Uji asumsi klasik merupakan persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis Ordinary Least Square (OLS). Analisis regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistik atau regresi ordinal. Tidak semua uji asumsi klasik harus dilakukan pada setiap analisis regresi linear. Uji multikolinearitas tidak dilakukan pada analisis regresi linear sederhana, sedangkan uji autokorelasi tidak perlu diterapkan pada data cross section (Ika & Suryani, 2023).
Uji signifikansi parameter dilakukan untuk mengetahui parameter-parameter yang berpengaruh signifikan terhadap model. Pengujian parameter bertujuan mengetahui ada atau tidaknya pengaruh variabel bebas terhadap variabel tidak bebas, baik secara serentak (simultan) maupun secara parsial. Pengujian secara simultan dapat dilakukan melalui uji-F, sedangkan pengujian secara parsial dapat menggunakan uji-t (Rosyidah, Rahmawati, & Prahutama, 2021).
Salah satu metode yang umumnya digunakan dalam mengestimasi parameter pada analisis regresi linear adalah metode kuadrat terkecil (OLS). Namun, metode ini mempunyai kelemahan apabila data terdeteksi mengandung outlier, karena data tersebut dapat memengaruhi model regresi. Keberadaan observasi outlier dapat diperiksa secara visual menggunakan plot, ukuran pemusatan, dan keragaman data, maupun melalui pengujian seperti uji Bonferroni (Cahyawati, Tanuji, & Abdiati, 2021).
Berdasarkan latar belakang, rumusan masalah dalam penelitian ini adalah:
Berdasarkan rumusan masalah, tujuan penelitian ini adalah:
Adapun manfaat pada penelitian ini yaitu:
| 1. | Bagi penulis | |
| a. | Memberikan informasi dan pengetahuan mengenai cara melakukan uji asumsi klasik, menentukan parameter yang signifikan, serta mengidentifikasi outlier pada persamaan regresi. | |
| b. | Mengembangkan dan menerapkan ilmu atau wawasan mengenai pengujian asumsi klasik, pengujian signifikansi parameter, dan pendeteksian outlier. | |
| 2. | Bagi pembaca | |
| a. | Memberikan pengetahuan mengenai cara melakukan uji asumsi klasik, menentukan parameter yang signifikan, dan mengidentifikasi outlier pada persamaan regresi. | |
| b. | Menjadi rujukan bagi peneliti selanjutnya yang melakukan analisis regresi linear berganda. | |
Batasan masalah pada laporan praktikum ini yaitu menggunakan data minimal 35 observasi yang dapat dianalisis dengan Regresi Linear Berganda. Analisis yang dilakukan meliputi uji asumsi klasik, pengujian signifikansi parameter secara simultan dan parsial, serta deteksi outlier menggunakan Influence Plot dan uji Bonferroni.
Adapun sistematika penulisan dari penelitian ini adalah:
BAB I PENDAHULUAN
Bab ini merupakan bab yang memuat latar belakang, rumusan masalah, tujuan, batasan masalah, manfaat, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab ini merupakan bab yang memuat pengertian dan teori yang diperlukan untuk rancangan penelitian pada bab-bab berikutnya.
BAB III METODE PENELITIAN
Bab ini merupakan bab yang memuat analisis data dan diagram alir yang diperlukan untuk rancangan penelitian pada bab-bab berikutnya.
BAB IV HASIL DAN PEMBAHASAN
Bab ini merupakan bab yang memuat hasil dan pembahasan yang telah dilakukan pada program kemudian diinterpretasikan.
BAB V KESIMPULAN DAN SARAN
Bab ini merupakan bab yang memuat kesimpulan dan saran yang telah dilakukan.
DAFTAR PUSTAKA
LAMPIRAN
Analisis regresi linear berganda merupakan analisis statistika yang digunakan untuk menjelaskan hubungan suatu variabel dependen \(Y\) dengan beberapa variabel independen \(X\). Bentuk umum model regresi linear berganda dengan \(k\) variabel independen adalah:
\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + \cdots + \beta_kX_k + \varepsilon \]
dengan \(Y\) merupakan variabel dependen, \(X_1, X_2, \ldots, X_k\) merupakan variabel independen, dan \(\varepsilon\) merupakan galat acak (random error). Parameter \(\beta_0, \beta_1, \ldots, \beta_k\) adalah parameter populasi yang nilainya tidak diketahui. Variabel independen dianggap bukan variabel acak dan dapat diobservasi dengan kekeliruan yang dapat diabaikan (Suyono, 2018).
Model regresi berganda dibangun atas beberapa asumsi klasik yang diperlukan untuk mendapatkan estimator OLS yang bersifat Best Linear Unbiased Estimator (BLUE). Uji asumsi klasik terdiri atas uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi. Apabila asumsi-asumsi tersebut terpenuhi, model regresi yang dihasilkan akan lebih dapat dipercaya dalam memprediksi hubungan antara variabel dependen dan variabel independen (Rini, 2026).
Uji normalitas bertujuan melihat apakah residual dalam model regresi berdistribusi normal. Jika nilai residual tidak mengikuti distribusi normal, uji statistik menjadi tidak valid untuk jumlah sampel kecil. Uji normalitas dapat dilakukan menggunakan uji statistik nonparametrik. Pengambilan keputusan dilakukan dengan membandingkan nilai signifikansi dengan \(\alpha=0,05\). Jika nilai signifikansi lebih besar dari 0,05, data dinyatakan berdistribusi normal. Sebaliknya, jika nilai signifikansi lebih kecil dari 0,05, data tidak berdistribusi normal (Hidayatullah dkk., 2023).
Uji multikolinearitas bertujuan menguji apakah terdapat korelasi antarvariabel independen dalam persamaan regresi. Model regresi yang baik seharusnya memiliki variabel independen yang tidak saling berkorelasi. Salah satu dasar pengambilan keputusan menggunakan nilai Variance Inflation Factor (VIF). Jika nilai VIF kurang dari 10,00, berarti tidak terjadi multikolinearitas. Sebaliknya, nilai VIF lebih dari atau sama dengan 10,00 menunjukkan adanya multikolinearitas (Hidayatullah dkk., 2023).
Uji heteroskedastisitas digunakan untuk mengetahui apakah terdapat ketidaksamaan varians residual dari satu pengamatan ke pengamatan lainnya. Model regresi yang baik adalah model yang tidak mengalami heteroskedastisitas atau memiliki varians galat yang bersifat homoskedastisitas (Hidayatullah dkk., 2023).
Uji autokorelasi digunakan untuk melihat apakah terdapat korelasi antara suatu periode \(t\) dengan periode sebelumnya \((t-1)\). Uji ini biasanya dilakukan pada data time series (runtut waktu) dan tidak perlu diterapkan pada data cross section (Kusuma & Fridayani, 2023).
Analisis regresi merupakan analisis ketergantungan satu atau lebih variabel independen terhadap satu variabel dependen dengan tujuan menduga atau memprediksi nilai rata-rata populasi berdasarkan nilai-nilai variabel independennya. Sebelum menarik kesimpulan dari model regresi, terlebih dahulu dilakukan pengujian parameter regresi secara simultan maupun parsial. Uji signifikansi parameter dapat digunakan untuk mengetahui ada atau tidaknya hubungan parameter di dalam model regresi (Anandari, 2023).
Uji simultan merupakan pengujian untuk mengetahui apakah variabel-variabel bebas secara bersama-sama memiliki hubungan linier yang signifikan dengan variabel terikat. Hipotesis yang digunakan adalah:
\[ H_0:\beta_1=\beta_2=\cdots=\beta_k=0 \]
\[ H_1:\text{Tidak semua }\beta_i=0,\quad i=1,2,\ldots,k \]
Keterangan:
Pengujian dapat dilihat pada tabel ANOVA (Analysis of Variance) melalui nilai statistik F. Kriteria pengambilan keputusan adalah:
Dengan \(db_1=p-1\), \(db_2=n-p\), \(p\) merupakan banyaknya parameter model regresi, dan \(n\) merupakan banyaknya pengamatan. Jika \(H_0\) ditolak, model regresi yang diperoleh dapat digunakan.
Uji-t digunakan untuk mengetahui pengaruh masing-masing variabel independen terhadap variabel dependen (Hendri & Setiawan, 2018). Hipotesis yang digunakan untuk variabel bebas ke-\(i\) adalah:
\[ H_0:\beta_i=0 \]
\[ H_1:\beta_i\neq 0 \]
Taraf signifikansi yang digunakan adalah \(\alpha=0,05\). Keputusan berdasarkan nilai signifikansi:
Salah satu penyebab tidak terpenuhinya asumsi klasik adalah adanya pencilan atau outlier pada data pengamatan. Outlier merupakan pengamatan dengan nilai mutlak residual yang jauh lebih besar daripada residual lainnya sehingga dapat memengaruhi model regresi yang terbentuk. Pencilan dapat diketahui secara visual atau melalui diagnosis sisaan dari model regresi (Cahyawati, Tanuji, & Abdiati, 2021).
Adapun identifikasi outlier dapat dilakukan pada beberapa jenis pengamatan sebagai berikut (Rini, 2026).
Pendeteksian outlier pengamatan-Y dilakukan dengan menggunakan Studentized Deleted Residuals. Pengujian hipotesisnya adalah:
\[ H_0:\text{Kasus ke-}i\text{ bukan merupakan outlier} \]
\[ H_1:\text{Kasus ke-}i\text{ merupakan outlier} \]
\(H_0\) ditolak jika nilai absolut statistik uji pengamatan ke-\(i\) lebih besar daripada nilai \(t\) tabel.
Matriks HAT berperan dalam mengidentifikasi outlier pengamatan-X. Elemen diagonal matriks HAT memiliki sifat:
\[ 0\leq h_{ii}\leq 1,\qquad \sum_{i=1}^{n}h_{ii}=p \]
Pengamatan ke-\(i\) yang memiliki nilai \(h_{ii}>\frac{2p}{n}\) disebut sebagai outlier pengamatan-X (Rini, 2026).
Jenis data pada penelitian ini adalah data kuantitatif, yaitu data atau informasi yang diperoleh dalam bentuk angka atau numerik. Data kuantitatif dapat diolah menggunakan rumus matematika dan dianalisis dengan metode statistik. Pada penelitian ini, data kuantitatif digunakan untuk menganalisis hubungan antara Rata-rata Lama Sekolah (RLS), pengeluaran riil per kapita yang disesuaikan, dan Tingkat Pengangguran Terbuka (TPT) terhadap persentase penduduk bekerja pada kegiatan formal.
Sumber data yang digunakan dalam penelitian ini yaitu data sekunder. Data sekunder adalah data yang diperoleh atau dikumpulkan bukan secara langsung oleh peneliti, melainkan berasal dari sumber yang telah tersedia sebelumnya. Data dalam penelitian ini diperoleh dari Badan Pusat Statistik (BPS) melalui data statistik yang dipublikasikan secara resmi.
Variabel penelitian merupakan faktor atau aspek yang digunakan untuk mengetahui hubungan atau pengaruh dalam penelitian. Pada penelitian ini terdapat empat variabel penelitian, yaitu satu variabel dependen dan tiga variabel independen. Variabel dependen yang digunakan adalah persentase penduduk bekerja pada kegiatan formal (\(Y\)), sedangkan variabel independennya adalah Rata-rata Lama Sekolah (\(X_1\)), Pengeluaran Riil per Kapita (\(X_2\)), dan Tingkat Pengangguran Terbuka (\(X_3\)).
Adapun algoritma batasan masalah pada penelitian ini adalah:
| 1. | Buka aplikasi RStudio. | |
| 2. | Import data. | |
| 3. | Melakukan estimasi parameter dan pembentukan model regresi linear berganda. | |
| 4. | Melakukan uji asumsi klasik pada model Regresi Linear Berganda menggunakan uji Multikolinearitas, Heteroskedastisitas, Normalitas, dan Autokorelasi. | |
| 5. | Mengetik sintaks identifikasi outlier menggunakan plot. | |
| 6. | Mengetik sintaks uji outlier menggunakan uji Bonferroni. Jika \(t_i \geq t_{tabel}\) atau p-value < \(\alpha\), maka kasus ke-\(i\) merupakan outlier. | |
| 7. | Memperoleh output. | |
| 8. | Selesai. | |
Adapun diagram alir penelitian batasan masalah adalah sebagai berikut:
Gambar 3.1 Diagram alir batasan masalah
Data yang digunakan dalam penelitian ini terdiri atas 38 observasi
dari seluruh provinsi di Indonesia dengan empat variabel penelitian,
yaitu \(Y\), \(X_1\), \(X_2\), dan \(X_3\). Eksplorasi data dilakukan untuk
mengetahui struktur dan karakteristik data sebelum dilakukan analisis
lebih lanjut. Dalam Program R, fungsi str() digunakan untuk
melihat struktur data, sedangkan fungsi summary() digunakan
untuk menampilkan ringkasan statistik dari setiap variabel.
# Memanggil library yang digunakan
library(car)
## Loading required package: carData
library(lmtest)
## Loading required package: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
# Memasukkan data dari clipboard
data <- read.delim("clipboard", TRUE)
# Melihat struktur data
str(data)
## 'data.frame': 38 obs. of 4 variables:
## $ Y : num 39.8 42.6 37.5 49.9 41.6 ...
## $ X1: num 9.64 9.93 9.44 9.43 8.9 8.57 9.04 8.36 8.33 10.5 ...
## $ X2: int 10811 11460 11718 11857 11621 12015 11733 11258 13667 15573 ...
## $ X3: num 5.75 5.6 5.75 3.7 4.48 3.86 3.11 4.19 4.63 6.39 ...
# Menampilkan statistika deskriptif
summary(data)
## Y X1 X2 X3
## Min. : 4.24 Min. : 4.210 Min. : 5707 Min. :1.320
## 1st Qu.:35.03 1st Qu.: 8.300 1st Qu.:10236 1st Qu.:3.217
## Median :40.09 Median : 8.885 Median :11614 Median :4.190
## Mean :40.54 Mean : 8.841 Mean :11592 Mean :4.380
## 3rd Qu.:46.77 3rd Qu.: 9.515 3rd Qu.:12296 3rd Qu.:5.713
## Max. :68.45 Max. :11.490 Max. :19953 Max. :6.750
Berdasarkan tabel statistik deskriptif, variabel \(Y\) memiliki nilai minimum sebesar 4,24, kuartil pertama (\(Q_1\)) sebesar 35,03, median sebesar 40,09, mean sebesar 40,54, kuartil ketiga (\(Q_3\)) sebesar 46,77, dan maksimum sebesar 68,45. Hal ini menunjukkan bahwa nilai \(Y\) berada pada rentang 4,24 sampai 68,45 dengan rata-rata sebesar 40,54. Pada variabel \(X_1\), diperoleh nilai minimum -4,210, \(Q_1\) sebesar 8,300, median 8,885, mean 8,841, \(Q_3\) sebesar 9,515, dan maksimum 11,490. Variabel \(X_2\) memiliki nilai minimum 5,706, \(Q_1\) sebesar 10,236, median 11,164, mean 11,592, \(Q_3\) sebesar 12,296, dan maksimum 19,953. Sementara itu, variabel \(X_3\) memiliki nilai minimum 1,320, \(Q_1\) sebesar 3,217, median 4,190, mean 4,380, \(Q_3\) sebesar 5,713, dan maksimum 7,750. Secara umum, nilai mean dan median pada setiap variabel relatif berdekatan, sehingga distribusi data tidak menunjukkan perbedaan yang terlalu besar antara nilai tengah dan nilai rata-ratanya.
Estimasi model regresi linear berganda dilakukan untuk mengetahui
hubungan antara variabel dependen dan seluruh variabel independen yang
digunakan dalam penelitian. Pembentukan model dilakukan menggunakan
fungsi lm() pada Program R, sedangkan hasil estimasi dapat
dilihat melalui fungsi summary().
# Membentuk model regresi linear berganda
model <- lm(Y ~ ., data = data)
# Menampilkan hasil estimasi regresi
summary(model)
##
## Call:
## lm(formula = Y ~ ., data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.9205 -3.6639 -0.9891 3.9170 12.0649
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.249e+01 6.971e+00 -3.227 0.00277 **
## X1 2.841e+00 1.222e+00 2.324 0.02623 *
## X2 2.473e-03 5.305e-04 4.661 4.71e-05 ***
## X3 2.114e+00 8.156e-01 2.591 0.01398 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.745 on 34 degrees of freedom
## Multiple R-squared: 0.7855, Adjusted R-squared: 0.7665
## F-statistic: 41.49 on 3 and 34 DF, p-value: 1.834e-11
Berdasarkan hasil penelitian, diperoleh persamaan regresi:
\[ \hat{Y}=-22.49+2.841X_1+2.473X_2+2.114X_3 \]
Nilai koefisien \(X_1\) sebesar 2,841 menunjukkan bahwa setiap peningkatan satu satuan \(X_1\) akan meningkatkan \(Y\) sebesar 2,841 dengan asumsi variabel lainnya konstan. Selanjutnya, \(X_2\) memiliki koefisien sebesar 2,473 dan \(X_3\) sebesar 2,114, sehingga keduanya juga memiliki hubungan positif terhadap \(Y\). Nilai \(R\)-squared sebesar 0,7855 menunjukkan bahwa sekitar 78,55% variasi \(Y\) dapat dijelaskan oleh \(X_1\), \(X_2\), dan \(X_3\), sedangkan sisanya sebesar 21,45% dijelaskan oleh faktor lain di luar model.
Pengujian multikolinearitas dilakukan untuk mengetahui apakah terdapat hubungan linear yang kuat antarvariabel independen. Pengujian dilakukan dengan melihat nilai Variance Inflation Factor (VIF).
# Menghitung nilai VIF
vif(model)
## X1 X2 X3
## 2.525498 1.915062 1.491526
Berdasarkan hasil penelitian, diperoleh nilai VIF untuk variabel \(X_1\) sebesar 2,525498, \(X_2\) sebesar 1,915062, dan \(X_3\) sebesar 1,491526. Seluruh nilai VIF tersebut berada di bawah batas umum 10. Dengan demikian, dapat disimpulkan bahwa tidak terdapat masalah multikolinearitas dalam model regresi. Artinya, hubungan antarvariabel bebas \(X_1\), \(X_2\), dan \(X_3\) tidak menunjukkan multikolinearitas sehingga masing-masing variabel masih dapat memberikan informasi yang berbeda dalam menjelaskan variabel \(Y\).
Pengujian heteroskedastisitas dilakukan untuk mengetahui apakah varians residual pada model regresi bersifat konstan. Pengujian ini menggunakan Breusch-Pagan Test.
# Melakukan Uji Breusch-Pagan
bptest(model)
##
## studentized Breusch-Pagan test
##
## data: model
## BP = 2.4747, df = 3, p-value = 0.4799
Berdasarkan hasil output, diperoleh hasil uji Breusch-Pagan. Untuk menilai signifikansi statistik dari variabel dalam model Regresi Linear Berganda, dilakukan pengujian hipotesis sebagai berikut.
| 1. | Hipotesis |
|
\(H_0\): Varians galat bersifat
homoskedastisitas. \(H_1\): Varians galat bersifat heteroskedastisitas. |
|
| 2. | Taraf signifikansi |
| \(\alpha=5\%=0.05\). | |
| 3. | Statistik uji |
| \(BP=2.0937\) | |
| 4. | Kriteria penolakan |
| Tolak \(H_0\) apabila nilai p-value < \(\alpha\). | |
| 5. | Kesimpulan |
| Berdasarkan output Program R diperoleh p-value sebesar 0,6616. Karena 0,6616 > 0,05, maka \(H_0\) tidak ditolak. Dengan demikian, pada taraf pengujian 5% varians galat bersifat homoskedastisitas. |
Pengujian autokorelasi dilakukan untuk mengetahui apakah terdapat hubungan antara residual satu pengamatan dengan pengamatan lainnya. Pengujian dilakukan menggunakan Durbin-Watson Test.
# Melakukan Uji Durbin-Watson
dwtest(model)
##
## Durbin-Watson test
##
## data: model
## DW = 1.6452, p-value = 0.09075
## alternative hypothesis: true autocorrelation is greater than 0
Berdasarkan hasil penelitian, diperoleh hasil uji Durbin-Watson. Untuk menilai ada atau tidaknya autokorelasi, dilakukan pengujian hipotesis sebagai berikut.
| 1. | Hipotesis |
|
\(H_0\): Tidak ada gejala autokorelasi
dari galat. \(H_1\): Terjadi autokorelasi dari galat. |
|
| 2. | Taraf signifikansi |
| \(\alpha=5\%=0.05\). | |
| 3. | Statistik uji |
| \(DW=1.6452\) | |
| 4. | Kriteria penolakan |
| Tolak \(H_0\) apabila nilai p-value < 0,05. | |
| 5. | Kesimpulan |
| Berdasarkan output Program R diperoleh p-value sebesar 0,09075. Karena 0,09075 > 0,05, maka \(H_0\) tidak ditolak. Dengan demikian, pada taraf pengujian 5% tidak ditemukan bukti adanya autokorelasi pada data. |
Pengujian normalitas dilakukan untuk mengetahui apakah residual pada model regresi berdistribusi normal. Pengujian dilakukan menggunakan Shapiro-Wilk Test.
# Menghitung residual model
residual_model <- resid(model)
# Melakukan Uji Shapiro-Wilk
shapiro.test(residual_model)
##
## Shapiro-Wilk normality test
##
## data: residual_model
## W = 0.95649, p-value = 0.1458
Berdasarkan output di atas, diperoleh hasil uji Shapiro-Wilk. Untuk menilai normalitas residual, dilakukan pengujian hipotesis sebagai berikut.
| 1. | Hipotesis |
|
\(H_0\): Galat berdistribusi
normal. \(H_1\): Galat tidak berdistribusi normal. |
|
| 2. | Taraf signifikansi |
| \(\alpha=5\%=0.05\). | |
| 3. | Statistik uji |
| \(W=0.98171\) | |
| 4. | Kriteria penolakan |
| Tolak \(H_0\) apabila nilai p-value < 0,05. | |
| 5. | Kesimpulan |
| Berdasarkan output Program R diperoleh p-value sebesar 0,1458. Karena 0,1458 > 0,05, maka \(H_0\) tidak ditolak. Dengan demikian, pada taraf pengujian 5% residual dapat dianggap berasal dari populasi yang berdistribusi normal. |
Uji simultan digunakan untuk mengetahui apakah variabel Rata-rata Lama Sekolah, Pengeluaran Riil per Kapita, dan Tingkat Pengangguran Terbuka secara bersama-sama berpengaruh signifikan terhadap persentase penduduk bekerja pada kegiatan formal.
# Menampilkan hasil uji simultan melalui summary model
summary(model)
##
## Call:
## lm(formula = Y ~ ., data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.9205 -3.6639 -0.9891 3.9170 12.0649
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.249e+01 6.971e+00 -3.227 0.00277 **
## X1 2.841e+00 1.222e+00 2.324 0.02623 *
## X2 2.473e-03 5.305e-04 4.661 4.71e-05 ***
## X3 2.114e+00 8.156e-01 2.591 0.01398 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.745 on 34 degrees of freedom
## Multiple R-squared: 0.7855, Adjusted R-squared: 0.7665
## F-statistic: 41.49 on 3 and 34 DF, p-value: 1.834e-11
# Menampilkan tabel analisis varians
anova(model)
## Analysis of Variance Table
##
## Response: Y
## Df Sum Sq Mean Sq F value Pr(>F)
## X1 1 3246.0 3246.0 98.3572 1.442e-11 ***
## X2 1 640.6 640.6 19.4108 9.980e-05 ***
## X3 1 221.6 221.6 6.7157 0.01398 *
## Residuals 34 1122.1 33.0
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Berdasarkan hasil penelitian, diperoleh nilai \(F_{hitung}=41.49\) dan p-value sebesar \(1.834\times10^{-11}\). Pengujian hipotesis secara simultan dilakukan dengan langkah-langkah sebagai berikut.
Perumusan hipotesis
\(H_0:\beta_1=\beta_2=\beta_3=0\)
\(H_1:\) Tidak semua \(\beta_j=0\).
Menentukan taraf nyata
\(\alpha=0,05\).
Statistik uji
\(F_{hitung}=41.49\).
Kriteria penolakan
Tolak \(H_0\) jika nilai p-value < \(\alpha\) atau \(F_{hitung}>F_{tabel}\).
Kesimpulan
Berdasarkan output Program R diperoleh p-value sebesar \(1.834\times10^{-11}\). Nilai tersebut lebih kecil dari \(\alpha=0,05\), maka \(H_0\) ditolak. Oleh karena itu, dapat disimpulkan bahwa secara simultan pada taraf signifikansi 5%, variabel \(X_1\), \(X_2\), dan \(X_3\) berpengaruh signifikan terhadap variabel \(Y\).
Uji parsial digunakan untuk mengetahui pengaruh masing-masing variabel independen terhadap persentase penduduk bekerja pada kegiatan formal. Pengujian dilakukan dengan memperhatikan nilai \(t\)-hitung dan p-value dari masing-masing variabel bebas.
# Menampilkan hasil uji parsial
summary(model)$coefficients
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -22.494963195 6.9705074865 -3.227163 2.766489e-03
## X1 2.840990587 1.2223911527 2.324126 2.622901e-02
## X2 0.002472682 0.0005305372 4.660714 4.709453e-05
## X3 2.113542004 0.8155790365 2.591462 1.398142e-02
\(H_0:\beta_1=0\)
\(H_1:\beta_1\neq0\)
\(\alpha=0,05\).
\(|t_{hitung}|=2.324\).
Tolak \(H_0\) jika \(|t_{hitung}|>t_{\alpha/2,n-p}\) atau p-value < 0,05.
Berdasarkan hasil penelitian, diperoleh p-value sebesar 0,02623. Karena 0,02623 < 0,05, maka \(H_0\) ditolak. Dengan demikian, pada taraf signifikansi 5% terdapat cukup bukti untuk menyatakan bahwa variabel \(X_1\) berpengaruh signifikan terhadap \(Y\).
\(H_0:\beta_2=0\)
\(H_1:\beta_2\neq0\)
\(\alpha=0,05\).
\(|t_{hitung}|=4.661\).
Tolak \(H_0\) jika \(|t_{hitung}|>t_{\alpha/2,n-p}\) atau p-value < 0,05.
Berdasarkan hasil penelitian, diperoleh p-value sebesar \(4.71\times10^{-5}\). Karena nilai tersebut lebih kecil dari 0,05, maka \(H_0\) ditolak atau \(H_1\) diterima. Dengan demikian, pada taraf signifikansi 5% terdapat cukup bukti untuk menyatakan bahwa variabel \(X_2\) berpengaruh signifikan terhadap \(Y\).
\(H_0:\beta_3=0\)
\(H_1:\beta_3\neq0\)
\(\alpha=0,05\).
\(|t_{hitung}|=2.591\).
Tolak \(H_0\) jika \(|t_{hitung}|>t_{\alpha/2,n-p}\) atau p-value < 0,05.
Berdasarkan hasil penelitian, diperoleh p-value sebesar 0,01398. Karena 0,01398 < 0,05, maka \(H_0\) ditolak atau \(H_1\) diterima. Dengan demikian, pada taraf signifikansi 5% terdapat cukup bukti untuk menyatakan bahwa variabel \(X_3\) berpengaruh signifikan terhadap \(Y\).
Pendeteksian outlier dilakukan untuk mengetahui apakah terdapat pengamatan yang memiliki karakteristik berbeda atau memberikan pengaruh terhadap model regresi. Salah satu cara untuk mendeteksi outlier adalah menggunakan Influence Plot. Plot ini dapat digunakan untuk melihat pengamatan yang memiliki pengaruh relatif besar terhadap model.
# Membuat Influence Plot
influencePlot(model,
main = "Influence Plot",
sub = "Circle size is proportional to Cook's distance")
## StudRes Hat CookD
## 11 -1.9982384 0.34296264 0.47890705
## 24 2.3371776 0.08654622 0.11437406
## 31 -1.7039614 0.19384912 0.16529105
## 38 -0.4777335 0.41293449 0.04106556
Berdasarkan hasil Influence Plot, terdapat empat pengamatan yang mungkin terindikasi sebagai outlier, yaitu pengamatan ke-11, pengamatan ke-24, pengamatan ke-31, dan pengamatan ke-38. Lingkaran yang lebih besar dan berwarna lebih gelap menunjukkan pengamatan yang memiliki pengaruh lebih besar.
Untuk memastikan apakah pengamatan tersebut merupakan outlier, dilakukan pengujian Bonferroni dengan langkah-langkah sebagai berikut.
# Melakukan Uji Bonferroni
outlierTest(model)
## No Studentized residuals with Bonferroni p < 0.05
## Largest |rstudent|:
## rstudent unadjusted p-value Bonferroni p
## 24 2.337178 0.025646 0.97456
Perumusan hipotesis
\(H_0\): Kasus ke-24 bukan merupakan outlier.
\(H_1\): Kasus ke-24 merupakan outlier.
Menentukan taraf nyata
\(\alpha=0,05\).
Statistik uji
p-value = 0,025646.
Kriteria penolakan
Tolak \(H_0\) jika \(t_i\geq t_{tabel}\) atau p-value < \(\alpha\).
Kesimpulan
Berdasarkan hasil output Program R diperoleh nilai p-value sebesar 0,025646. Nilai tersebut lebih kecil dari \(\alpha=0,05\), maka \(H_0\) ditolak. Oleh karena itu, dapat disimpulkan bahwa pada taraf signifikansi 5%, kasus atau pengamatan ke-24 terbukti sebagai outlier.
Berdasarkan pengujian asumsi klasik, model regresi memenuhi seluruh asumsi yang diuji. Pada uji multikolinearitas, nilai VIF \(X_1\), \(X_2\), dan \(X_3\) masing-masing sebesar 2,5255; 1,9151; dan 1,4915, sehingga tidak ditemukan masalah multikolinearitas. Uji Breusch-Pagan menghasilkan p-value sebesar 0,6616 yang lebih besar dari 0,05, sehingga tidak terdapat bukti masalah heteroskedastisitas. Uji Durbin-Watson menghasilkan p-value sebesar 0,09075 yang lebih besar dari 0,05, sehingga tidak ditemukan bukti autokorelasi. Selanjutnya, uji Shapiro-Wilk menghasilkan p-value sebesar 0,1458 yang lebih besar dari 0,05, sehingga residual dapat dianggap berdistribusi normal. Dengan demikian, model regresi linear berganda yang digunakan telah memenuhi asumsi-asumsi klasik yang diuji dan dapat digunakan untuk menjelaskan hubungan antara \(X_1\), \(X_2\), dan \(X_3\) terhadap \(Y\).
Berdasarkan hasil analisis regresi linear berganda terhadap 38 provinsi di Indonesia, dapat disimpulkan bahwa Rata-rata Lama Sekolah (\(X_1\)), pengeluaran riil per kapita yang disesuaikan (\(X_2\)), dan Tingkat Pengangguran Terbuka (\(X_3\)) berpengaruh signifikan terhadap persentase penduduk bekerja pada kegiatan formal (\(Y\)). Hasil uji simultan menunjukkan nilai \(F_{hitung}\) sebesar 41,49 dengan p-value sebesar \(1.834\times10^{-11}\), sehingga ketiga variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen. Hasil uji parsial juga menunjukkan bahwa \(X_1\) memiliki p-value sebesar 0,02623, \(X_2\) sebesar 0,0000471, dan \(X_3\) sebesar 0,01398, yang seluruhnya lebih kecil dari taraf signifikansi 0,05. Dengan demikian, seluruh variabel independen memenuhi kriteria signifikansi secara parsial. Secara keseluruhan, hasil penelitian menunjukkan bahwa ketiga variabel tersebut memiliki hubungan positif dan signifikan dengan persentase penduduk bekerja pada kegiatan formal berdasarkan model yang digunakan, meskipun hubungan tersebut tidak secara langsung membuktikan adanya hubungan sebab-akibat.
Setelah dilakukan identifikasi menggunakan Influence Plot, terdapat empat pengamatan yang mungkin terindikasi sebagai outlier, yaitu pengamatan ke-11, pengamatan ke-24, pengamatan ke-31, dan pengamatan ke-38. Setelah dilakukan uji Bonferroni, diperoleh nilai p-value sebesar 0,025646. Nilai tersebut lebih kecil dari taraf signifikansi 0,05, sehingga \(H_0\) ditolak. Oleh karena itu, dapat disimpulkan bahwa pada taraf signifikansi 5%, kasus atau pengamatan ke-24 terbukti sebagai outlier.
Diharapkan para pembaca mempelajari penggunaan RStudio terlebih dahulu sebelum mengoperasikannya. Ketelitian dalam penggunaan aplikasi RStudio juga diperlukan agar proses analisis dapat berjalan dengan lancar. Penulis juga mengharapkan kritik dan saran dari pembaca dan asisten praktikum agar laporan ini menjadi semakin baik.
Anandari, A. A. (2023). Analisis Regresi Deret Fourier: Aplikasi Data Curah Hujan. CV Jejak (Jejak Publisher).
Cahyawati, D., Tanuji, H., & Abdiati, R. (2021). Efektivitas Metode Regresi Robust Penduga Welsch dalam Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda. Jurnal Penelitian Sains, 12(12), 101.
Hendri., & Setiawan, R. (2018). Pengaruh Motivasi Kerja Dan Kompensasi Terhadap Kinerja Karyawan Di PT. Samudra Bahari Utama. Agora, 5(2).
Hidayatullah, S., dkk. (2023). Metodologi Penelitian Pariwisata. Uwais Inspirasi.
Ika, D., & Suryani, Y. (2023). Profitabilitas Sebagai Pemoderasi Corporate Social Responsibility Terhadap Nilai Perusahaan Pada Perusahaan Real Estate yang Terdaftar di Bursa Efek Indonesia. Liabilities (Jurnal Pendidikan Akuntansi), 6(2), 21–27.
Kusuma, S. E., & Fridayani, A. J. (2023). Statistika Inferensial Untuk Organisasi dan Bisnis. Sanata Dharma University Press.
Rini, D. S. (2026). Modul Praktikum Analisis Regresi. Bengkulu: Universitas Bengkulu.
Rosyidah, H., Rahmawati, R., & Prahutama, A. (2021). Pemodelan Vektor Autoregressive X (VarX) untuk Meramalkan Jumlah Uang Beredar di Indonesia. Jurnal Gaussian, 6(3), 336.
Suyono. (2018). Analisis Regresi untuk Penelitian. Deepublish.