Laporan Praktikum Komputasi Statistika
Pertemuan IX: Analisis Regresi Linier Berganda, Uji Asumsi Klasik, Uji Hipotesis, dan Identifikasi Outlier
Imam Rizki (F1F025019)
Bengkulu, 17 November 2026
Laboratorium Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Bengkulu
2026
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)

KATA PENGANTAR

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:

  • Novi Puspita, S.Mat., M.Si., selaku Dosen Pengampu.
  • Riwi Dyah Pangesti, S.Si., M.Si., selaku Dosen Pengampu.
  • Susi Wijuniamurti, S.Si., M.Stat., selaku Dosen Pengampu.
  • Jevelyn Olypiya, selaku Asisten Praktikum.
  • Nurhaliza, selaku Asisten Praktikum.
  • Nabila Destia Sapira, selaku Asisten Praktikum.
  • Rhefki Nurman Yuliansyah, selaku Asisten Praktikum.

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


BAB I PENDAHULUAN

1.1 Latar Belakang

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.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, rumusan masalah dalam praktikum ini adalah:

  1. Bagaimana karakteristik data jumlah tamu asing pada hotel bintang beserta variabel-variabel yang memengaruhinya?
  2. Bagaimana model regresi linier berganda yang terbentuk dan bagaimana interpretasinya?
  3. Apakah model regresi memenuhi asumsi klasik (multikolinieritas, heteroskedastisitas, autokorelasi, dan normalitas)?
  4. Apakah variabel bebas berpengaruh signifikan terhadap variabel tak bebas, baik secara simultan (Uji F) maupun parsial (Uji t)?
  5. Apakah terdapat outlier dan pengamatan berpengaruh dalam model berdasarkan influence plot dan uji Bonferroni?

1.3 Tujuan Praktikum

Tujuan praktikum ini adalah:

  1. mengumpulkan, memilih, dan mengeksplorasi data sekunder serta menyajikan statistik deskriptifnya;
  2. membentuk dan mengestimasi model regresi linier berganda menggunakan program R;
  3. menguji asumsi klasik pada model regresi;
  4. menguji signifikansi parameter model melalui Uji F dan Uji t; dan
  5. mengidentifikasi serta menguji outlier menggunakan influence plot dan uji Bonferroni.

1.4 Manfaat Penelitian

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.

1.5 Batasan Masalah

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 \(\alpha = 5\%\).

1.6 Sistematika Penulisan

  • BAB I Pendahuluan: latar belakang, rumusan masalah, tujuan, manfaat, batasan masalah, dan sistematika penulisan.
  • BAB II Tinjauan Pustaka: teori regresi linier berganda, uji asumsi klasik, pengujian hipotesis, dan outlier.
  • BAB III Metode Penelitian: jenis dan sumber data, variabel penelitian, pengumpulan dan pemilihan data, langkah analisis, dan diagram alir.
  • BAB IV Hasil dan Pembahasan: eksplorasi data, statistik deskriptif, estimasi model, uji asumsi klasik, Uji F dan Uji t, serta evaluasi outlier.
  • BAB V Kesimpulan dan Saran.
  • Daftar Pustaka, dan Lampiran (data dan syntax).

BAB II TINJAUAN PUSTAKA

2.1 Regresi Linier Berganda

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.

2.2 Uji Asumsi Klasik

2.2.1 Uji Multikolinieritas

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.

2.2.2 Uji Heteroskedastisitas

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).

2.2.3 Uji Autokorelasi

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).

2.2.4 Uji Normalitas

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.

2.3 Pengujian Hipotesis Parameter

2.3.1 Uji Simultan (Uji F)

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).

2.3.2 Uji Parsial (Uji t)

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).

2.4 Outlier dan Pengamatan Berpengaruh

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):

  1. Studentized deleted residual (untuk outlier pada \(Y\)): \[t_i = e_i\sqrt{\frac{n-p-1}{SSE(1-h_{ii}) - e_i^2}} \tag{2.5}\] dengan \(p = k+1\) banyaknya parameter. \(H_0\): kasus ke-\(i\) bukan outlier; \(H_0\) ditolak jika \(|t_i|\) melebihi nilai kritis.
  2. Nilai leverage \(h_{ii}\) (elemen diagonal matriks hat, untuk outlier pada \(X\)), dengan \(0 \le h_{ii} \le 1\) dan \(\sum h_{ii} = p\). Pengamatan dengan \(h_{ii} > 2p/n\) dianggap memiliki leverage tinggi.
  3. Cook’s distance \(D_i\) yang mengukur pengaruh pengamatan ke-\(i\) terhadap seluruh koefisien regresi; nilai \(D_i > 4/n\) perlu diperhatikan dan \(D_i > 1\) dianggap sangat berpengaruh.
  4. Influence plot, yaitu grafik studentized residual terhadap hat value dengan ukuran lingkaran sebanding dengan Cook’s distance.
  5. Uji Bonferroni: karena \(n\) pengamatan diuji sekaligus, \(p\)-value setiap pengamatan dikoreksi menjadi \(p_{Bonf} = \min(1,\ n \times p_i)\) untuk mengendalikan peluang kesalahan jenis I.

BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

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:

  • Jumlah Akomodasi, Kamar, dan Tempat Tidur yang Tersedia pada Hotel Bintang, 2025;
  • Jumlah Tamu Asing pada Hotel Bintang, 2025; dan
  • Tingkat Penghunian Kamar Hotel (Persen), 2025 (TPK hotel nonbintang dan akomodasi lainnya).

3.2 Variabel Penelitian

Tabel 3.1 Variabel penelitian
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)

3.3 Pengumpulan dan Pemilihan Data

Pemilihan data dilakukan berdasarkan ketentuan batasan masalah, yaitu minimal 35 observasi dan minimal 3 variabel bebas. Tahapannya:

  1. menentukan variabel tak bebas, yaitu jumlah tamu asing pada hotel bintang, karena merupakan indikator utama kunjungan wisatawan mancanegara pada akomodasi komersial;
  2. memilih variabel bebas yang secara teori berkaitan dengan kapasitas dan tingkat pemanfaatan akomodasi, yaitu jumlah kamar (X1), TPK hotel nonbintang dan akomodasi lainnya (X2), dan jumlah tempat tidur (X3);
  3. mengumpulkan data ketiga tabel BPS tersebut untuk 35 provinsi dan menggabungkannya berdasarkan nama provinsi; serta
  4. memeriksa kelengkapan data dan keseragaman format angka. Angka pada data sumber menggunakan titik sebagai pemisah ribuan (misalnya 55.092 kamar), sehingga titik dihapus agar seluruh nilai terbaca sebagai bilangan bulat yang seragam di R. Nilai yang kehilangan angka nol di belakang titik pada berkas sumber dikembalikan ke bentuk aslinya (misalnya 13.57 menjadi 13.570 kamar).

3.4 Langkah Analisis Data

  1. Memasukkan data ke program R dan mendefinisikan variabel \(X_1\), \(X_2\), \(X_3\), dan \(Y\).
  2. Melakukan eksplorasi data (struktur data, nilai hilang, boxplot, histogram, diagram pencar, dan korelasi).
  3. Menghitung statistik deskriptif.
  4. Membentuk dan mengestimasi model regresi linier berganda dengan fungsi lm().
  5. Menguji asumsi klasik: multikolinieritas (VIF), heteroskedastisitas (Breusch-Pagan), autokorelasi (Breusch-Godfrey dan Durbin-Watson), dan normalitas (Shapiro-Wilk).
  6. Menguji hipotesis: Uji F (simultan) dan Uji t (parsial) pada \(\alpha = 5\%\).
  7. Mengevaluasi model: identifikasi outlier dengan influencePlot() dan uji Bonferroni dengan outlierTest(), serta analisis sensitivitas.
  8. Menarik kesimpulan.

3.5 Diagram Alir Penelitian

                       [ 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 ]

BAB IV HASIL DAN PEMBAHASAN

4.1 Pengumpulan Data

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
Tabel 4.1 Sepuluh baris pertama data penelitian
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.

4.2 Eksplorasi Data

4.2.1 Struktur dan Kelengkapan Data

str(data_hotel)
#> '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 ...
cat("Banyaknya nilai hilang (NA):", sum(is.na(data_hotel)), "\n")
#> Banyaknya nilai hilang (NA): 0

Seluruh variabel bertipe numerik dan tidak terdapat nilai hilang, sehingga data siap dianalisis tanpa proses imputasi.

4.2.2 Sebaran Data

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

Gambar 4.1 Boxplot masing-masing variabel

par(mfrow = c(1, 1))
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

Gambar 4.2 Histogram masing-masing variabel

par(mfrow = c(1, 1))

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.

4.2.3 Hubungan Antarvariabel

pairs(data_hotel[, c("X1", "X2", "X3", "Y")], pch = 19, col = "#1b2a6b",
      main = "Diagram pencar antarvariabel")
Gambar 4.3 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 = ","))
Tabel 4.2 Matriks korelasi Pearson
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.

4.3 Statistik Deskriptif

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")
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
summary(data_hotel[, vars])
#>        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.

  • X1 (jumlah kamar hotel bintang) bernilai 375 hingga 84.500 kamar dengan rata-rata 13.102 dan median 5.283. Rata-rata yang jauh lebih besar daripada median serta kemencengan 2,25 menunjukkan sebaran menjulur ke kanan: sebagian besar provinsi memiliki kamar yang relatif sedikit, sementara beberapa provinsi (misalnya Bali dan Jawa Barat) memiliki jumlah yang sangat besar.
  • X2 (TPK hotel nonbintang dan akomodasi lainnya) berkisar dari 14 hingga 43 persen dengan rata-rata 22,46 dan median 22,00. Rata-rata yang berdekatan dengan median menunjukkan pemusatan data yang cukup baik, tetapi kemencengan positif (1,44) menunjukkan adanya ekor kanan akibat provinsi dengan tingkat hunian tinggi seperti Bali (43) dan DKI Jakarta (42).
  • X3 (jumlah tempat tidur hotel bintang) bernilai 556 hingga 106.533 dengan rata-rata 18.509 dan median 7.221. Pola sebarannya serupa dengan X1, yaitu menjulur ke kanan (kemencengan 2,07).
  • Y (jumlah tamu asing) memiliki keragaman terbesar, dari 145 hingga 5.987.141 orang dengan rata-rata 318.340, jauh di atas median 22.078 dan kuartil ketiga 186.635. Kemencengan sebesar 5,00 menunjukkan sebaran sangat menjulur ke kanan akibat nilai maksimum yang jauh dari mayoritas data (Bali), sehingga berpotensi menjadi outlier.

4.4 Pembentukan dan Estimasi Model Regresi

regresi <- lm(Y ~ X1 + X2 + X3, data = data_hotel)
ringkasan <- summary(regresi)
ringkasan
#> 
#> 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
Tabel 4.4 Hasil estimasi koefisien regresi
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.

  • Intersep sebesar -799.332,41 menyatakan nilai dugaan Y ketika X1, X2, dan X3 bernilai nol. Nilainya negatif sehingga tidak memiliki makna praktis, karena nilai nol pada seluruh variabel bebas berada di luar rentang data.
  • X1: setiap penambahan satu kamar hotel bintang akan meningkatkan jumlah tamu asing sebesar 318,06 orang, dengan syarat X2 dan X3 tetap.
  • X2: setiap kenaikan satu persen TPK hotel nonbintang dan akomodasi lainnya akan meningkatkan jumlah tamu asing sebesar 34.195,67 orang, dengan syarat X1 dan X3 tetap.
  • X3: setiap penambahan satu tempat tidur hotel bintang akan menurunkan jumlah tamu asing sebesar 206,26 orang, dengan syarat X1 dan X2 tetap. Tanda negatif ini berlawanan dengan teori dan kemungkinan besar disebabkan oleh korelasi yang sangat tinggi antara X1 dan X3, bukan karena penambahan tempat tidur benar-benar mengurangi tamu (lihat uji multikolinieritas).

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.

4.5 Pengujian Asumsi Klasik

4.5.1 Uji Multikolinieritas

vif_val <- vif(regresi)
vif_val
#>         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 \(VIF > 10\).

Tabel 4.5 Nilai VIF
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.

4.5.2 Uji Heteroskedastisitas (Breusch-Pagan)

bp <- bptest(regresi)
bp
#> 
#>  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

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.

4.5.3 Uji Autokorelasi (Breusch-Godfrey dan Durbin-Watson)

bg <- bgtest(regresi, order = 1)
bg
#> 
#>  Breusch-Godfrey test for serial correlation of order up to 1
#> 
#> data:  regresi
#> LM test = 0.89335, df = 1, p-value = 0.3446
dw <- dwtest(regresi)
dw
#> 
#>  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.

4.5.4 Uji Normalitas (Shapiro-Wilk)

sw <- shapiro.test(residuals(regresi))
sw
#> 
#>  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

Gambar 4.5 Normal Q-Q plot dan histogram residual

par(mfrow = c(1, 1))

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.

4.5.5 Ringkasan Uji Asumsi Klasik

Tabel 4.6 Ringkasan uji asumsi klasik
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.

4.6 Pengujian Hipotesis

4.6.1 Uji Simultan (Uji F)

Fstat <- ringkasan$fstatistic
p_F <- pf(Fstat[1], Fstat[2], Fstat[3], lower.tail = FALSE)
Fstat
#>    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.

4.6.2 Uji Parsial (Uji t)

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")
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 \(p\text{-value} < \alpha\).

  • X1 (jumlah kamar hotel bintang): \(t_{hit}\) = 11,238 dan \(p\text{-value}\) = 1,84 × 10-12. \(H_0\) ditolak sehingga jumlah kamar hotel bintang berpengaruh signifikan terhadap jumlah tamu asing.
  • X2 (TPK hotel nonbintang dan akomodasi lainnya): \(t_{hit}\) = 3,191 dan \(p\text{-value}\) = 0,0032. \(H_0\) ditolak sehingga TPK hotel nonbintang dan akomodasi lainnya berpengaruh signifikan terhadap jumlah tamu asing.
  • X3 (jumlah tempat tidur hotel bintang): \(t_{hit}\) = -10,323 dan \(p\text{-value}\) = 1,49 × 10-11. \(H_0\) ditolak sehingga jumlah tempat tidur hotel bintang berpengaruh signifikan terhadap jumlah tamu asing, dengan arah pengaruh negatif.

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.

4.7 Evaluasi Model: Identifikasi dan Pengujian Outlier

4.7.1 Identifikasi dengan Influence Plot

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)

Gambar 4.6 Influence plot (sumbu x: hat value, sumbu y: studentized residual, ukuran lingkaran: Cook’s distance)

inf_plot
#>     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), ]
Tabel 4.8 Pengamatan yang melampaui ambang pada ukuran pengaruh
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.

4.7.2 Pengujian Outlier dengan Uji Bonferroni

uji_bon <- outlierTest(regresi)
uji_bon
#>    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, ]
Tabel 4.9 Hasil uji Bonferroni (tiga |rstudent| terbesar)
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.

4.7.3 Analisis Sensitivitas

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")
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.

4.8 Pembahasan

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:

  1. Multikolinieritas: X1 (jumlah kamar) dan X3 (jumlah tempat tidur) hampir identik secara informasi (korelasi 0,995; VIF > 100). Akibatnya koefisien keduanya saling berlawanan tanda dan tidak stabil. Salah satu variabel sebaiknya dikeluarkan atau digabungkan.
  2. Heteroskedastisitas: ragam galat meningkat seiring besarnya nilai dugaan, sehingga galat baku dan uji signifikansi tidak sepenuhnya andal.
  3. Autokorelasi dan normalitas terpenuhi, sehingga tidak menjadi masalah pada model.
  4. Outlier: Bali dan DKI Jakarta merupakan outlier sekaligus pengamatan sangat berpengaruh, dan hasil analisis sensitivitas memperlihatkan bahwa kesimpulan model bergantung pada keduanya.

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.


BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

  1. Data yang digunakan adalah data sekunder BPS tahun 2025 untuk 35 provinsi dengan tiga variabel bebas. Seluruh variabel bersifat menjulur ke kanan dan Y memiliki keragaman terbesar akibat nilai ekstrem pada provinsi tertentu.
  2. Model regresi yang terbentuk adalah \(\hat{Y} = -799.332{,}41 + 318{,}06X_1 + 34.195{,}67X_2 - 206{,}26X_3\) dengan \(R^2\) = 0,9182 dan \(R^2_{adj}\) = 0,9102.
  3. Uji asumsi klasik menunjukkan bahwa asumsi normalitas (Shapiro-Wilk, \(p\) = 0,5823) dan tidak adanya autokorelasi (Breusch-Godfrey, \(p\) = 0,3446) terpenuhi, sedangkan asumsi tidak adanya multikolinieritas (VIF X1 = 109,34 dan X3 = 105,75) dan homoskedastisitas (Breusch-Pagan, \(p\) = 1,62 × 10-4) tidak terpenuhi.
  4. Uji F menunjukkan bahwa X1, X2, dan X3 secara simultan berpengaruh signifikan terhadap Y (\(p\) = 6,20 × 10-17), dan Uji t menunjukkan ketiganya berpengaruh signifikan secara parsial pada taraf 5%.
  5. Berdasarkan influence plot dan uji Bonferroni, Bali (observasi ke-17) dan DKI Jakarta (observasi ke-11) merupakan outlier sekaligus pengamatan yang sangat berpengaruh. Analisis sensitivitas menunjukkan bahwa signifikansi koefisien berubah cukup besar ketika keduanya dikeluarkan.

5.2 Saran

  1. Mengingat multikolinieritas yang tinggi, sebaiknya salah satu dari X1 atau X3 dikeluarkan dari model, atau digunakan metode yang mampu mengatasinya seperti regresi ridge atau regresi komponen utama.
  2. Untuk mengatasi heteroskedastisitas dan sebaran yang menjulur, disarankan mencoba transformasi logaritma pada Y (dan X1, X3) atau metode Weighted Least Squares.
  3. Pengamatan Bali dan DKI Jakarta sebaiknya tidak dihapus begitu saja, melainkan ditangani dengan regresi robust atau dianalisis terpisah, karena keduanya merupakan data yang valid.
  4. Praktikan disarankan memeriksa keseragaman format angka (pemisah ribuan dan desimal) sebelum data dibaca ke R agar tidak terjadi kesalahan skala antarobservasi.
  5. Kritik dan saran yang membangun sangat diharapkan sebagai bahan perbaikan laporan praktikum selanjutnya.

DAFTAR PUSTAKA

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.


LAMPIRAN

Lampiran 1. Data Penelitian

Data jumlah tamu asing (Y), jumlah kamar (X1), TPK hotel nonbintang dan akomodasi lainnya (X2), dan jumlah tempat tidur (X3) per provinsi
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

Lampiran 2. Syntax Ringkas

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

Lampiran 3. Informasi Sesi R

sessionInfo()
#> 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