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.
Penelitian ini diharapkan dapat meningkatkan pemahaman mengenai penerapan analisis regresi linier berganda serta penggunaan program RStudio dalam pengolahan, analisis, dan penyajian data statistik.
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.
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:
Metode Ordinary Least Squares (OLS) merupakan metode estimasi parameter regresi dengan meminimumkan jumlah kuadrat residual.
\[ \hat{\beta}=(X'X)^{-1}X'Y \]
Uji F digunakan untuk mengetahui apakah seluruh variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen.
Hipotesis:
\[ H_0:\beta_1=\beta_2=\beta_3=0 \]
\[ H_1:\text{Minimal terdapat satu }\beta_j\neq 0 \]
Uji t digunakan untuk mengetahui pengaruh masing-masing variabel independen terhadap variabel dependen.
Hipotesis:
\[ H_0:\beta_j=0 \]
\[ H_1:\beta_j\neq 0 \]
Koefisien determinasi digunakan untuk mengetahui kemampuan variabel independen dalam menjelaskan variasi variabel dependen.
\[ R^2=1-\frac{SSE}{SST} \]
Pengujian asumsi klasik meliputi:
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.
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:
Penelitian ini menggunakan data sekunder yang berisi informasi mengenai persentase penduduk miskin, tingkat pengangguran terbuka, PDRB per kapita, dan rata-rata lama sekolah.
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 |
Data diperoleh dalam bentuk tabel yang disiapkan menggunakan
Microsoft Excel, kemudian dimasukkan ke dalam program RStudio
menggunakan fungsi read.delim().
Tahapan analisis data yang dilakukan meliputi:
install.packages(c(
"car",
"lmtest",
"knitr"
))
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
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)
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 ...
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
dim(DATA9)
## [1] 38 4
nrow(DATA9)
## [1] 38
ncol(DATA9)
## [1] 4
names(DATA9)
## [1] "Y" "X1" "X2" "X3"
Y <- DATA9$Y
X1 <- DATA9$X1
X2 <- DATA9$X2
X3 <- DATA9$X3
sapply(DATA9[, c("Y", "X1", "X2", "X3")], mean)
## Y X1 X2 X3
## 10.292632 4.662895 70.659474 8.375526
sapply(DATA9[, c("Y", "X1", "X2", "X3")], median)
## Y X1 X2 X3
## 9.6650 4.6650 37.2325 7.9250
sapply(DATA9[, c("Y", "X1", "X2", "X3")], var)
## Y X1 X2 X3
## 18.673539 2.041551 8001.549695 2.750301
sapply(DATA9[, c("Y", "X1", "X2", "X3")], sd)
## Y X1 X2 X3
## 4.321289 1.428828 89.451382 1.658403
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")
| 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 |
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))
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))
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))
korelasi <- cor(DATA9[, c("Y", "X1", "X2", "X3")])
kable(korelasi, digits = 3,
caption = "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 |
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
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
koef <- coef(model)
kable(
data.frame(
Parameter = names(koef),
Estimasi = as.numeric(koef)
),
digits = 4,
caption = "Estimasi Parameter Regresi"
)
| Parameter | Estimasi |
|---|---|
| (Intercept) | 28.8279 |
| X1 | -0.3889 |
| X2 | 0.0025 |
| X3 | -2.0178 |
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
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")
| 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 |
hasil_anova <- anova(model)
kable(hasil_anova,
digits = 4,
caption = "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)$fstatistic
p_value_f <- pf(
fstat[1],
fstat[2],
fstat[3],
lower.tail = FALSE
)
if (p_value_f < 0.05) {
cat("P-value =", signif(p_value_f, 4),
". H0 ditolak. Model regresi signifikan secara simultan.")
} else {
cat("P-value =", signif(p_value_f, 4),
". H0 tidak dapat ditolak. Model belum terbukti signifikan secara simultan.")
}
## P-value = 7.812e-09 . H0 ditolak. Model regresi signifikan secara simultan.
hasil_uji_t <- summary(model)$coefficients
kable(hasil_uji_t,
digits = 4,
caption = "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 .
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"
)
| 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 %.
shapiro.test(residuals(model))
##
## Shapiro-Wilk normality test
##
## data: residuals(model)
## W = 0.97723, p-value = 0.6193
vif(model)
## X1 X2 X3
## 1.510604 1.301241 1.862480
bptest(model)
##
## studentized Breusch-Pagan test
##
## data: model
## BP = 7.0674, df = 3, p-value = 0.06978
dwtest(model)
##
## Durbin-Watson test
##
## data: model
## DW = 0.874, p-value = 3.324e-05
## alternative hypothesis: true autocorrelation is greater than 0
par(mfrow = c(2, 2))
plot(model)
par(mfrow = c(1, 1))
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.
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
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
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
n <- nrow(DATA9)
p <- length(coef(model)) - 1
batas_dffits <- 2 * sqrt(p / n)
batas_dffits
## [1] 0.5619515
data_dffits <- data.frame(
Pengamatan = 1:n,
DFFITS = nilai_dffits,
Absolut_DFFITS = abs(nilai_dffits)
)
kable(data_dffits, digits = 4,
caption = "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
nilai_dfbetas <- dfbetas(model)
kable(
as.data.frame(nilai_dfbetas),
digits = 4,
caption = "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 |
batas_dfbetas <- 2 / sqrt(n)
batas_dfbetas
## [1] 0.3244428
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
pengamatan_berpengaruh <- sort(unique(c(
pengamatan_dffits,
pengamatan_dfbetas
)))
pengamatan_berpengaruh
## [1] 9 25 26 27 29 38
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
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
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")
| Model | R_Squared | Adjusted_R_Squared | AIC |
|---|---|---|---|
| Model Awal | 0.6926 | 0.6655 | 183.2268 |
| Model Baru | 0.7515 | 0.7249 | 132.0634 |
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.
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.