BAB I PENDAHULUAN

1.1 Latar Belakang

Analisis regresi merupakan salah satu metode statistika yang digunakan untuk mengetahui dan menganalisis hubungan antara variabel terikat dengan satu atau lebih variabel bebas. Berdasarkan jumlah variabel bebas yang digunakan,regresi linier berganda digunakan apabila terdapat dua atau lebih variabel bebas yang secara bersama-sama digunakan untuk menjelaskan variabel terikat. Penggunaan regresi linier berganda memungkinkan peneliti untuk mengetahui hubungan beberapa faktor prediktor terhadap suatu variabel respon secara simultan maupun parsial

1.2 Rumusan Masalah

  1. Bagaimana melakukan analisis regresi linier berganda?
  2. Bagaimana melakukan pengujian asumsi klasik?

1.3 Tujuan

  1. Memahami analisis regresi linier berganda.
  2. Memahami pengujian asumsi klasik.

2.5 Uji Asumsi Klasik

2.5.1 Uji Normalitas

Uji normalitas bertujuan untuk mengetahui apakah residual pada model regresi berdistribusi normal. Pengujian dilakukan menggunakan uji Shapiro-Wilk dengan taraf signifikansi sebesar 0,05.

Hipotesis: - H0: Residual berdistribusi normal. - H1: Residual tidak berdistribusi normal.

Kriteria Pengujian: - Jika p-value > 0,05, maka H0 tidak ditolak, artinya residual berdistribusi normal. - Jika p-value <= 0,05, maka H0 ditolak, artinya residual tidak berdistribusi normal.

2.5.2 Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk mengetahui apakah terdapat hubungan linear yang kuat antara variabel independen dalam model regresi. Pengujian dilakukan menggunakan nilai Variance Inflation Factor (VIF).

Hipotesis: - H0: Tidak terdapat multikolinearitas antarvariabel independen. - H1: Terdapat multikolinearitas antarvariabel independen.

Kriteria Pengujian: - Jika nilai VIF < 10, maka tidak terdapat indikasi multikolinearitas. - Jika nilai VIF >= 10, maka terdapat indikasi multikolinearitas.

2.5.3 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk mengetahui apakah terdapat ketidaksamaan varians residual pada setiap pengamatan. Pengujian dilakukan menggunakan Breusch-Pagan Test dengan taraf signifikansi 0,05.

Hipotesis: - H0: Tidak terdapat heteroskedastisitas. - H1: Terdapat heteroskedastisitas.

Kriteria Pengujian: - Jika p-value > 0,05, maka H0 tidak ditolak, artinya tidak terdapat heteroskedastisitas. - Jika p-value <= 0,05, maka H0 ditolak, artinya terdapat heteroskedastisitas.

2.5.4 Uji Autokorelasi

Uji autokorelasi bertujuan untuk mengetahui apakah terdapat korelasi antara residual pada suatu pengamatan dengan residual pada pengamatan lainnya. Pengujian dilakukan menggunakan Durbin-Watson Test dengan taraf signifikansi 0,05.

Hipotesis: - H0: Tidak terdapat autokorelasi. - H1: Terdapat autokorelasi.

Kriteria Pengujian:

  • Jika 0 < d < dL, terdapat autokorelasi positif.
  • Jika dL <= d <= dU, berada pada daerah keragu-raguan.
  • Jika dU < d < 4 - dU, tidak terdapat autokorelasi.
  • Jika 4 - dU <= d <= 4 - dL, berada pada daerah keragu-raguan.
  • Jika 4 - dL < d < 4, terdapat autokorelasi negatif.

2.6 Pengujian Hipotesis

2.6.1 Uji F (Simultan)

Uji F digunakan untuk mengetahui apakah seluruh variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen dalam model regresi linier berganda.

Hipotesis: - H0: beta1 = beta2 = … = betap = 0, artinya seluruh variabel independen secara simultan tidak berpengaruh signifikan terhadap variabel dependen. - H1: Minimal terdapat satu betai != 0, artinya minimal terdapat satu variabel independen yang berpengaruh signifikan terhadap variabel dependen.

Kriteria Pengujian: - Jika p-value < 0,05, maka H0 ditolak, artinya variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen. - Jika p-value >= 0,05, maka H0 tidak ditolak, artinya variabel independen secara simultan tidak terbukti berpengaruh signifikan terhadap variabel dependen.

2.6.2 Uji t (Parsial)

Uji t digunakan untuk mengetahui pengaruh masing-masing variabel independen secara parsial terhadap variabel dependen dengan menganggap variabel independen lainnya tetap.

Hipotesis: - H0: betai = 0, artinya variabel independen ke-i tidak berpengaruh signifikan terhadap variabel dependen. - H1: betai != 0, artinya variabel independen ke-i berpengaruh signifikan terhadap variabel dependen.

Kriteria Pengujian: - Jika p-value < 0,05, maka H0 ditolak, artinya variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen. - Jika p-value >= 0,05, maka H0 tidak ditolak, artinya variabel independen secara parsial tidak terbukti berpengaruh signifikan terhadap variabel dependen.

2.7 Identifikasi Pengamatan Berpengaruh (Influence Plot)

Influence Plot merupakan grafik diagnostik yang digunakan untuk mengidentifikasi pengamatan yang memiliki pengaruh terhadap model regresi. Grafik ini menampilkan informasi mengenai studentized residual, leverage, dan Cook’s Distance.

Kriteria Identifikasi: - Studentized residual dengan nilai absolut yang besar menunjukkan pengamatan yang perlu diperiksa sebagai kemungkinan outlier. - Leverage yang tinggi menunjukkan pengamatan memiliki posisi yang jauh dari pusat data variabel independen. - Cook’s Distance yang besar menunjukkan pengamatan berpotensi memberikan pengaruh kuat terhadap estimasi model regresi.

Sebagai pedoman awal, nilai Cook’s Distance yang lebih besar dari 4/(n-k-1) dapat digunakan untuk menandai pengamatan yang perlu diperiksa lebih lanjut.

2.8 Uji Outlier Menggunakan Bonferroni

Uji Bonferroni merupakan metode pengujian yang digunakan untuk mengidentifikasi pencilan berdasarkan residual terstudentisasi dengan mempertimbangkan pengujian terhadap beberapa pengamatan secara bersamaan.

Hipotesis: - H0: Pengamatan ke-i bukan merupakan outlier. - H1: Pengamatan ke-i merupakan outlier.

Kriteria Pengujian: - Jika p-value Bonferroni < 0,05, maka H0 ditolak, artinya pengamatan teridentifikasi sebagai outlier secara signifikan. - Jika p-value Bonferroni >= 0,05, maka H0 tidak ditolak, artinya pengamatan tidak teridentifikasi sebagai outlier secara signifikan.

BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang digunakan dalam praktikum ini merupakan data sekunder. Data ini diperoleh pada laman website di bawah naungan pemerintah, yaitu BPS (Badan Pusat Statistik). 666 ## 3.2 Variabel Penelitian

Variabel yang digunakan dalam analisis ini terdiri atas satu variabel dependen dan beberapa variabel independen. Variabel dependen merupakan variabel yang menjadi fokus analisis, sedangkan variabel independen merupakan variabel yang digunakan untuk menjelaskan perubahan pada variabel dependen.

Variabel penelitian dapat dituliskan sebagai berikut:

  • Y : Persentase Rumah Tangga yang memiliki pengeluaran telekomunikasi.
  • X1 :Persentase Rumah Tangga yang Memiliki atau Menguasai Komputer
  • X2 : Persentase Rumah Tangga yang Memiliki atau Menguasai Telepon Tetep Kabel
  • X3 : Rata-rata Pengeluaran Per Kapita

3.3 Metode Pengumpulan Data

Pengumpulan data dilakukan dengan menggunakan metode dokumentasi, yaitu mengumpulkan data sekunder dari sumber yang telah tersedia. Data yang diperoleh kemudian dipilih berdasarkan kesesuaian variabel dan kelengkapan informasi yang dibutuhkan. Selanjutnya, data disusun dalam bentuk tabel untuk diolah menggunakan perangkat lunak RStudio.

3.4 Metode Analisis Data

Analisis data dilakukan menggunakan metode regresi linier berganda dengan bantuan perangkat lunak RStudio. Tahapan analisis yang dilakukan adalah sebagai berikut:

  1. Mengumpulkan dan memilih data sekunder sesuai dengan variabel penelitian.
  2. Melakukan eksplorasi data untuk mengetahui struktur, jumlah pengamatan, dan kelengkapan data.
  3. Melakukan analisis statistika deskriptif untuk mengetahui karakteristik data.
  4. Membentuk dan mengestimasi model regresi linier berganda.
  5. Melakukan pengujian asumsi klasik yang meliputi uji normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi.
  6. Melakukan pengujian hipotesis menggunakan Uji F dan Uji t.
  7. Mengidentifikasi pengamatan berpengaruh menggunakan Influence Plot.
  8. Melakukan pengujian outlier menggunakan Uji Bonferroni.
  9. Menyusun hasil analisis dan pembahasan ke dalam laporan R Markdown.

3.5 Model Analisis

Model regresi linier berganda yang digunakan dalam analisis ini dinyatakan dalam persamaan berikut:

\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + \beta_3X_3 + \varepsilon \] Keterangan:

  • Y : Variabel dependen.
  • X1, X2, X3 : Variabel independen.
  • β0 : Konstanta.
  • β1, β2, β3 : Koefisien regresi.
  • ε : Galat atau kesalahan pengamatan.

BAB IV HASIL DAN PEMBAHASAN

4.1 Pengumpulan dan Pemilihan Data Sekunder

Data yang digunakan dalam praktikum ini merupakan data sekunder yang terdiri atas 38 provinsi di Indonesia. Variabel yang digunakan meliputi persentase rumah tangga yang memiliki pengeluaran telekomunikasi sebagai variabel dependen (Y), persentase rumah tangga yang memiliki atau menguasai komputer (X1), persentase rumah tangga yang memiliki atau menguasai telepon tetap kabel (X2), serta rata-rata pengeluaran per kapita (X3) sebagai variabel independen. Data tersebut selanjutnya diolah menggunakan program RStudio untuk melakukan analisis regresi linier berganda.

library(readxl)

data_reg <- read_excel("C:/Users/ASUS/Downloads/data_regresi.xlsx")

head(data_reg)
## # A tibble: 6 × 5
##   Provinsi             Y    X1    X2      X3
##   <chr>            <dbl> <dbl> <dbl>   <dbl>
## 1 Aceh              94.3  15.5  0.35 1264733
## 2 Sumatera Utara    96.9  15.4  0.54 1340957
## 3 Sumatera Barat    96.4  20.5  0.52 1480853
## 4 Riau              97.7  18.0  0.58 1563165
## 5 Jambi             95.7  17.6  0.46 1472501
## 6 Sumatera Selatan  95.7  14.9  0.51 1289001
dim(data_reg)
## [1] 38  5

4.2 Eksplorasi Data

Eksplorasi data dilakukan untuk mengetahui struktur dan karakteristik awal data yang digunakan dalam analisis. Pemeriksaan dilakukan terhadap jumlah pengamatan, jumlah variabel, tipe data, serta kelengkapan data penelitian.

4.2 Eksplorasi Data

# Melihat struktur data
str(data_reg)
## tibble [38 × 5] (S3: tbl_df/tbl/data.frame)
##  $ Provinsi: chr [1:38] "Aceh" "Sumatera Utara" "Sumatera Barat" "Riau" ...
##  $ Y       : num [1:38] 94.3 96.9 96.5 97.7 95.7 ...
##  $ X1      : num [1:38] 15.5 15.3 20.5 18 17.6 ...
##  $ X2      : num [1:38] 0.35 0.54 0.52 0.58 0.46 0.51 0.54 0.44 0.3 0.67 ...
##  $ X3      : num [1:38] 1264733 1340957 1480853 1563165 1472501 ...
# Melihat dimensi data
dim(data_reg)
## [1] 38  5
# Melihat nama variabel
names(data_reg)
## [1] "Provinsi" "Y"        "X1"       "X2"       "X3"
# Memeriksa data kosong
colSums(is.na(data_reg))
## Provinsi        Y       X1       X2       X3 
##        0        0        0        0        0
# Memeriksa data duplikat
sum(duplicated(data_reg))
## [1] 0

4.3 Analisis Statistika Deskriptif

Analisis statistika deskriptif dilakukan untuk mengetahui gambaran umum dari setiap variabel penelitian. Ukuran statistik yang digunakan meliputi nilai minimum, maksimum, rata-rata, median, dan standar deviasi.

library(psych)

describe(data_reg[, c("Y", "X1", "X2", "X3")])
##    vars  n       mean        sd     median    trimmed       mad    min
## Y     1 38      95.24      1.82      95.00      95.25      1.48     91
## X1    2 38      17.04      7.41      15.75      16.60      5.77      3
## X2    3 38       0.71      1.00       0.50       0.53      0.26      0
## X3    4 38 1515436.55 327135.91 1459905.50 1479791.44 271012.61 975854
##           max      range  skew kurtosis       se
## Y       98.87       7.87 -0.08    -0.47     0.30
## X1      39.33      36.33  0.78     0.90     1.20
## X2       5.98       5.98  3.92    17.25     0.16
## X3 2794485.00 1818631.00  1.62     4.06 53068.45
# Membuat boxplot
par(mfrow = c(2, 2))

boxplot(data_reg$Y,
        main = "Boxplot Y",
        col = "skyblue",
        ylab = "Y")

boxplot(data_reg$X1,
        main = "Boxplot X1",
        col = "lightgreen",
        ylab = "X1")

4.4 Pembentukan dan Estimasi Model Regresi Linier Berganda

Model regresi linier berganda digunakan untuk mengetahui hubungan antara variabel dependen (Y) dengan variabel independen X1, X2, dan X3.

Persamaan umum model regresi linier berganda adalah:

\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + \beta_3X_3 + \varepsilon \]

# Membentuk model regresi
model <- lm(Y ~ X1 + X2 + X3, data = data_reg)

# Menampilkan hasil regresi
summary(model)
## 
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = data_reg)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.94484 -0.66118 -0.01351  0.57768  2.45340 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  9.222e+01  1.051e+00  87.726  < 2e-16 ***
## X1           2.422e-01  3.504e-02   6.911 5.79e-08 ***
## X2          -2.889e-01  2.709e-01  -1.066    0.294    
## X3          -5.983e-07  8.099e-07  -0.739    0.465    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.078 on 34 degrees of freedom
## Multiple R-squared:  0.6776, Adjusted R-squared:  0.6491 
## F-statistic: 23.82 on 3 and 34 DF,  p-value: 1.742e-08
# Menampilkan koefisien regresi
coef(model)
##   (Intercept)            X1            X2            X3 
##  9.222499e+01  2.421968e-01 -2.889146e-01 -5.982609e-07

4.5 Pengujian Asumsi Klasik

4.5.1 Uji Normalitas

Uji normalitas dilakukan untuk mengetahui apakah residual pada model regresi berdistribusi normal. Pengujian dilakukan menggunakan metode Shapiro-Wilk dengan taraf signifikansi 0,05.

Hipotesis:

  • H0: Residual berdistribusi normal.
  • H1: Residual tidak berdistribusi normal.

Kriteria pengujian:

  • Jika p-value > 0,05, maka H0 tidak ditolak.
  • Jika p-value <= 0,05, maka H0 ditolak.
# Uji Shapiro-Wilk
shapiro.test(residuals(model))
## 
##  Shapiro-Wilk normality test
## 
## data:  residuals(model)
## W = 0.96507, p-value = 0.2762
# Membuat Q-Q Plot
qqnorm(residuals(model),
       main = "Normal Q-Q Plot")

qqline(residuals(model), col = "red")

4.5.2 Uji Multikolinearitas

Uji multikolinearitas dilakukan untuk mengetahui apakah terdapat hubungan linear yang kuat antara variabel independen dalam model regresi. Pengujian dilakukan menggunakan nilai Variance Inflation Factor (VIF).

Hipotesis:

  • H0: Tidak terdapat multikolinearitas antarvariabel independen.
  • H1: Terdapat multikolinearitas antarvariabel independen.

Kriteria pengujian:

  • Jika nilai VIF < 10, maka tidak terdapat indikasi multikolinearitas.
  • Jika nilai VIF >= 10, maka terdapat indikasi multikolinearitas.
library(car)

# Uji VIF
vif(model)
##       X1       X2       X3 
## 2.146435 2.359409 2.236256

4.5.3 Uji Heteroskedastisitas

Uji heteroskedastisitas dilakukan untuk mengetahui apakah terdapat ketidaksamaan varians residual pada model regresi. Pengujian dilakukan menggunakan Breusch-Pagan Test dengan taraf signifikansi 0,05.

Hipotesis:

  • H0: Tidak terdapat heteroskedastisitas.
  • H1: Terdapat heteroskedastisitas.

Kriteria pengujian:

  • Jika p-value > 0,05, maka H0 tidak ditolak.
  • Jika p-value <= 0,05, maka H0 ditolak.
library(lmtest)

# Uji Breusch-Pagan
bptest(model)
## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 0.4858, df = 3, p-value = 0.922

4.5.4 Uji Autokorelasi

Uji autokorelasi dilakukan untuk mengetahui apakah terdapat korelasi antara residual pada suatu pengamatan dengan residual pada pengamatan lainnya. Pengujian dilakukan menggunakan Durbin-Watson Test.

Hipotesis:

  • H0: Tidak terdapat autokorelasi.
  • H1: Terdapat autokorelasi.
# Uji Durbin-Watson
dwtest(model)
## 
##  Durbin-Watson test
## 
## data:  model
## DW = 1.9213, p-value = 0.3166
## alternative hypothesis: true autocorrelation is greater than 0

4.6 Pengujian Hipotesis

4.6.1 Uji F (Simultan)

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

Hipotesis:

  • H0: beta1 = beta2 = beta3 = 0, artinya seluruh variabel independen secara simultan tidak berpengaruh signifikan terhadap variabel dependen.
  • H1: Minimal terdapat satu betai != 0, artinya minimal terdapat satu variabel independen yang berpengaruh signifikan terhadap variabel dependen.

Kriteria pengujian:

  • Jika p-value < 0,05, maka H0 ditolak.
  • Jika p-value >= 0,05, maka H0 tidak ditolak.
# Menampilkan hasil Uji F
summary(model)$fstatistic
##    value    numdf    dendf 
## 23.81844  3.00000 34.00000
# Menghitung p-value Uji F
f <- summary(model)$fstatistic

pf(f[1], f[2], f[3], lower.tail = FALSE)
##        value 
## 1.742493e-08

4.6.2 Uji t (Parsial)

Uji t dilakukan untuk mengetahui pengaruh masing-masing variabel independen secara parsial terhadap variabel dependen.

Hipotesis:

  • H0: betai = 0, artinya variabel independen ke-i tidak berpengaruh signifikan terhadap variabel dependen.
  • H1: betai != 0, artinya variabel independen ke-i berpengaruh signifikan terhadap variabel dependen.

Kriteria pengujian:

  • Jika p-value < 0,05, maka H0 ditolak.
  • Jika p-value >= 0,05, maka H0 tidak ditolak.
# Menampilkan hasil Uji t
summary(model)$coefficients
##                  Estimate   Std. Error    t value     Pr(>|t|)
## (Intercept)  9.222499e+01 1.051290e+00 87.7255109 1.175509e-41
## X1           2.421968e-01 3.504343e-02  6.9113344 5.792543e-08
## X2          -2.889146e-01 2.709433e-01 -1.0663287 2.937888e-01
## X3          -5.982609e-07 8.099236e-07 -0.7386634 4.651802e-01

4.7 Identifikasi Pengamatan Berpengaruh (Influence Plot)

Identifikasi pengamatan berpengaruh dilakukan untuk mengetahui pengamatan yang memberikan pengaruh terhadap model regresi. Pengujian dilakukan dengan memperhatikan studentized residual, leverage, dan Cook’s Distance.

library(car)

# Membuat Influence Plot
influencePlot(model,
              id.method = "noteworthy",
              main = "Influence Plot",
              sub = "Studentized Residuals vs Leverage")
## Warning in plot.window(...): "id.method" is not a graphical parameter
## Warning in plot.xy(xy, type, ...): "id.method" is not a graphical parameter
## Warning in axis(side = side, at = at, labels = labels, ...): "id.method" is not
## a graphical parameter
## Warning in axis(side = side, at = at, labels = labels, ...): "id.method" is not
## a graphical parameter
## Warning in box(...): "id.method" is not a graphical parameter
## Warning in title(...): "id.method" is not a graphical parameter
## Warning in plot.xy(xy.coords(x, y), type = type, ...): "id.method" is not a
## graphical parameter

##      StudRes        Hat      CookD
## 8   2.539242 0.06750161 0.10057055
## 11  1.074495 0.79826422 1.13695513
## 12 -3.113331 0.03278075 0.06540464
## 38 -1.019856 0.30237203 0.11257016
# Menghitung Cook's Distance
cook <- cooks.distance(model)

# Menentukan batas Cook's Distance
n <- nrow(data_reg)
k <- 3

batas_cook <- 4/(n-k-1)

batas_cook
## [1] 0.1176471
# Menampilkan pengamatan yang melewati batas
which(cook > batas_cook)
## 11 
## 11
# Menampilkan nilai Cook's Distance
cook
##            1            2            3            4            5            6 
## 8.028441e-03 3.112970e-02 1.014864e-03 3.582199e-02 3.666375e-04 6.050022e-03 
##            7            8            9           10           11           12 
## 7.002947e-03 1.005706e-01 1.954094e-02 4.278968e-02 1.136955e+00 6.540464e-02 
##           13           14           15           16           17           18 
## 3.920972e-04 6.604768e-02 3.325902e-03 2.766551e-02 1.568033e-03 1.022911e-06 
##           19           20           21           22           23           24 
## 9.540119e-06 6.913280e-05 6.390839e-03 9.344683e-03 4.971055e-04 1.278171e-04 
##           25           26           27           28           29           30 
## 1.891236e-02 1.288509e-02 2.130028e-03 7.192662e-04 1.170076e-04 1.549969e-02 
##           31           32           33           34           35           36 
## 5.627557e-04 3.091949e-03 1.405573e-02 1.403052e-02 6.840632e-02 4.371943e-05 
##           37           38 
## 1.156785e-02 1.125702e-01

4.8 Pengujian Outlier Menggunakan Uji Bonferroni

Pengujian outlier dilakukan untuk mengetahui apakah terdapat pengamatan yang teridentifikasi sebagai pencilan secara signifikan. Pengujian dilakukan menggunakan Uji Bonferroni berdasarkan residual terstudentisasi.

Hipotesis:

  • H0: Pengamatan ke-i bukan merupakan outlier.
  • H1: Pengamatan ke-i merupakan outlier.

Kriteria pengujian:

  • Jika p-value Bonferroni < 0,05, maka H0 ditolak.
  • Jika p-value Bonferroni >= 0,05, maka H0 tidak ditolak.
# Uji Outlier Bonferroni
outlierTest(model)
## No Studentized residuals with Bonferroni p < 0.05
## Largest |rstudent|:
##     rstudent unadjusted p-value Bonferroni p
## 12 -3.113331          0.0038078       0.1447
# Menampilkan residual terstudentisasi
rstudent(model)
##            1            2            3            4            5            6 
## -0.805539412  1.887246515  0.282221475  2.246299346  0.210210295  0.723095972 
##            7            8            9           10           11           12 
## -0.750609233  2.539241782  0.830369935  0.649772737  1.074495404 -3.113330918 
##           13           14           15           16           17           18 
##  0.156473326 -1.111694645 -0.530277255 -1.578078088  0.297458925 -0.009432455 
##           19           20           21           22           23           24 
## -0.016484910  0.092487024  0.588084816  0.963562913 -0.076287455 -0.073606473 
##           25           26           27           28           29           30 
## -1.094738492 -0.930930207  0.358668514 -0.209014028 -0.093658053 -0.807558249 
##           31           32           33           34           35           36 
## -0.195726504  0.574035871 -0.646806637 -0.647147813  1.166688179  0.038857622 
##           37           38 
## -0.516166196 -1.019855769
# Menampilkan pengamatan dengan residual terbesar
order(abs(rstudent(model)), decreasing = TRUE)
##  [1] 12  8  4  2 16 35 14 25 11 38 22 26  9 30  1  7  6 10 34 33 21 32 15 37 27
## [26] 17  3  5 28 31 13 29 20 23 24 36 19 18

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil analisis regresi linier berganda terhadap data 38 provinsi di Indonesia, dapat disimpulkan bahwa analisis regresi linier berganda digunakan untuk mengetahui pengaruh persentase rumah tangga yang memiliki atau menguasai komputer (X1), persentase rumah tangga yang memiliki atau menguasai telepon tetap kabel (X2), dan rata-rata pengeluaran per kapita (X3) terhadap persentase rumah tangga yang memiliki pengeluaran telekomunikasi (Y). Hasil pengujian secara simultan menunjukkan bahwa ketiga variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen. Sementara itu, secara parsial hanya variabel X1 yang berpengaruh signifikan terhadap Y, sedangkan X2 dan X3 tidak berpengaruh signifikan. Pengujian asumsi klasik menunjukkan bahwa residual berdistribusi normal, tidak terdapat indikasi multikolinearitas, dan tidak terdapat indikasi heteroskedastisitas. Selanjutnya, identifikasi menggunakan Influence Plot menunjukkan adanya pengamatan yang berpengaruh, yaitu Provinsi DKI Jakarta, sedangkan berdasarkan Uji Bonferroni tidak ditemukan pengamatan yang teridentifikasi sebagai outlier secara signifikan. Dengan demikian, analisis regresi linier berganda dapat digunakan untuk menggambarkan hubungan antara variabel-variabel yang diteliti dengan tetap memperhatikan hasil pemeriksaan pengamatan berpengaruh dan autokorelasi.

5.2 Saran

Berdasarkan hasil praktikum yang telah dilakukan, disarankan agar praktikan lebih teliti dalam mengumpulkan, memilih, dan mengolah data sebelum melakukan analisis regresi linier berganda. Selain itu, setiap tahapan pengujian asumsi klasik dan pengujian hipotesis perlu dilakukan secara sistematis agar model regresi yang diperoleh dapat diinterpretasikan dengan tepat. Pengamatan yang teridentifikasi berpengaruh melalui Influence Plot juga perlu diperiksa lebih lanjut sebelum dilakukan penanganan atau penghapusan data. Praktikan selanjutnya diharapkan dapat menggunakan variabel tambahan yang relevan serta memahami penggunaan program RStudio dan R Markdown agar proses analisis dan penyusunan laporan menjadi lebih efektif, sistematis, dan akurat.

DAFTAR PUSTAKA

Munawaroh, S., Gandhiadi, G. K., & Nilakusmawati, D. P. E. (2023). Analisis variabel Indeks Pembangunan Manusia menggunakan analisis regresi linier berganda di Provinsi Jawa Timur. Muthahharah, I., & Fatwa, I. (2022). Analisis regresi linear berganda untuk media pembelajaran daring terhadap prestasi belajar mahasiswa di STKIP Pembangunan. Jurnal Matematika dan Statistika serta Aplikasinya. Rini, D. S. (2026). Modul Praktikum Analisis Regresi dan Korelasi. Bengkulu: Laboratorium Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Bengkulu. Sholihah, S. M., Aditiya, N. Y., Evani, E. S., & Maghfiroh, S. (2023). Konsep uji asumsi klasik pada regresi linier berganda. Jurnal Riset Akuntansi Soedirman. Sudariana, N., & Yoedani. (2022). Analisis statistik regresi linier berganda. Seniman Transactions on Management and Business.