BAB I. PENDAHULUAN

1.1 Latar Belakang

Analisis regresi linier berganda merupakan metode statistika yang digunakan untuk menjelaskan hubungan antara satu variabel dependen dengan dua atau lebih variabel independen. Metode ini memungkinkan pengaruh masing-masing variabel independen terhadap variabel dependen dianalisis secara parsial maupun simultan. Dalam praktikum ini, analisis dilakukan menggunakan data sekunder yang terdiri atas 38 observasi dengan satu variabel dependen (Y) dan tiga variabel independen (X1, X2, dan X3). Tahapan analisis meliputi eksplorasi data, statistik deskriptif, estimasi model regresi, pengujian asumsi klasik, pengujian hipotesis, serta identifikasi pengamatan berpengaruh dan outlier.

1.2 Rumusan Masalah

  1. Bagaimana karakteristik data berdasarkan eksplorasi dan statistik deskriptif?
  2. Bagaimana bentuk model regresi linier berganda yang menghubungkan Y dengan X1, X2, dan X3?
  3. Apakah model memenuhi asumsi klasik yang diperiksa?
  4. Apakah X1, X2, dan X3 berpengaruh secara simultan maupun parsial terhadap Y?
  5. Apakah terdapat pengamatan yang terindikasi berpengaruh atau merupakan outlier berdasarkan Influence Plot dan uji Bonferroni?

1.3 Tujuan

  1. Mendeskripsikan karakteristik data yang digunakan.
  2. Membentuk dan mengestimasi model regresi linier berganda.
  3. Memeriksa asumsi klasik pada model regresi.
  4. Menguji signifikansi pengaruh variabel independen secara simultan dan parsial.
  5. Mengidentifikasi pengamatan berpengaruh dan menguji outlier menggunakan Influence Plot serta uji Bonferroni.

1.4 Batasan Masalah

Analisis dibatasi pada data sekunder dalam berkas DATA ANALISIS REGRESI SMT 3.xlsx, lembar Sheet1, yang terdiri atas 38 observasi dan empat variabel, yaitu Y sebagai variabel dependen serta X1, X2, dan X3 sebagai variabel independen. Analisis menggunakan regresi linier berganda dengan metode kuadrat terkecil (Ordinary Least Squares/OLS). Tahapan yang dilakukan meliputi pemilihan dan pemeriksaan data, eksplorasi data, statistik deskriptif, estimasi model, uji normalitas residual, multikolinieritas, heteroskedastisitas, dan autokorelasi, uji F, uji t, serta identifikasi pengamatan berpengaruh melalui Influence Plot dan uji Bonferroni. Taraf signifikansi yang digunakan adalah 5%. Nama substantif variabel, satuan, tahun, dan unit observasi perlu mengikuti keterangan pada sumber data asli karena lembar Excel yang dianalisis hanya mencantumkan kode Y, X1, X2, dan X3.

BAB II. TINJAUAN PUSTAKA

2.1 Analisis Regresi Linier Berganda

Regresi linier berganda merupakan metode untuk memodelkan hubungan antara satu variabel dependen dan beberapa variabel independen. Model regresi yang digunakan dalam praktikum ini adalah:

\[ Y_i=\beta_0+\beta_1X_{1i}+\beta_2X_{2i}+\beta_3X_{3i}+\varepsilon_i \]

Keterangan: \(Y_i\) merupakan nilai variabel dependen pada pengamatan ke-i, \(\beta_0\) merupakan konstanta, \(\beta_1,\beta_2,\beta_3\) merupakan koefisien regresi, \(X_{1i},X_{2i},X_{3i}\) merupakan variabel independen, dan \(\varepsilon_i\) merupakan galat.

2.2 Estimasi Parameter

Estimasi parameter regresi dilakukan menggunakan metode kuadrat terkecil (OLS), yaitu dengan meminimumkan jumlah kuadrat residual. Residual merupakan selisih antara nilai aktual dan nilai prediksi model:

\[ e_i=Y_i-\hat{Y}_i \]

2.3 Pengujian Asumsi Klasik

Pengujian asumsi klasik dilakukan untuk memeriksa beberapa karakteristik residual dan hubungan antarvariabel independen. Pemeriksaan dalam laporan ini meliputi normalitas residual, multikolinieritas, heteroskedastisitas, dan autokorelasi. Hasil setiap pengujian perlu ditafsirkan berdasarkan jenis data dan rancangan pengamatan.

2.4 Pengujian Hipotesis

Uji F digunakan untuk menguji signifikansi variabel independen secara simultan, sedangkan uji t digunakan untuk menguji signifikansi masing-masing koefisien regresi secara parsial. Keputusan pengujian dilakukan pada taraf signifikansi \(\alpha=0,05\).

2.5 Identifikasi Outlier dan Pengamatan Berpengaruh

Outlier merupakan pengamatan yang memiliki pola berbeda atau menyimpang dibandingkan sebagian besar pengamatan lainnya. Influence Plot digunakan untuk menampilkan hubungan antara studentized residual, leverage, dan ukuran pengaruh seperti Cook’s Distance. Uji Bonferroni digunakan untuk menguji apakah terdapat residual yang secara statistik ekstrem dengan mempertimbangkan pengujian berganda. Pengamatan yang terlihat menonjol pada plot tidak otomatis dinyatakan sebagai outlier; hasilnya perlu ditinjau bersama uji Bonferroni dan konteks data.

2.6 Kriteria Pengujian

Taraf signifikansi yang digunakan adalah \(\alpha=0,05\), dengan ketentuan: - Jika p-value < 0,05, maka \(H_0\) ditolak. - Jika p-value \(\geq 0,05\), maka \(H_0\) gagal ditolak.

BAB III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang digunakan merupakan data kuantitatif sekunder yang diambil dari berkas Excel DATA ANALISIS REGRESI SMT 3.xlsx, khususnya lembar Sheet1. Data berjumlah 38 observasi dan memuat empat variabel berkode Y, X1, X2, dan X3. Keterangan mengenai sumber awal, tahun, satuan, dan unit observasi mengikuti dokumen asal pengumpulan data.

3.2 Variabel Penelitian

Variabel Peran Keterangan dalam berkas
Y Dependen Variabel Y
X1 Independen Variabel X1
X2 Independen Variabel X2
X3 Independen Variabel X3

3.3 Tahapan Analisis

Tahapan analisis meliputi pemeriksaan kelengkapan data, eksplorasi data, statistik deskriptif, pembentukan model regresi linier berganda, pengujian asumsi klasik, uji F dan uji t, serta evaluasi pengamatan melalui Influence Plot, ukuran pengaruh, dan uji Bonferroni.

3.4 Perangkat Lunak

Analisis dilakukan menggunakan R dan RStudio melalui dokumen R Markdown. Paket car digunakan untuk menghitung VIF, membuat Influence Plot, dan menjalankan uji Bonferroni. Paket lmtest digunakan untuk uji Breusch-Pagan dan Durbin-Watson.

BAB IV. HASIL DAN PEMBAHASAN

4.1 Pengumpulan dan Pemilihan Data

Data diambil dari lembar Sheet1 pada berkas Excel. Pemilihan data dilakukan dengan menggunakan variabel Y, X1, X2, dan X3 sesuai batasan analisis. Data dimasukkan ke dalam R Markdown secara langsung agar dokumen dapat dijalankan tanpa bergantung pada lokasi berkas Excel di komputer.

data <- data.frame(
  Y = c(75.36, 75.76, 76.43, 75.67, 74.36, 73.84, 74.91, 73.13, 74.55, 79.89, 84.15, 74.92, 73.87, 81.62, 75.35, 76.35, 78.63, 73.10, 69.14, 71.19, 74.28, 75.19, 78.79, 73.41, 75.68, 72.24, 75.18, 73.62, 72.01, 70.46, 73.40, 71.84, 67.69, 69.65, 73.83, 68.86, 60.25, 54.43),
  X1 = c(73.99, 73.49, 68.48, 67.17, 65.65, 69.31, 64.35, 65.98, 71.36, 78.64, 88.92, 66.76, 58.67, 90.71, 67.35, 69.48, 78.28, 66.23, 47.90, 55.72, 67.94, 67.20, 71.15, 64.32, 69.91, 57.94, 64.76, 66.92, 55.69, 55.28, 75.57, 65.79, 56.37, 67.61, 67.18, 36.47, 33.37, 27.13),
  X2 = c(39.83, 42.65, 37.45, 49.93, 41.65, 37.66, 33.99, 30.86, 48.86, 68.45, 63.69, 45.61, 40.36, 46.88, 38.51, 53.79, 49.32, 29.49, 26.68, 43.98, 50.67, 46.44, 57.68, 49.59, 44.53, 34.57, 39.50, 38.08, 38.55, 27.92, 34.96, 35.24, 37.13, 43.04, 42.72, 33.16, 12.98, 4.24),
  X3 = c(92.43, 94.42, 96.56, 97.20, 97.19, 95.95, 96.50, 96.98, 98.34, 98.67, 98.00, 97.72, 98.47, 99.31, 96.92, 96.84, 98.25, 95.93, 82.50, 94.77, 96.10, 97.03, 98.61, 94.81, 94.36, 91.52, 96.49, 96.49, 95.09, 94.84, 83.22, 84.92, 80.17, 79.71, 76.75, 56.08, 33.31, 9.74)
)
data$Pengamatan <- seq_len(nrow(data))
data <- data[, c("Pengamatan", "Y", "X1", "X2", "X3")]

knitr::kable(head(data), caption = "Enam Pengamatan Pertama")
Enam Pengamatan Pertama
Pengamatan Y X1 X2 X3
1 75.36 73.99 39.83 92.43
2 75.76 73.49 42.65 94.42
3 76.43 68.48 37.45 96.56
4 75.67 67.17 49.93 97.20
5 74.36 65.65 41.65 97.19
6 73.84 69.31 37.66 95.95
cat("Jumlah observasi:", nrow(data), "\n")
#> Jumlah observasi: 38
cat("Jumlah variabel analisis:", 4, "\n")
#> Jumlah variabel analisis: 4
cat("Jumlah data hilang:\n")
#> Jumlah data hilang:
colSums(is.na(data[, c("Y", "X1", "X2", "X3")]))
#>  Y X1 X2 X3 
#>  0  0  0  0

4.2 Eksplorasi Data

Eksplorasi data dilakukan untuk memeriksa struktur, tipe data, ukuran data, dan kelengkapan observasi sebelum analisis regresi dilakukan.

str(data)
#> 'data.frame':    38 obs. of  5 variables:
#>  $ Pengamatan: int  1 2 3 4 5 6 7 8 9 10 ...
#>  $ Y         : num  75.4 75.8 76.4 75.7 74.4 ...
#>  $ X1        : num  74 73.5 68.5 67.2 65.7 ...
#>  $ X2        : num  39.8 42.6 37.5 49.9 41.6 ...
#>  $ X3        : num  92.4 94.4 96.6 97.2 97.2 ...
dim(data)
#> [1] 38  5
summary(data[, c("Y", "X1", "X2", "X3")])
#>        Y               X1              X2              X3       
#>  Min.   :54.43   Min.   :27.13   Min.   : 4.24   Min.   : 9.74  
#>  1st Qu.:72.07   1st Qu.:60.08   1st Qu.:35.03   1st Qu.:91.75  
#>  Median :74.08   Median :67.05   Median :40.09   Median :96.03  
#>  Mean   :73.50   Mean   :64.71   Mean   :40.54   Mean   :89.00  
#>  3rd Qu.:75.59   3rd Qu.:69.80   3rd Qu.:46.77   3rd Qu.:97.15  
#>  Max.   :84.15   Max.   :90.71   Max.   :68.45   Max.   :99.31
par(mfrow = c(2, 2))
for (v in c("Y", "X1", "X2", "X3")) {
  hist(data[[v]], main = paste("Histogram", v),
       xlab = v, col = "grey85", border = "white")
}

par(mfrow = c(1, 1))
pairs(data[, c("Y", "X1", "X2", "X3")],
      main = "Scatterplot Matrix Variabel Penelitian",
      pch = 19, col = "steelblue")

4.3 Statistik Deskriptif

Statistik deskriptif digunakan untuk mengetahui nilai minimum, kuartil, median, rata-rata, maksimum, dan simpangan baku dari setiap variabel.

variabel <- data[, c("Y", "X1", "X2", "X3")]
stat_deskriptif <- data.frame(
  Variabel = names(variabel),
  Minimum = sapply(variabel, min),
  Q1 = sapply(variabel, quantile, probs = 0.25),
  Median = sapply(variabel, median),
  Mean = sapply(variabel, mean),
  Q3 = sapply(variabel, quantile, probs = 0.75),
  Maksimum = sapply(variabel, max),
  Simpangan_Baku = sapply(variabel, sd)
)
knitr::kable(stat_deskriptif, digits = 4,
             caption = "Statistik Deskriptif Variabel Penelitian")
Statistik Deskriptif Variabel Penelitian
Variabel Minimum Q1 Median Mean Q3 Maksimum Simpangan_Baku
Y Y 54.43 72.0675 74.075 73.5008 75.5925 84.15 5.1332
X1 X1 27.13 60.0825 67.045 64.7116 69.8025 90.71 12.7654
X2 X2 4.24 35.0300 40.095 40.5432 46.7700 68.45 11.8894
X3 X3 9.74 91.7475 96.025 89.0050 97.1500 99.31 18.4237

4.4 Pembentukan dan Estimasi Model Regresi

Model regresi linier berganda dibentuk dengan Y sebagai variabel dependen serta X1, X2, dan X3 sebagai variabel independen.

regresi <- lm(Y ~ X1 + X2 + X3, data = data)
summary(regresi)
#> 
#> Call:
#> lm(formula = Y ~ X1 + X2 + X3, data = data)
#> 
#> Residuals:
#>     Min      1Q  Median      3Q     Max 
#> -3.8938 -0.7241 -0.1096  0.7571  4.2750 
#> 
#> Coefficients:
#>             Estimate Std. Error t value Pr(>|t|)    
#> (Intercept) 49.06659    1.40179  35.003  < 2e-16 ***
#> X1           0.18469    0.03596   5.137 1.14e-05 ***
#> X2           0.12053    0.03477   3.467 0.001448 ** 
#> X3           0.08534    0.02257   3.782 0.000603 ***
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 1.551 on 34 degrees of freedom
#> Multiple R-squared:  0.9161, Adjusted R-squared:  0.9087 
#> F-statistic: 123.8 on 3 and 34 DF,  p-value: < 2.2e-16

Persamaan regresi berdasarkan hasil estimasi ditampilkan secara otomatis berikut.

b <- coef(regresi)
cat(sprintf("Ŷ = %.4f %+.4f X1 %+.4f X2 %+.4f X3\n",
            b[1], b[2], b[3], b[4]))
#> Ŷ = 49.0666 +0.1847 X1 +0.1205 X2 +0.0853 X3
hasil_prediksi <- data.frame(
  Pengamatan = data$Pengamatan,
  Aktual = data$Y,
  Prediksi = fitted(regresi),
  Residual = residuals(regresi)
)
knitr::kable(head(hasil_prediksi, 10), digits = 4,
             caption = "Sepuluh Pengamatan Pertama: Nilai Aktual, Prediksi, dan Residual")
Sepuluh Pengamatan Pertama: Nilai Aktual, Prediksi, dan Residual
Pengamatan Aktual Prediksi Residual
1 75.36 75.4208 -0.0608
2 75.76 75.8382 -0.0782
3 76.43 74.4687 1.9613
4 75.67 75.7856 -0.1156
5 74.36 74.5060 -0.1460
6 73.84 74.5952 -0.7552
7 74.91 73.2837 1.6263
8 73.13 73.2485 -0.1185
9 74.55 76.5278 -1.9778
10 79.89 80.2618 -0.3718

4.5 Pengujian Asumsi Klasik

library(car)
library(lmtest)

4.5.1 Uji Normalitas Residual

Uji normalitas dilakukan terhadap residual model menggunakan uji Shapiro-Wilk. Hipotesis yang digunakan adalah \(H_0\): residual berdistribusi normal dan \(H_1\): residual tidak berdistribusi normal.

uji_normalitas <- shapiro.test(residuals(regresi))
uji_normalitas
#> 
#>  Shapiro-Wilk normality test
#> 
#> data:  residuals(regresi)
#> W = 0.96592, p-value = 0.2937
qqnorm(residuals(regresi), main = "Normal Q-Q Plot Residual")
qqline(residuals(regresi), col = "red", lwd = 2)

4.5.2 Uji Multikolinieritas

Multikolinieritas diperiksa menggunakan Variance Inflation Factor (VIF). Nilai VIF yang semakin besar menunjukkan semakin kuat hubungan linear antarvariabel independen.

nilai_vif <- car::vif(regresi)
nilai_vif
#>       X1       X2       X3 
#> 3.240692 2.628635 2.658914

4.5.3 Uji Heteroskedastisitas

Uji Breusch-Pagan digunakan untuk memeriksa apakah varians residual bersifat konstan. Hipotesis nol menyatakan tidak terdapat heteroskedastisitas.

uji_bp <- lmtest::bptest(regresi)
uji_bp
#> 
#>  studentized Breusch-Pagan test
#> 
#> data:  regresi
#> BP = 6.29, df = 3, p-value = 0.09832

4.5.4 Uji Autokorelasi

Uji Durbin-Watson digunakan untuk memeriksa autokorelasi residual. Interpretasi uji ini perlu memperhatikan urutan observasi. Apabila data merupakan data lintas individu/wilayah dan urutannya tidak memiliki makna runtut, hasil Durbin-Watson perlu diperlakukan secara hati-hati.

uji_dw <- lmtest::dwtest(regresi)
uji_dw
#> 
#>  Durbin-Watson test
#> 
#> data:  regresi
#> DW = 1.5833, p-value = 0.06092
#> alternative hypothesis: true autocorrelation is greater than 0

4.6 Pengujian Hipotesis

4.6.1 Uji Simultan (Uji F)

Uji F digunakan untuk mengetahui apakah X1, X2, dan X3 secara simultan berpengaruh signifikan terhadap Y.

Hipotesis: - \(H_0:\beta_1=\beta_2=\beta_3=0\) - \(H_1:\) minimal terdapat satu \(\beta_j\neq 0\)

tabel_anova <- anova(regresi)
tabel_anova
#> Analysis of Variance Table
#> 
#> Response: Y
#>           Df Sum Sq Mean Sq F value    Pr(>F)    
#> X1         1 805.21  805.21  334.74 < 2.2e-16 ***
#> X2         1  53.57   53.57   22.27 3.961e-05 ***
#> X3         1  34.40   34.40   14.30 0.0006028 ***
#> Residuals 34  81.79    2.41                      
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
hasil_model <- summary(regresi)
fstat <- hasil_model$fstatistic
p_value_f <- pf(fstat[1], fstat[2], fstat[3], lower.tail = FALSE)
cat("F hitung =", unname(fstat[1]), "\n")
#> F hitung = 123.7707
cat("p-value =", p_value_f, "\n")
#> p-value = 2.300745e-18
cat(ifelse(p_value_f < 0.05, "Keputusan: Tolak H0",
           "Keputusan: Gagal menolak H0"))
#> Keputusan: Tolak H0

4.6.2 Uji Parsial (Uji t)

Uji t digunakan untuk mengetahui signifikansi pengaruh setiap variabel independen terhadap Y dengan mengendalikan variabel independen lainnya.

Hipotesis untuk setiap variabel: - \(H_0:\beta_j=0\) - \(H_1:\beta_j\neq 0\)

tabel_t <- as.data.frame(coef(summary(regresi)))
tabel_t$Variabel <- rownames(tabel_t)
rownames(tabel_t) <- NULL
tabel_t <- tabel_t[, c("Variabel", "Estimate", "Std. Error",
                       "t value", "Pr(>|t|)")]
names(tabel_t) <- c("Variabel", "Koefisien", "Std_Error",
                    "t_hitung", "p_value")
tabel_t$Keputusan <- ifelse(tabel_t$p_value < 0.05,
                            "Tolak H0", "Gagal menolak H0")
knitr::kable(tabel_t, digits = 5,
             caption = "Hasil Uji Parsial (Uji t)")
Hasil Uji Parsial (Uji t)
Variabel Koefisien Std_Error t_hitung p_value Keputusan
(Intercept) 49.06659 1.40179 35.00286 0.00000 Tolak H0
X1 0.18469 0.03596 5.13655 0.00001 Tolak H0
X2 0.12053 0.03477 3.46661 0.00145 Tolak H0
X3 0.08534 0.02257 3.78156 0.00060 Tolak H0

4.7 Identifikasi dan Pengujian Outlier

4.7.1 Influence Plot

Influence Plot digunakan untuk mengidentifikasi pengamatan yang memiliki residual terstandarisasi besar, leverage tinggi, atau pengaruh besar terhadap hasil estimasi model. Ukuran lingkaran pada plot menggambarkan besarnya Cook’s Distance. Plot berikut merupakan bagian wajib evaluasi model.

car::influencePlot(
  regresi,
  id.method = "noteworthy",
  main = "Influence Plot Model Regresi",
  sub = "Ukuran lingkaran menunjukkan Cook's Distance",
  xlab = "Hat Values (Leverage)",
  ylab = "Studentized Residuals"
)

#>       StudRes        Hat      CookD
#> 11  2.0064165 0.22777831 0.27260141
#> 34 -2.8509727 0.06193197 0.11090408
#> 36  3.7237235 0.24475014 0.81498027
#> 37  0.4588994 0.27538825 0.02048412
#> 38 -0.9380235 0.53892627 0.25802594

4.7.2 Ukuran Pengaruh Pengamatan

Ukuran pengaruh dihitung menggunakan studentized residual, leverage, dan Cook’s Distance. Pengamatan dengan nilai yang relatif besar perlu diperiksa lebih lanjut, tetapi tidak langsung dihapus dari data.

pengaruh <- data.frame(
  Pengamatan = data$Pengamatan,
  Studentized_Residual = rstudent(regresi),
  Leverage = hatvalues(regresi),
  Cooks_Distance = cooks.distance(regresi)
)
pengaruh <- pengaruh[order(-pengaruh$Cooks_Distance), ]
knitr::kable(head(pengaruh, 10), digits = 5,
             caption = "Sepuluh Pengamatan dengan Cook's Distance Terbesar")
Sepuluh Pengamatan dengan Cook’s Distance Terbesar
Pengamatan Studentized_Residual Leverage Cooks_Distance
36 36 3.72372 0.24475 0.81498
11 11 2.00642 0.22778 0.27260
38 38 -0.93802 0.53893 0.25803
14 14 1.25251 0.24477 0.12502
34 34 -2.85097 0.06193 0.11090
33 33 -2.15031 0.04094 0.04459
20 20 -1.06739 0.11258 0.03599
3 3 1.31213 0.05145 0.02286
7 7 1.08945 0.06857 0.02172
24 24 -1.07366 0.06763 0.02081

4.7.3 Uji Bonferroni

Uji Bonferroni dilakukan untuk menguji pengamatan yang memiliki residual ekstrem dengan mempertimbangkan banyaknya pengamatan yang diuji. Hipotesis yang digunakan adalah: - \(H_0\): pengamatan bukan merupakan outlier secara statistik. - \(H_1\): pengamatan merupakan outlier secara statistik.

uji_bonferroni <- car::outlierTest(regresi, cutoff = 0.05, n.max = 10)
uji_bonferroni
#>    rstudent unadjusted p-value Bonferroni p
#> 36 3.723723         0.00073166     0.027803

Jika hasil uji menunjukkan Bonferroni p-value < 0,05, maka terdapat pengamatan yang teridentifikasi sebagai outlier secara statistik. Jika tidak, belum terdapat bukti yang cukup untuk menyatakan adanya outlier berdasarkan pengujian tersebut.

4.8 Ringkasan Hasil Analisis

ringkasan_model <- data.frame(
  Jumlah_Observasi = nobs(regresi),
  R_Squared = summary(regresi)$r.squared,
  Adjusted_R_Squared = summary(regresi)$adj.r.squared,
  Residual_Standard_Error = summary(regresi)$sigma,
  F_Statistic = unname(fstat[1]),
  P_Value_Uji_F = p_value_f,
  P_Value_Shapiro = uji_normalitas$p.value,
  P_Value_Breusch_Pagan = uji_bp$p.value,
  P_Value_Durbin_Watson = uji_dw$p.value
)
knitr::kable(ringkasan_model, digits = 5,
             caption = "Ringkasan Evaluasi Model Regresi")
Ringkasan Evaluasi Model Regresi
Jumlah_Observasi R_Squared Adjusted_R_Squared Residual_Standard_Error F_Statistic P_Value_Uji_F P_Value_Shapiro P_Value_Breusch_Pagan P_Value_Durbin_Watson
value 38 0.91611 0.90871 1.55095 123.7707 0 0.29374 0.09832 0.06092

BAB V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan disusun berdasarkan hasil analisis yang diperoleh setelah seluruh kode R Markdown dijalankan. Pembahasan kesimpulan mencakup karakteristik data, persamaan regresi, kemampuan model dalam menjelaskan variasi Y, hasil pengujian asumsi klasik, hasil uji F dan uji t, serta hasil identifikasi pengamatan berpengaruh dan uji Bonferroni. Kesimpulan akhir perlu disesuaikan dengan nilai output yang dihasilkan pada dokumen.

5.2 Saran

Analisis selanjutnya disarankan untuk mencantumkan definisi operasional, satuan, tahun, dan sumber asli setiap variabel agar interpretasi hasil regresi lebih bermakna. Pengamatan yang terindikasi berpengaruh perlu ditelusuri kembali berdasarkan sumber data dan karakteristik observasinya. Penghapusan pengamatan tidak dilakukan hanya karena nilai statistiknya ekstrem, tetapi harus disertai alasan substantif dan evaluasi model yang sesuai.

DAFTAR PUSTAKA

Fox, J., dan Weisberg, S. (2019). An R Companion to Applied Regression (3rd ed.). Sage Publications.

R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing.