BAB I. PENDAHULUAN

1.1 Latar Belakang

Analisis regresi merupakan salah satu metode statistika yang digunakan untuk mengetahui hubungan antara variabel dependen dengan satu atau lebih variabel independen. Regresi linier berganda digunakan apabila terdapat lebih dari satu variabel independen yang diduga memengaruhi variabel dependen.

Dalam penelitian ini dilakukan analisis regresi linier berganda untuk mengetahui hubungan antara persentase penduduk miskin dengan tingkat pengangguran terbuka, PDRB per kapita, dan rata-rata lama sekolah. Pengolahan data dilakukan menggunakan program RStudio dengan memanfaatkan berbagai fungsi statistik dan visualisasi data.

1.2 Rumusan Masalah

  1. Bagaimana karakteristik data penelitian berdasarkan statistika deskriptif?
  2. Bagaimana bentuk model regresi linier berganda yang terbentuk?
  3. Apakah variabel independen berpengaruh secara simultan dan parsial terhadap variabel dependen?
  4. Apakah model memenuhi asumsi klasik?
  5. Apakah terdapat pengamatan yang teridentifikasi sebagai outlier atau pengamatan berpengaruh?

1.3 Tujuan Penelitian

  1. Mengetahui karakteristik data melalui statistika deskriptif.
  2. Membentuk model regresi linier berganda.
  3. Mengetahui signifikansi pengaruh variabel independen secara simultan dan parsial.
  4. Melakukan pengujian asumsi klasik.
  5. Mengidentifikasi outlier dan pengamatan berpengaruh dalam model regresi.

1.4 Manfaat Penelitian

Penelitian ini diharapkan dapat meningkatkan pemahaman mengenai penerapan analisis regresi linier berganda serta penggunaan program RStudio dalam pengolahan, analisis, dan penyajian data statistik.

BAB II. TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif merupakan metode yang digunakan untuk menggambarkan karakteristik suatu data melalui ukuran pemusatan dan penyebaran, seperti mean, median, minimum, maksimum, varians, dan standar deviasi.

2.2 Regresi Linier Berganda

Regresi linier berganda merupakan metode analisis yang digunakan untuk mengetahui hubungan antara satu variabel dependen dengan dua atau lebih variabel independen.

Model umum regresi linier berganda:

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

Keterangan:

  • \(Y\) = Variabel dependen.
  • \(\beta_0\) = Konstanta.
  • \(\beta_1,\beta_2,\beta_3\) = Koefisien regresi.
  • \(X_1,X_2,X_3\) = Variabel independen.
  • \(\varepsilon\) = Error.

2.3 Metode Ordinary Least Squares

Metode Ordinary Least Squares (OLS) merupakan metode estimasi parameter regresi dengan meminimumkan jumlah kuadrat residual.

\[ \hat{\beta}=(X'X)^{-1}X'Y \]

2.4 Uji Simultan (Uji F)

Uji F digunakan untuk mengetahui apakah seluruh variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen.

Hipotesis:

\[ H_0:\beta_1=\beta_2=\beta_3=0 \]

\[ H_1:\text{Minimal terdapat satu }\beta_j\neq 0 \]

2.5 Uji Parsial (Uji t)

Uji t digunakan untuk mengetahui pengaruh masing-masing variabel independen terhadap variabel dependen.

Hipotesis:

\[ H_0:\beta_j=0 \]

\[ H_1:\beta_j\neq 0 \]

2.6 Koefisien Determinasi

Koefisien determinasi digunakan untuk mengetahui kemampuan variabel independen dalam menjelaskan variasi variabel dependen.

\[ R^2=1-\frac{SSE}{SST} \]

2.7 Uji Asumsi Klasik

Pengujian asumsi klasik meliputi:

  1. Uji normalitas untuk mengetahui distribusi residual.
  2. Uji multikolinearitas untuk mengetahui hubungan linear antarvariabel independen.
  3. Uji heteroskedastisitas untuk mengetahui kesamaan varians residual.
  4. Uji autokorelasi untuk mengetahui korelasi residual berdasarkan urutan pengamatan.

2.8 Uji Lack of Fit

Uji Lack of Fit digunakan untuk mengetahui apakah bentuk model regresi sudah sesuai dengan pola hubungan data. Pengujian ini memerlukan pengamatan berulang pada kombinasi variabel independen yang sama.

2.9 Outlier dan Pengamatan Berpengaruh

Outlier merupakan pengamatan yang memiliki karakteristik berbeda dibandingkan sebagian besar data. Pengamatan berpengaruh merupakan pengamatan yang dapat memberikan perubahan berarti terhadap hasil estimasi model.

Beberapa metode identifikasi yang digunakan adalah:

  • DFFITS.
  • DFBETAS.
  • Influence Plot.
  • Uji outlier Bonferroni.

BAB III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Penelitian ini menggunakan data sekunder yang berisi informasi mengenai persentase penduduk miskin, tingkat pengangguran terbuka, PDRB per kapita, dan rata-rata lama sekolah.

3.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini adalah:

Variabel Keterangan
Y Persentase Penduduk Miskin
X1 Tingkat Pengangguran Terbuka
X2 PDRB per Kapita
X3 Rata-rata Lama Sekolah

3.3 Metode Pengumpulan Data

Data diperoleh dalam bentuk tabel yang disiapkan menggunakan Microsoft Excel, kemudian dimasukkan ke dalam program RStudio menggunakan fungsi read.delim().

3.4 Metode Analisis Data

Tahapan analisis data yang dilakukan meliputi:

  1. Memasukkan dan memeriksa data.
  2. Melakukan statistika deskriptif.
  3. Membuat visualisasi data.
  4. Membentuk model regresi linier berganda.
  5. Melakukan uji simultan dan parsial.
  6. Menghitung koefisien determinasi.
  7. Melakukan pengujian asumsi klasik.
  8. Melakukan uji Lack of Fit apabila persyaratannya terpenuhi.
  9. Mengidentifikasi outlier dan pengamatan berpengaruh.
  10. Membandingkan model awal dengan model setelah penanganan pengamatan berpengaruh.

3.5 Persiapan Program RStudio

3.5.1 Instalasi Packages

install.packages(c(
  "car",
  "lmtest",
  "knitr"
))

3.5.2 Memanggil Packages

library(car)
## Warning: package 'car' was built under R version 4.5.3
## Loading required package: carData
## Warning: package 'carData' was built under R version 4.5.3
library(lmtest)
## Warning: package 'lmtest' was built under R version 4.5.3
## Loading required package: zoo
## Warning: package 'zoo' was built under R version 4.5.3
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
library(knitr)
## Warning: package 'knitr' was built under R version 4.5.3

BAB IV. HASIL DAN PEMBAHASAN

4.1 Memasukkan Data

Data dimasukkan menggunakan fungsi read.delim().

DATA9 <- read.delim("clipboard", header = TRUE)

DATA9
##        Y   X1      X2    X3
## 1  13.65 1.83  33.149  7.88
## 2   9.53 4.66  26.314  7.78
## 3  10.63 4.52  30.681  7.90
## 4   6.53 5.65  43.297  8.66
## 5   8.69 4.91  35.812  7.83
## 6  10.72 5.79  30.193  8.24
## 7   9.45 5.70  47.272  7.75
## 8   8.93 3.67  35.178  7.14
## 9   9.51 4.01  36.837  6.52
## 10  7.34 4.75  58.086  7.76
## 11 13.34 4.15  31.432  6.36
## 12 11.90 3.27  36.190  6.90
## 13 17.19 3.24  36.006  6.29
## 14  9.24 5.48 113.683  7.44
## 15  5.00 8.05 127.382 10.78
## 16  9.80 4.67  91.112  9.11
## 17  9.15 4.66  36.991  8.77
## 18 10.89 4.68  29.917  8.24
## 19 11.04 5.14  31.588  7.95
## 20  9.80 4.16  33.627  8.67
## 21 14.40 2.41  27.619  7.78
## 22 12.18 4.63  74.242  7.45
## 23 14.91 4.40  67.176  7.40
## 24 12.42 5.46  35.726  8.34
## 25 10.96 6.82 130.527 10.01
## 26 19.35 6.18  25.408  5.99
## 27 21.76 2.72  23.978  5.07
## 28 13.85 1.74  23.842  7.15
## 29 18.70 1.71  37.474  5.94
## 30  7.15 4.06 541.068 10.69
## 31  7.30 5.24  55.523 10.78
## 32  4.26 6.80 107.542 10.94
## 33  6.48 4.53  57.885  9.56
## 34  6.60 5.64  48.058  9.78
## 35  5.77 4.73  59.061 11.05
## 36  4.74 5.85  86.285 11.82
## 37  4.65 6.76 245.685 10.70
## 38  3.31 4.52  93.214  9.85

Catatan: Salin tabel dari Excel sebelum menjalankan syntax. Pastikan nama kolom terdiri atas Y, X1, X2, dan X3. Kolom nama kabupaten/kota dapat disertakan.

Untuk proses Knit, sebaiknya simpan data sebagai file TXT dan gunakan:

DATA9 <- read.delim("DATA9.txt", header = TRUE)

4.2 Pemeriksaan Data

4.2.1 Struktur Data

str(DATA9)
## 'data.frame':    38 obs. of  4 variables:
##  $ Y : num  13.65 9.53 10.63 6.53 8.69 ...
##  $ X1: num  1.83 4.66 4.52 5.65 4.91 5.79 5.7 3.67 4.01 4.75 ...
##  $ X2: num  33.1 26.3 30.7 43.3 35.8 ...
##  $ X3: num  7.88 7.78 7.9 8.66 7.83 8.24 7.75 7.14 6.52 7.76 ...

4.2.2 Ringkasan Data

summary(DATA9)
##        Y                X1              X2               X3        
##  Min.   : 3.310   Min.   :1.710   Min.   : 23.84   Min.   : 5.070  
##  1st Qu.: 7.188   1st Qu.:4.082   1st Qu.: 31.98   1st Qu.: 7.410  
##  Median : 9.665   Median :4.665   Median : 37.23   Median : 7.925  
##  Mean   :10.293   Mean   :4.663   Mean   : 70.66   Mean   : 8.376  
##  3rd Qu.:12.360   3rd Qu.:5.600   3rd Qu.: 72.48   3rd Qu.: 9.725  
##  Max.   :21.760   Max.   :8.050   Max.   :541.07   Max.   :11.820

4.2.3 Dimensi Data

dim(DATA9)
## [1] 38  4
nrow(DATA9)
## [1] 38
ncol(DATA9)
## [1] 4

4.2.4 Nama Variabel

names(DATA9)
## [1] "Y"  "X1" "X2" "X3"

4.3 Statistika Deskriptif

4.3.1 Menentukan Variabel

Y <- DATA9$Y
X1 <- DATA9$X1
X2 <- DATA9$X2
X3 <- DATA9$X3

4.3.2 Menghitung Mean

sapply(DATA9[, c("Y", "X1", "X2", "X3")], mean)
##         Y        X1        X2        X3 
## 10.292632  4.662895 70.659474  8.375526

4.3.3 Menghitung Median

sapply(DATA9[, c("Y", "X1", "X2", "X3")], median)
##       Y      X1      X2      X3 
##  9.6650  4.6650 37.2325  7.9250

4.3.4 Menghitung Varians

sapply(DATA9[, c("Y", "X1", "X2", "X3")], var)
##           Y          X1          X2          X3 
##   18.673539    2.041551 8001.549695    2.750301

4.3.5 Menghitung Standar Deviasi

sapply(DATA9[, c("Y", "X1", "X2", "X3")], sd)
##         Y        X1        X2        X3 
##  4.321289  1.428828 89.451382  1.658403

4.3.6 Tabel Statistik Deskriptif

statistik <- data.frame(
  Variabel = c("Y", "X1", "X2", "X3"),
  Minimum = sapply(DATA9[, c("Y", "X1", "X2", "X3")], min),
  Q1 = sapply(DATA9[, c("Y", "X1", "X2", "X3")], quantile, 0.25),
  Median = sapply(DATA9[, c("Y", "X1", "X2", "X3")], median),
  Mean = sapply(DATA9[, c("Y", "X1", "X2", "X3")], mean),
  Q3 = sapply(DATA9[, c("Y", "X1", "X2", "X3")], quantile, 0.75),
  Maksimum = sapply(DATA9[, c("Y", "X1", "X2", "X3")], max),
  SD = sapply(DATA9[, c("Y", "X1", "X2", "X3")], sd)
)

kable(statistik, digits = 3,
      caption = "Statistik Deskriptif")
Statistik Deskriptif
Variabel Minimum Q1 Median Mean Q3 Maksimum SD
Y Y 3.310 7.188 9.665 10.293 12.360 21.760 4.321
X1 X1 1.710 4.082 4.665 4.663 5.600 8.050 1.429
X2 X2 23.842 31.978 37.233 70.659 72.476 541.068 89.451
X3 X3 5.070 7.410 7.925 8.376 9.725 11.820 1.658

4.4 Visualisasi Data

4.4.1 Histogram

par(mfrow = c(2, 2))

hist(Y, main = "Histogram Y", xlab = "Y")
hist(X1, main = "Histogram X1", xlab = "X1")
hist(X2, main = "Histogram X2", xlab = "X2")
hist(X3, main = "Histogram X3", xlab = "X3")

par(mfrow = c(1, 1))

4.4.2 Boxplot

par(mfrow = c(2, 2))

boxplot(Y, main = "Boxplot Y")
boxplot(X1, main = "Boxplot X1")
boxplot(X2, main = "Boxplot X2")
boxplot(X3, main = "Boxplot X3")

par(mfrow = c(1, 1))

4.4.3 Scatter Plot

par(mfrow = c(1, 3))

plot(X1, Y,
     main = "Y terhadap X1",
     xlab = "X1", ylab = "Y")

plot(X2, Y,
     main = "Y terhadap X2",
     xlab = "X2", ylab = "Y")

plot(X3, Y,
     main = "Y terhadap X3",
     xlab = "X3", ylab = "Y")

par(mfrow = c(1, 1))

4.4.4 Matriks Korelasi

korelasi <- cor(DATA9[, c("Y", "X1", "X2", "X3")])

kable(korelasi, digits = 3,
      caption = "Matriks Korelasi")
Matriks Korelasi
Y X1 X2 X3
Y 1.000 -0.564 -0.343 -0.824
X1 -0.564 1.000 0.214 0.577
X2 -0.343 0.214 1.000 0.475
X3 -0.824 0.577 0.475 1.000

4.5 Analisis Regresi Linier Berganda

4.5.1 Membentuk Model Regresi

model <- lm(Y ~ X1 + X2 + X3, data = DATA9)

model
## 
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = DATA9)
## 
## Coefficients:
## (Intercept)           X1           X2           X3  
##   28.827935    -0.388860     0.002517    -2.017774

4.5.2 Hasil Model Regresi

summary(model)
## 
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = DATA9)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.6954 -1.5925  0.0325  1.7025  4.9477 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 28.827935   2.246905  12.830 1.38e-14 ***
## X1          -0.388860   0.353425  -1.100    0.279    
## X2           0.002517   0.005240   0.480    0.634    
## X3          -2.017774   0.338110  -5.968 9.48e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.499 on 34 degrees of freedom
## Multiple R-squared:  0.6926, Adjusted R-squared:  0.6655 
## F-statistic: 25.54 on 3 and 34 DF,  p-value: 7.812e-09

4.5.3 Estimasi Koefisien Regresi

koef <- coef(model)

kable(
  data.frame(
    Parameter = names(koef),
    Estimasi = as.numeric(koef)
  ),
  digits = 4,
  caption = "Estimasi Parameter Regresi"
)
Estimasi Parameter Regresi
Parameter Estimasi
(Intercept) 28.8279
X1 -0.3889
X2 0.0025
X3 -2.0178

4.5.4 Persamaan Regresi

cat(
  "Y = ",
  round(koef[1], 4),
  " + ", round(koef[2], 4), "X1",
  " + ", round(koef[3], 4), "X2",
  " + ", round(koef[4], 4), "X3",
  sep = ""
)
## Y = 28.8279 + -0.3889X1 + 0.0025X2 + -2.0178X3

4.5.5 Nilai Prediksi dan Residual

prediksi <- fitted(model)

residual <- residuals(model)

hasil_prediksi <- data.frame(
  Aktual = Y,
  Prediksi = prediksi,
  Residual = residual
)

kable(head(hasil_prediksi, 10),
      digits = 4,
      caption = "Nilai Aktual dan Prediksi")
Nilai Aktual dan Prediksi
Aktual Prediksi Residual
13.65 12.2997 1.3503
9.53 11.3838 -1.8538
10.63 11.2071 -0.5771
6.53 9.2659 -2.7359
8.69 11.2096 -2.5196
10.72 10.0260 0.6940
9.45 11.0927 -1.6427
8.93 13.0824 -4.1524
9.51 14.2054 -4.6954
7.34 11.4691 -4.1291

4.6 Pengujian Signifikansi Parameter

4.6.1 Uji Simultan (Uji F)

hasil_anova <- anova(model)

kable(hasil_anova,
      digits = 4,
      caption = "Hasil Uji Simultan")
Hasil Uji Simultan
Df Sum Sq Mean Sq F value Pr(>F)
X1 1 220.1471 220.1471 35.2458 0.0000
X2 1 35.9565 35.9565 5.7567 0.0221
X3 1 222.4514 222.4514 35.6147 0.0000
Residuals 34 212.3658 6.2461 NA NA
fstat <- summary(model)$fstatistic

p_value_f <- pf(
  fstat[1],
  fstat[2],
  fstat[3],
  lower.tail = FALSE
)

if (p_value_f < 0.05) {
  cat("P-value =", signif(p_value_f, 4),
      ". H0 ditolak. Model regresi signifikan secara simultan.")
} else {
  cat("P-value =", signif(p_value_f, 4),
      ". H0 tidak dapat ditolak. Model belum terbukti signifikan secara simultan.")
}
## P-value = 7.812e-09 . H0 ditolak. Model regresi signifikan secara simultan.

4.6.2 Uji Parsial (Uji t)

hasil_uji_t <- summary(model)$coefficients

kable(hasil_uji_t,
      digits = 4,
      caption = "Hasil Uji Parsial")
Hasil Uji Parsial
Estimate Std. Error t value Pr(>|t|)
(Intercept) 28.8279 2.2469 12.8301 0.0000
X1 -0.3889 0.3534 -1.1003 0.2789
X2 0.0025 0.0052 0.4803 0.6341
X3 -2.0178 0.3381 -5.9678 0.0000
for (i in 2:nrow(hasil_uji_t)) {

  p <- hasil_uji_t[i, 4]
  variabel <- rownames(hasil_uji_t)[i]

  if (p < 0.05) {
    cat("\n\nVariabel", variabel,
        "signifikan terhadap Y dengan p-value",
        signif(p, 4), ".")
  } else {
    cat("\n\nVariabel", variabel,
        "belum terbukti signifikan terhadap Y dengan p-value",
        signif(p, 4), ".")
  }
}
## 
## 
## Variabel X1 belum terbukti signifikan terhadap Y dengan p-value 0.2789 .
## 
## Variabel X2 belum terbukti signifikan terhadap Y dengan p-value 0.6341 .
## 
## Variabel X3 signifikan terhadap Y dengan p-value 9.482e-07 .

4.6.3 Koefisien Determinasi

r2 <- summary(model)$r.squared
adj_r2 <- summary(model)$adj.r.squared

kable(
  data.frame(
    Ukuran = c("R-squared", "Adjusted R-squared"),
    Nilai = c(r2, adj_r2)
  ),
  digits = 4,
  caption = "Koefisien Determinasi"
)
Koefisien Determinasi
Ukuran Nilai
R-squared 0.6926
Adjusted R-squared 0.6655
cat(
  "Nilai R-squared sebesar",
  round(r2, 4),
  "atau",
  round(r2 * 100, 2),
  "%."
)
## Nilai R-squared sebesar 0.6926 atau 69.26 %.

4.7 Pengujian Asumsi Klasik

4.7.1 Uji Normalitas

shapiro.test(residuals(model))
## 
##  Shapiro-Wilk normality test
## 
## data:  residuals(model)
## W = 0.97723, p-value = 0.6193

4.7.2 Uji Multikolinearitas

vif(model)
##       X1       X2       X3 
## 1.510604 1.301241 1.862480

4.7.3 Uji Heteroskedastisitas

bptest(model)
## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 7.0674, df = 3, p-value = 0.06978

4.7.4 Uji Autokorelasi

dwtest(model)
## 
##  Durbin-Watson test
## 
## data:  model
## DW = 0.874, p-value = 3.324e-05
## alternative hypothesis: true autocorrelation is greater than 0

4.7.5 Plot Diagnostik Model

par(mfrow = c(2, 2))

plot(model)

par(mfrow = c(1, 1))

4.8 Pengujian Lack of Fit

Uji Lack of Fit memerlukan pengamatan berulang pada kombinasi nilai variabel independen yang sama.

X <- DATA9[, c("X1", "X2", "X3")]

kelompok <- interaction(X, drop = TRUE)

jumlah_kombinasi <- length(unique(kelompok))
jumlah_data <- nrow(DATA9)

SSE <- sum(residuals(model)^2)

rata2_kelompok <- ave(Y, kelompok, FUN = mean)

SSPE <- sum((Y - rata2_kelompok)^2)

SSLOF <- SSE - SSPE

df_LOF <- jumlah_kombinasi - length(coef(model))
df_PE <- jumlah_data - jumlah_kombinasi

if (df_LOF > 0 && df_PE > 0 && SSPE > 0) {

  F_LOF <- (SSLOF / df_LOF) / (SSPE / df_PE)

  p_LOF <- pf(
    F_LOF,
    df_LOF,
    df_PE,
    lower.tail = FALSE
  )

  hasil_LOF <- data.frame(
    F_Hitung = F_LOF,
    df_LOF = df_LOF,
    df_PE = df_PE,
    P_Value = p_LOF
  )

  kable(hasil_LOF, digits = 4,
        caption = "Hasil Uji Lack of Fit")

} else {

  cat("Uji Lack of Fit tidak dapat dihitung karena",
      "tidak terdapat pengamatan berulang yang mencukupi.")
}
## Uji Lack of Fit tidak dapat dihitung karena tidak terdapat pengamatan berulang yang mencukupi.

4.9 Identifikasi Outlier dan Pengamatan Berpengaruh

4.9.1 Influence Plot

influencePlot(
  model,
  main = "Influence Plot",
  sub = "Identifikasi Pengamatan Berpengaruh"
)

##      StudRes       Hat      CookD
## 25 2.0423912 0.0913278 0.09587030
## 26 2.4135158 0.2316811 0.38455305
## 27 1.8598523 0.1412773 0.13267526
## 30 0.1100091 0.8470400 0.01725556

4.9.2 Uji Outlier Bonferroni

outlierTest(model)
## No Studentized residuals with Bonferroni p < 0.05
## Largest |rstudent|:
##    rstudent unadjusted p-value Bonferroni p
## 26 2.413516           0.021511      0.81744

4.9.3 Menghitung DFFITS

nilai_dffits <- dffits(model)

nilai_dffits
##             1             2             3             4             5 
##  2.640636e-01 -1.424571e-01 -4.205674e-02 -2.447697e-01 -1.985490e-01 
##             6             7             8             9            10 
##  7.059239e-02 -1.797245e-01 -3.769314e-01 -5.240089e-01 -3.205596e-01 
##            11            12            13            14            15 
## -1.281098e-01 -1.824478e-01  2.591552e-01 -3.663936e-01  1.490445e-01 
##            16            17            18            19            20 
##  7.111739e-02 -2.086719e-02  3.187119e-02  1.419507e-02 -7.123038e-05 
##            21            22            23            24            25 
##  3.224102e-01 -1.643033e-04  2.102131e-01  2.135640e-01  6.474956e-01 
##            26            27            28            29            30 
##  1.325332e+00  7.543766e-01  1.186107e-02  4.363686e-01  2.588759e-01 
##            31            32            33            34            35 
##  3.316291e-01 -1.743333e-02 -1.492971e-01 -4.397816e-02  1.762213e-01 
##            36            37            38 
##  3.651199e-01 -1.090066e-01 -4.619481e-01

4.9.4 Menentukan Batas DFFITS

n <- nrow(DATA9)

p <- length(coef(model)) - 1

batas_dffits <- 2 * sqrt(p / n)

batas_dffits
## [1] 0.5619515

4.9.5 Identifikasi DFFITS

data_dffits <- data.frame(
  Pengamatan = 1:n,
  DFFITS = nilai_dffits,
  Absolut_DFFITS = abs(nilai_dffits)
)

kable(data_dffits, digits = 4,
      caption = "Hasil Perhitungan DFFITS")
Hasil Perhitungan DFFITS
Pengamatan DFFITS Absolut_DFFITS
1 0.2641 0.2641
2 -0.1425 0.1425
3 -0.0421 0.0421
4 -0.2448 0.2448
5 -0.1985 0.1985
6 0.0706 0.0706
7 -0.1797 0.1797
8 -0.3769 0.3769
9 -0.5240 0.5240
10 -0.3206 0.3206
11 -0.1281 0.1281
12 -0.1824 0.1824
13 0.2592 0.2592
14 -0.3664 0.3664
15 0.1490 0.1490
16 0.0711 0.0711
17 -0.0209 0.0209
18 0.0319 0.0319
19 0.0142 0.0142
20 -0.0001 0.0001
21 0.3224 0.3224
22 -0.0002 0.0002
23 0.2102 0.2102
24 0.2136 0.2136
25 0.6475 0.6475
26 1.3253 1.3253
27 0.7544 0.7544
28 0.0119 0.0119
29 0.4364 0.4364
30 0.2589 0.2589
31 0.3316 0.3316
32 -0.0174 0.0174
33 -0.1493 0.1493
34 -0.0440 0.0440
35 0.1762 0.1762
36 0.3651 0.3651
37 -0.1090 0.1090
38 -0.4619 0.4619
pengamatan_dffits <- which(
  abs(nilai_dffits) > batas_dffits
)

pengamatan_dffits
## 25 26 27 
## 25 26 27

4.9.6 Menghitung DFBETAS

nilai_dfbetas <- dfbetas(model)

kable(
  as.data.frame(nilai_dfbetas),
  digits = 4,
  caption = "Hasil Perhitungan DFBETAS"
)
Hasil Perhitungan DFBETAS
(Intercept) X1 X2 X3
0.0487 -0.2382 -0.0533 0.1219
-0.0471 -0.0277 0.0439 0.0300
-0.0125 -0.0020 0.0134 0.0038
0.0307 -0.1306 0.0720 0.0155
-0.0640 -0.0729 0.0393 0.0637
0.0022 0.0473 -0.0184 -0.0201
-0.0502 -0.1322 -0.0005 0.1007
-0.2550 0.0970 0.0224 0.1014
-0.4329 -0.0850 -0.0671 0.3531
-0.1496 -0.0988 -0.0201 0.1379
-0.1045 -0.0341 -0.0153 0.0937
-0.1317 0.0712 0.0006 0.0451
0.2259 -0.0490 0.0334 -0.1329
-0.1840 -0.2336 -0.1884 0.2784
-0.0739 0.1089 0.0056 0.0027
-0.0132 -0.0194 -0.0003 0.0307
0.0038 0.0039 0.0101 -0.0091
0.0027 0.0009 -0.0136 0.0032
0.0031 0.0066 -0.0036 -0.0042
0.0000 0.0000 0.0000 0.0000
0.0754 -0.2707 -0.0784 0.1303
-0.0001 -0.0001 0.0000 0.0001
0.1405 0.0376 0.0509 -0.1152
0.0034 0.1121 -0.0632 -0.0358
-0.2516 0.4141 0.1151 -0.0066
0.6597 1.0605 0.1808 -1.1003
0.7231 -0.0713 0.1530 -0.5056
0.0045 -0.0101 -0.0018 0.0032
0.3246 -0.2749 0.0462 -0.0772
0.0320 -0.0493 0.2365 -0.0211
-0.2302 -0.0972 -0.1618 0.2827
0.0123 -0.0062 0.0027 -0.0077
0.0632 0.0667 0.0603 -0.1110
0.0251 -0.0051 0.0212 -0.0238
-0.1148 -0.0845 -0.0802 0.1609
-0.2914 -0.0765 -0.1391 0.3143
0.0300 -0.0417 -0.0688 0.0031
0.1999 0.2299 0.0771 -0.3446

4.9.7 Menentukan Batas DFBETAS

batas_dfbetas <- 2 / sqrt(n)

batas_dfbetas
## [1] 0.3244428

4.9.8 Identifikasi DFBETAS

pengamatan_dfbetas <- which(
  apply(
    abs(nilai_dfbetas) > batas_dfbetas,
    1,
    any
  )
)

pengamatan_dfbetas
##  9 25 26 27 29 38 
##  9 25 26 27 29 38

4.9.9 Menentukan Pengamatan Berpengaruh

pengamatan_berpengaruh <- sort(unique(c(
  pengamatan_dffits,
  pengamatan_dfbetas
)))

pengamatan_berpengaruh
## [1]  9 25 26 27 29 38

4.9.10 Membentuk Data Setelah Identifikasi

if (length(pengamatan_berpengaruh) > 0) {

  DATA9_baru <- DATA9[
    -pengamatan_berpengaruh,
    ,
    drop = FALSE
  ]

} else {

  DATA9_baru <- DATA9
}

DATA9_baru
##        Y   X1      X2    X3
## 1  13.65 1.83  33.149  7.88
## 2   9.53 4.66  26.314  7.78
## 3  10.63 4.52  30.681  7.90
## 4   6.53 5.65  43.297  8.66
## 5   8.69 4.91  35.812  7.83
## 6  10.72 5.79  30.193  8.24
## 7   9.45 5.70  47.272  7.75
## 8   8.93 3.67  35.178  7.14
## 10  7.34 4.75  58.086  7.76
## 11 13.34 4.15  31.432  6.36
## 12 11.90 3.27  36.190  6.90
## 13 17.19 3.24  36.006  6.29
## 14  9.24 5.48 113.683  7.44
## 15  5.00 8.05 127.382 10.78
## 16  9.80 4.67  91.112  9.11
## 17  9.15 4.66  36.991  8.77
## 18 10.89 4.68  29.917  8.24
## 19 11.04 5.14  31.588  7.95
## 20  9.80 4.16  33.627  8.67
## 21 14.40 2.41  27.619  7.78
## 22 12.18 4.63  74.242  7.45
## 23 14.91 4.40  67.176  7.40
## 24 12.42 5.46  35.726  8.34
## 28 13.85 1.74  23.842  7.15
## 30  7.15 4.06 541.068 10.69
## 31  7.30 5.24  55.523 10.78
## 32  4.26 6.80 107.542 10.94
## 33  6.48 4.53  57.885  9.56
## 34  6.60 5.64  48.058  9.78
## 35  5.77 4.73  59.061 11.05
## 36  4.74 5.85  86.285 11.82
## 37  4.65 6.76 245.685 10.70

4.9.11 Membentuk Model Regresi Baru

regresi_baru <- lm(
  Y ~ X1 + X2 + X3,
  data = DATA9_baru
)

summary(regresi_baru)
## 
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = DATA9_baru)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.5825 -0.7704 -0.1633  0.9179  3.4019 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 25.3985738  1.9400986  13.091 1.86e-13 ***
## X1          -0.8759728  0.2873416  -3.049  0.00498 ** 
## X2          -0.0004154  0.0036995  -0.112  0.91140    
## X3          -1.3524683  0.2846271  -4.752 5.47e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.742 on 28 degrees of freedom
## Multiple R-squared:  0.7515, Adjusted R-squared:  0.7249 
## F-statistic: 28.23 on 3 and 28 DF,  p-value: 1.298e-08

4.9.12 Perbandingan Model Awal dan Model Baru

perbandingan <- data.frame(
  Model = c("Model Awal", "Model Baru"),
  R_Squared = c(
    summary(model)$r.squared,
    summary(regresi_baru)$r.squared
  ),
  Adjusted_R_Squared = c(
    summary(model)$adj.r.squared,
    summary(regresi_baru)$adj.r.squared
  ),
  AIC = c(
    AIC(model),
    AIC(regresi_baru)
  )
)

kable(perbandingan,
      digits = 4,
      caption = "Perbandingan Model Regresi")
Perbandingan Model Regresi
Model R_Squared Adjusted_R_Squared AIC
Model Awal 0.6926 0.6655 183.2268
Model Baru 0.7515 0.7249 132.0634

BAB V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil analisis yang telah dilakukan, kesimpulan penelitian disusun berdasarkan karakteristik data, hasil pembentukan model regresi linier berganda, pengujian signifikansi parameter, pengujian asumsi klasik, serta identifikasi outlier dan pengamatan berpengaruh. Kesimpulan disesuaikan dengan hasil perhitungan dan interpretasi yang diperoleh dari pengolahan data menggunakan RStudio.

5.2 Saran

Berdasarkan pelaksanaan analisis, pengolahan data sebaiknya dilakukan secara teliti dengan memperhatikan kesesuaian variabel, kelengkapan data, dan pemenuhan asumsi model regresi. Pengamatan yang teridentifikasi berpengaruh perlu ditinjau lebih lanjut berdasarkan kondisi sebenarnya sebelum dilakukan penghapusan. Penelitian selanjutnya juga dapat mempertimbangkan penambahan variabel independen atau penggunaan metode analisis lain yang sesuai dengan karakteristik data.