dari multikolinieritas di antara keduanya.
inf_plot <- influencePlot(regresi, main = "Influence Plot",
sub = "Ukuran lingkaran sebanding dengan Cook's distance")Gambar 4.6 Influence plot (sumbu x: hat value, sumbu y: studentized residual, ukuran lingkaran: Cook’s distance)
#> StudRes Hat CookD
#> 11 7.089685 0.6463517 8.870214
#> 17 8.014698 0.9150648 56.914927
Ambang yang digunakan untuk menandai pengamatan yang perlu diperhatikan adalah \(|t_i| > 2\) (studentized residual), \(h_{ii} > 2p/n\) = 0,2286 (leverage), dan \(D_i > 4/n\) = 0,1143 (Cook’s distance).
infl <- data.frame(
No = seq_len(n),
Provinsi = data_hotel$Provinsi,
StudRes = rstudent(regresi),
Hat = hatvalues(regresi),
CookD = cooks.distance(regresi)
)
ambang_hat <- 2 * (k + 1) / n
ambang_cook <- 4 / n
flag_res <- abs(infl$StudRes) > 2
flag_hat <- infl$Hat > ambang_hat
flag_cook <- infl$CookD > ambang_cook
infl$Keterangan <- sapply(seq_len(n), function(i) {
paste(c(if (flag_res[i]) "residual besar",
if (flag_hat[i]) "leverage tinggi",
if (flag_cook[i]) "berpengaruh"), collapse = ", ")
})
infl_tandai <- infl[infl$Keterangan != "", ]
infl_tandai <- infl_tandai[order(-infl_tandai$CookD), ]| No | Provinsi | StudRes | Hat | CookD | Keterangan |
|---|---|---|---|---|---|
| 17 | Bali | 8,015 | 0,9151 | 56,9149 | residual besar, leverage tinggi, berpengaruh |
| 11 | Dki Jakarta | 7,090 | 0,6464 | 8,8702 | residual besar, leverage tinggi, berpengaruh |
| 12 | Jawa Barat | -1,888 | 0,4227 | 0,6026 | leverage tinggi, berpengaruh |
| 15 | Jawa Timur | -1,807 | 0,1585 | 0,1433 | berpengaruh |
| 18 | Nusa Tenggara Barat | -2,238 | 0,1098 | 0,1368 | residual besar, berpengaruh |
Interpretasi. Pengamatan yang paling menonjol pada influence plot adalah Bali (observasi ke-17) dengan studentized residual 8,015, hat value 0,9151, dan Cook’s distance 56,91, serta DKI Jakarta (observasi ke-11) dengan studentized residual 7,090, hat value 0,6464, dan Cook’s distance 8,87. Keduanya memiliki residual yang sangat besar, leverage yang jauh di atas ambang, dan Cook’s distance yang melebihi 1, sehingga sangat memengaruhi garis regresi. Pengamatan lain yang melampaui ambang (misalnya Jawa Barat dengan leverage tinggi) memiliki pengaruh yang jauh lebih kecil.
#> rstudent unadjusted p-value Bonferroni p
#> 17 8.014698 6.0319e-09 2.1112e-07
#> 11 7.089685 6.9607e-08 2.4363e-06
Untuk memastikan hasilnya, \(p\)-value Bonferroni dihitung secara manual dari studentized deleted residual dengan derajat bebas \(n-p-1\):
rst <- rstudent(regresi)
p_unadj <- 2 * pt(abs(rst), df = regresi$df.residual - 1, lower.tail = FALSE)
p_bonf <- pmin(1, n * p_unadj)
bon <- data.frame(No = seq_len(n), Provinsi = data_hotel$Provinsi,
rstudent = rst, p_tak_terkoreksi = p_unadj, p_Bonferroni = p_bonf)
bon <- bon[order(-abs(bon$rstudent)), ][1:3, ]| No | Provinsi | rstudent | p tak terkoreksi | p Bonferroni | Keputusan |
|---|---|---|---|---|---|
| 17 | Bali | 8,015 | 6,03 × 10-9 | 2,11 × 10-7 | Tolak H0 (outlier) |
| 11 | Dki Jakarta | 7,090 | 6,96 × 10-8 | 2,44 × 10-6 | Tolak H0 (outlier) |
| 18 | Nusa Tenggara Barat | -2,238 | 0,0328 | 1,0000 | Terima H0 |
Hipotesis: \(H_0\) kasus ke-\(i\) bukan outlier; \(H_1\) kasus ke-\(i\) merupakan outlier. Taraf signifikansi: \(\alpha = 5\%\). Statistik uji: \(t_i = e_i\sqrt{\dfrac{n-p-1}{SSE(1-h_{ii}) - e_i^2}}\) dengan \(p\)-value yang dikoreksi Bonferroni (\(n \times p_i\)). Kriteria: tolak \(H_0\) jika \(p_{Bonferroni} \le \alpha\).
Kesimpulan: pada taraf 5%, Bali (rstudent 8,015, \(p_{Bonf}\) = 2,11 × 10-7) dan DKI Jakarta (rstudent 7,090, \(p_{Bonf}\) = 2,44 × 10-6) terbukti merupakan outlier, sedangkan pengamatan dengan rstudent terbesar ketiga (Nusa Tenggara Barat, \(p_{Bonf}\) = 1,000) bukan outlier. Hasil ini konsisten dengan influence plot. Secara substantif, Bali dan DKI Jakarta adalah destinasi utama wisatawan mancanegara dengan jumlah tamu yang jauh melampaui provinsi lain, sehingga nilai tersebut bukan kesalahan pengukuran, melainkan karakteristik nyata data.
Karena outlier tidak boleh dibuang begitu saja, dampaknya dievaluasi dengan membandingkan model awal dengan model tanpa Bali dan tanpa Bali serta DKI Jakarta.
reg_tanpa_bali <- update(regresi, data = data_hotel[-17, ])
reg_tanpa_bali_dki <- update(regresi, data = data_hotel[-c(17, 11), ])
ringkas_model <- function(m, label) {
s <- summary(m); p <- s$coefficients[, 4]
data.frame(Model = label, n = nobs(m),
`R² adj.` = idn(s$adj.r.squared, 4),
`p X1` = pfmt(p["X1"]), `p X2` = pfmt(p["X2"]), `p X3` = pfmt(p["X3"]),
`p Shapiro-Wilk` = pfmt(shapiro.test(residuals(m))$p.value),
check.names = FALSE)
}
sens <- rbind(
ringkas_model(regresi, "Model awal"),
ringkas_model(reg_tanpa_bali, "Tanpa Bali"),
ringkas_model(reg_tanpa_bali_dki, "Tanpa Bali dan DKI Jakarta")
)
kable(sens, align = "lrrrrrr", row.names = FALSE,
caption = "Tabel 4.10 Perbandingan model awal dan model tanpa pengamatan berpengaruh")| Model | n | R² adj. | p X1 | p X2 | p X3 | p Shapiro-Wilk |
|---|---|---|---|---|---|---|
| Model awal | 35 | 0,9102 | 1,84 × 10-12 | 0,0032 | 1,49 × 10-11 | 0,5823 |
| Tanpa Bali | 34 | 0,6515 | 0,8520 | 8,51 × 10-5 | 0,7153 | 0,0661 |
| Tanpa Bali dan DKI Jakarta | 33 | 0,5402 | 0,0046 | 0,0938 | 0,0060 | 2,23 × 10-5 |
Setelah Bali dikeluarkan, \(R^2_{adj}\) turun tajam dan X1 serta X3 tidak lagi signifikan; setelah Bali dan DKI Jakarta dikeluarkan, signifikansi berpindah (X1 dan X3 signifikan, X2 tidak signifikan) dan residual tidak lagi berdistribusi normal. Perubahan besar pada koefisien dan signifikansi ini menunjukkan bahwa kesimpulan model awal sangat dipengaruhi oleh dua pengamatan, terutama Bali yang memiliki leverage hampir 1. Oleh karena itu, pengamatan tersebut tidak dibuang, melainkan dicatat sebagai keterbatasan model dan penanganannya diusulkan pada saran.
Model regresi yang terbentuk signifikan secara simultan (Uji F) dan ketiga variabel bebasnya signifikan secara parsial (Uji t) dengan \(R^2_{adj}\) yang tinggi. Namun, kualitas model perlu dilihat lebih hati-hati:
Secara keseluruhan, model menunjukkan bahwa kapasitas akomodasi berhubungan kuat dengan jumlah tamu asing, tetapi model ini belum dapat dianggap BLUE dan interpretasi koefisien individual (terutama X1 dan X3) harus dilakukan dengan hati-hati.
Adnyani, N. P. S., Endiana, I. D. M., & Arizona, P. E. (2020). Pengaruh Penerapan Good Corporate Governance dan Corporate Social Responsibility terhadap Kinerja Perusahaan. Jurnal Kharisma.
Agustuty, L., Thaha, S., & Afriyani, A. (2024). Determinan struktur modal pada bank syariah di Indonesia. YUME: Journal of Management, 7(3), 135–145.
Anandari, A. A. (2023). Analisis Regresi Deret Fourier: Aplikasi Data Curah Hujan. Jakarta: CV Jejak.
Badan Pusat Statistik (BPS). (2026). Jumlah Akomodasi, Kamar, dan Tempat Tidur yang Tersedia pada Hotel Bintang, 2025. Badan Pusat Statistik Republik Indonesia.
Badan Pusat Statistik (BPS). (2026). Jumlah Tamu Asing pada Hotel Bintang, 2025. Badan Pusat Statistik Republik Indonesia.
Badan Pusat Statistik (BPS). (2026). Tingkat Penghunian Kamar Hotel (Persen), 2025. Badan Pusat Statistik Republik Indonesia. (Data TPK hotel nonbintang dan akomodasi lainnya digunakan sebagai variabel X2).
Chamidah, S. (2020). Pengaruh Kepemimpinan, Kedisiplinan, dan Lingkungan Kerja terhadap Prestasi Kerja Guru. ASET: Jurnal Manajemen dan Bisnis.
Firmansyah, A., & Triastie, G. A. (2021). Bagaimana Peran Tata Kelola Perusahaan dalam Penghindaran Pajak, Pengungkapan Risiko, Efisiensi Investasi? Indramayu: Penerbit ADAB.
Janie, D. N. A. (2012). Statistik Deskriptif & Regresi Linier Berganda dengan SPSS. Semarang: Semarang University Press.
Kholifaturokhma, E. L. (2019). Regresi Robust pada Data Inflasi di Indonesia. Jurnal Kajian dan Terapan Matematika, 7(1), 9–19.
Makkulau & Linuih. (2023). Pendeteksian Outlier pada Pengamatan dalam Model Linear Multivariat dengan Metode Likelihood Displacement Statistic-Lagrange. Jurnal Teknik Industri, 12(2), 95–100.
Mardiatmoko, G. (2020). Pentingnya Uji Asumsi Klasik pada Analisis Regresi Linier Berganda (Studi Kasus Penyusunan Persamaan Allometrik Kenari Muda [Canarium indicum L.]). BAREKENG: Jurnal Ilmu Matematika dan Terapan, 14(3), 333–342.
Nursiyono, J. A., & Nadeak, P. (2016). Setetes Ilmu Regresi Linier. Malang: Media Nusa Creative.
Rini, D. S. (2026). Modul Praktikum Analisis Regresi dan Korelasi. Bengkulu: Laboratorium Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Bengkulu.
Rosyidah, H., Rahmawati, R., & Prahutama, A. (2018). Pemodelan Vektor Autoregressive X (VarX) untuk Meramalkan Jumlah Uang Beredar di Indonesia. Jurnal Gaussian.
Wahyono, K. (2021). Analisis Regresi Sederhana dan Berganda. Yogyakarta: UAD Press.
Yuliara, I. M. (2016). Modul Regresi Linier Sederhana. Bali: Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana.
| Provinsi | X1 | X2 | X3 | Y |
|---|---|---|---|---|
| Aceh | 3.553 | 18 | 5.350 | 18.762 |
| Sumatera Utara | 13.570 | 24 | 18.689 | 175.545 |
| Sumatera Barat | 5.895 | 16 | 8.003 | 45.585 |
| Riau | 9.614 | 26 | 13.264 | 27.615 |
| Jambi | 3.242 | 20 | 4.433 | 5.275 |
| Sumatera Selatan | 9.238 | 22 | 12.940 | 9.829 |
| Bengkulu | 1.192 | 18 | 1.800 | 583 |
| Lampung | 5.008 | 24 | 7.213 | 7.875 |
| Kep. Bangka Belitung | 4.130 | 15 | 5.944 | 8.361 |
| Kep. Riau | 12.539 | 32 | 16.730 | 985.738 |
| Dki Jakarta | 55.092 | 42 | 85.296 | 1.374.802 |
| Jawa Barat | 61.560 | 23 | 90.901 | 392.680 |
| Jawa Tengah | 35.464 | 23 | 51.975 | 130.997 |
| Di Yogyakarta | 21.467 | 23 | 31.737 | 204.692 |
| Jawa Timur | 42.389 | 22 | 60.453 | 472.615 |
| Banten | 17.426 | 25 | 25.992 | 319.217 |
| Bali | 84.500 | 43 | 106.533 | 5.987.141 |
| Nusa Tenggara Barat | 13.636 | 30 | 16.690 | 508.075 |
| Nusa Tenggara Timur | 5.058 | 16 | 6.839 | 197.725 |
| Kalimantan Barat | 5.283 | 29 | 7.221 | 39.177 |
| Kalimantan Tengah | 2.694 | 22 | 4.227 | 7.751 |
| Kalimantan Selatan | 5.643 | 23 | 7.963 | 8.199 |
| Kalimantan Timur | 7.128 | 25 | 10.129 | 22.078 |
| Kalimantan Utara | 375 | 26 | 596 | 1.432 |
| Sulawesi Utara | 5.813 | 25 | 7.930 | 98.085 |
| Sulawesi Tengah | 1.782 | 17 | 2.523 | 1.927 |
| Sulawesi Selatan | 14.431 | 18 | 20.674 | 35.813 |
| Sulawesi Tenggara | 1.992 | 17 | 2.917 | 4.569 |
| Gorontalo | 672 | 15 | 1.021 | 1.815 |
| Sulawesi Barat | 375 | 20 | 556 | 145 |
| Maluku | 2.041 | 16 | 3.235 | 16.050 |
| Maluku Utara | 1.133 | 19 | 1.385 | 2.067 |
| Papua Barat | 695 | 16 | 892 | 566 |
| Papua Barat Daya | 1.473 | 14 | 2.247 | 25.167 |
| Papua | 2.476 | 22 | 3.507 | 3.949 |
library(car); library(lmtest)
# data_hotel: lihat chunk "data" pada Bab IV
summary(data_hotel[, c("X1", "X2", "X3", "Y")]) # statistik deskriptif
regresi <- lm(Y ~ X1 + X2 + X3, data = data_hotel) # model regresi
summary(regresi) # Uji F dan Uji t
vif(regresi) # multikolinieritas
bptest(regresi) # heteroskedastisitas
bgtest(regresi, order = 1); dwtest(regresi) # autokorelasi
shapiro.test(residuals(regresi)) # normalitas
influencePlot(regresi) # influence plot
outlierTest(regresi) # uji Bonferroni#> R version 4.5.1 (2025-06-13 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_Indonesia.utf8 LC_CTYPE=English_Indonesia.utf8
#> [3] LC_MONETARY=English_Indonesia.utf8 LC_NUMERIC=C
#> [5] LC_TIME=English_Indonesia.utf8
#>
#> time zone: Asia/Jakarta
#> tzcode source: internal
#>
#> attached base packages:
#> [1] stats graphics grDevices utils datasets methods base
#>
#> other attached packages:
#> [1] knitr_1.52 lmtest_0.9-40 zoo_1.8-15 car_3.1-5 carData_3.0-6
#>
#> loaded via a namespace (and not attached):
#> [1] cli_3.6.5 rlang_1.1.7 xfun_0.62 Formula_1.2-6
#> [5] otel_0.3.0 jsonlite_2.0.0 glue_1.8.0 htmltools_0.5.9
#> [9] sass_0.4.10 scales_1.4.0 rmarkdown_2.32 grid_4.5.1
#> [13] evaluate_1.0.5 jquerylib_0.1.4 abind_1.4-8 fastmap_1.2.0
#> [17] yaml_2.3.12 lifecycle_1.0.5 compiler_4.5.1 RColorBrewer_1.1-3
#> [21] rstudioapi_0.19.0 farver_2.1.2 lattice_0.22-7 digest_0.6.39
#> [25] R6_2.6.1 bslib_0.12.0 tools_4.5.1 cachem_1.1.0