Dosen Pengampu: Dr. Pepi Novianti, S.Si., M.Si.; Riwi Dyah Pangesti, S.Si., M.Si.; Susi Wijuniamurti, S.Si., M.Stat.; Wina Ayu Lestari, S.Si., M.Stat.

Asisten Praktikum: Mustika Surya Ningsih (F1F024018); Khalisha Qori Shofa (F1F024048); Rameza Elia (F1F024056); Carolin Veronika (F1F024060)


BAB I PENDAHULUAN

1.1 Latar Belakang

Data mentah perlu diolah dengan metode analisis yang tepat agar menjadi informasi yang bermakna. Salah satu metode yang paling sering digunakan adalah analisis regresi, yaitu metode untuk mengetahui dan mengukur pola hubungan antara sebuah variabel dependen dengan satu atau lebih variabel independen (Prasmono & Ahdika, 2023). Berdasarkan banyaknya variabel independen, regresi linier dibedakan menjadi regresi linier sederhana dan regresi linier berganda (Kartiningrum dkk., 2022).

Parameter model regresi umumnya diestimasi dengan Metode Kuadrat Terkecil (MKT) yang meminimumkan jumlah kuadrat galat. Agar penduga yang diperoleh bersifat Best Linear Unbiased Estimator (BLUE), beberapa asumsi klasik harus terpenuhi, yaitu linieritas, tidak ada multikolinieritas, tidak ada heteroskedastisitas, tidak ada autokorelasi, dan galat berdistribusi normal (Sabrina dkk., 2023). Setelah model terbentuk, signifikansi parameter diuji secara simultan dengan Uji F dan secara parsial dengan Uji t (Rini, 2026).

Selain asumsi klasik, kualitas model juga dipengaruhi oleh keberadaan outlier. Outlier dapat membuat distribusi data menjadi tidak normal, menimbulkan bias pada penduga parameter, dan memengaruhi hasil uji signifikansi parameter (Barus, 2023). Oleh karena itu, evaluasi model melalui identifikasi dan pengujian outlier perlu dilakukan (Hakim, 2016).

Laporan ini mengintegrasikan tiga topik praktikum sebelumnya (uji asumsi klasik, pengujian signifikansi parameter, dan deteksi outlier) pada satu kasus, yaitu pemodelan tingkat pengangguran menurut kabupaten/kota di Jawa Tengah menggunakan program R.

1.2 Rumusan Masalah

  1. Bagaimana memilih data sekunder yang memenuhi ketentuan analisis regresi linier berganda dan bagaimana karakteristik datanya?
  2. Bagaimana model regresi linier berganda yang terbentuk dan bagaimana interpretasinya?
  3. Apakah model memenuhi asumsi klasik (linieritas, multikolinieritas, heteroskedastisitas, normalitas, dan autokorelasi)?
  4. Apakah variabel independen berpengaruh signifikan terhadap variabel dependen, baik secara simultan (Uji F) maupun parsial (Uji t)?
  5. Apakah terdapat outlier pada data berdasarkan Influence Plot dan Uji Bonferroni?

1.3 Tujuan Penelitian

  1. Memilih dan mengeksplorasi data sekunder serta menyajikan statistik deskriptifnya.
  2. Membentuk dan mengestimasi model regresi linier berganda serta menginterpretasikannya.
  3. Menguji asumsi klasik pada model regresi.
  4. Menguji signifikansi parameter dengan Uji F dan Uji t.
  5. Mengidentifikasi dan menguji outlier menggunakan Influence Plot dan Uji Bonferroni.

1.4 Manfaat Penelitian

  • Bagi penulis: menambah pemahaman dan keterampilan menerapkan analisis regresi linier berganda secara utuh, mulai dari pemilihan data hingga evaluasi model, menggunakan program R.
  • Bagi pembaca: menjadi rujukan alur analisis regresi berganda yang sistematis dan dapat direproduksi.

1.5 Batasan Masalah

Analisis dibatasi pada: (1) data sekunder dengan minimal 35 observasi dan minimal 3 variabel independen yang berpengaruh signifikan; (2) eksplorasi data dan statistik deskriptif; (3) pembentukan dan estimasi model regresi linier berganda; (4) pengujian asumsi klasik; (5) pengujian hipotesis melalui Uji F dan Uji t; serta (6) evaluasi model melalui identifikasi dan pengujian outlier menggunakan Influence Plot dan Uji Bonferroni. Taraf nyata yang digunakan adalah \(\alpha = 5\%\).

1.6 Sistematika Penulisan

Bab Isi
BAB I Pendahuluan Latar belakang, rumusan masalah, tujuan, manfaat, batasan masalah, dan sistematika penulisan.
BAB II Tinjauan Pustaka Teori regresi linier berganda, asumsi klasik, uji F dan uji t, serta outlier.
BAB III Metode Penelitian Jenis dan sumber data, variabel penelitian, langkah analisis, dan diagram alir.
BAB IV Hasil dan Pembahasan Pemilihan data, eksplorasi, statistik deskriptif, model, asumsi klasik, uji hipotesis, dan evaluasi outlier.
BAB V Kesimpulan dan Saran Kesimpulan dan saran.
Daftar Pustaka dan Lampiran Rujukan, data, dan informasi sesi R.

BAB II TINJAUAN PUSTAKA

2.1 Regresi Linier Berganda

Regresi merupakan teknik statistik untuk mengestimasi hubungan antara satu atau lebih variabel independen dengan satu variabel dependen, dengan tujuan memprediksi nilai variabel dependen ketika nilai variabel independen diketahui (Kartiningrum dkk., 2022). Model regresi linier berganda dengan \(k\) variabel independen dituliskan sebagai berikut (Suryono, 2021):

\[Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \cdots + \beta_k X_{ki} + \varepsilon_i \qquad (2.1)\]

dengan \(Y\) variabel dependen, \(X_1,\dots,X_k\) variabel independen, \(\beta_0,\dots,\beta_k\) parameter regresi, dan \(\varepsilon\) galat acak. Dalam notasi matriks, penduga MKT adalah:

\[\hat{\boldsymbol{\beta}} = (\mathbf{X}^{\top}\mathbf{X})^{-1}\mathbf{X}^{\top}\mathbf{y} \qquad (2.2)\]

Koefisien determinasi \(R^2 = 1 - \dfrac{JKG}{JKT}\) dan \(R^2_{adj} = 1 - (1-R^2)\dfrac{n-1}{n-k-1}\) digunakan untuk menilai kemampuan model menjelaskan keragaman \(Y\).

2.2 Uji Asumsi Klasik

Berikut ringkasan uji asumsi klasik yang digunakan (Rini, 2026):

  1. Linieritas. Hubungan antara \(Y\) dan \(X\) diasumsikan linier. Diuji dengan Ramsey RESET dan diperiksa melalui plot residual terhadap nilai dugaan.
  2. Multikolinieritas. Model diasumsikan tidak memuat hubungan linier yang kuat antarvariabel independen. Ukurannya adalah Variance Inflation Factor (VIF), \(VIF_j = 1/(1-R_j^2)\). Multikolinieritas dianggap bermasalah jika \(VIF \ge 10\).
  3. Heteroskedastisitas. Ragam galat diasumsikan konstan (homoskedastis). Diuji dengan Breusch-Pagan; \(H_0\): ragam galat konstan.
  4. Normalitas galat. Galat diasumsikan berdistribusi normal. Diuji dengan Shapiro-Wilk dan diperiksa melalui Q-Q plot; \(H_0\): galat berdistribusi normal.
  5. Autokorelasi. Galat diasumsikan saling bebas. Diuji dengan Durbin-Watson, \(DW = \dfrac{\sum_{t=2}^{n}(e_t-e_{t-1})^2}{\sum_{t=1}^{n}e_t^2}\); nilai \(DW\) yang mendekati 2 menunjukkan tidak ada autokorelasi.

Untuk keempat uji berbasis p-value, \(H_0\) ditolak jika \(p\text{-value} \le \alpha\).

2.3 Pengujian Signifikansi Parameter

Uji simultan (Uji F) menguji apakah model regresi secara keseluruhan dapat diterima, yaitu apakah sedikitnya satu variabel independen berhubungan linier dengan \(Y\) (Rini, 2026).

\[H_0: \beta_1=\beta_2=\cdots=\beta_k=0 \qquad H_1: \text{minimal ada satu } \beta_j \neq 0\]

\[F_{hitung} = \frac{R^2/k}{(1-R^2)/(n-k-1)}\]

\(H_0\) ditolak jika \(F_{hitung} > F_{\alpha;\,k;\,n-k-1}\) atau \(p\text{-value} < \alpha\).

Uji parsial (Uji t) menguji pengaruh tiap variabel independen secara individual (Firmansyah & Tristie, 2021):

\[H_0: \beta_j = 0 \qquad H_1: \beta_j \neq 0 \qquad t_{hitung} = \frac{b_j}{SE(b_j)}\]

\(H_0\) ditolak jika \(|t_{hitung}| > t_{\alpha/2;\,n-k-1}\) (Wahyono, 2021).

2.4 Identifikasi Outlier

Outlier adalah pengamatan yang menyimpang dari pola mayoritas data. Keberadaannya dapat membuat distribusi data tidak normal, menimbulkan bias pada taksiran parameter, dan memengaruhi hasil uji signifikansi (Barus, 2023). Deteksi outlier dan pengamatan berpengaruh dilakukan melalui diagnostika regresi, yaitu statistik per kasus (Hakim, 2016). Pendekatan yang digunakan (Rini, 2026):

a. Outlier pada pengamatan \(Y\) dideteksi dengan studentized deleted residual:

\[t_i = e_i\sqrt{\frac{n-p-1}{SSE\,(1-h_{ii})-e_i^2}} \qquad (2.3)\]

dengan \(p = k+1\) banyaknya parameter. Hipotesisnya: \(H_0\): kasus ke-\(i\) bukan outlier; \(H_1\): kasus ke-\(i\) merupakan outlier.

b. Uji Bonferroni. Karena \(n\) pengamatan diuji sekaligus, peluang salah menyatakan suatu data sebagai outlier membesar. Uji Bonferroni mengoreksi hal ini dengan mengalikan p-value tak terkoreksi dengan \(n\) (\(p_{Bonf} = \min(1,\, n \times p_i)\)). Kasus dinyatakan outlier jika \(p_{Bonf} < \alpha\), atau jika \(|t_i|\) melebihi \(t_{\alpha/(2n);\,n-p-1}\).

c. Outlier pada pengamatan \(X\) (leverage) dideteksi dengan elemen diagonal matriks hat, \(h_{ii}\), yang memenuhi \(0 \le h_{ii} \le 1\) dan \(\sum h_{ii} = p\). Pengamatan dengan \(h_{ii} > 2p/n\) dinyatakan sebagai outlier pengamatan-\(X\).

d. Influence Plot menampilkan studentized residual (sumbu vertikal), hat value (sumbu horizontal), dan Cook’s Distance (ukuran lingkaran) dalam satu grafik untuk menilai pengaruh tiap pengamatan terhadap model.


BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang digunakan adalah data kuantitatif bertipe rasio dan merupakan data sekunder, yaitu data yang diperoleh secara tidak langsung melalui publikasi resmi Badan Pusat Statistik (BPS) (BPS Indonesia, 2023a, 2023b, 2023c, 2023d). Unit pengamatan adalah 35 kabupaten/kota di Provinsi Jawa Tengah pada tahun 2022.

3.2 Variabel Penelitian

Simbol Variabel Peran Satuan
\(Y\) Tingkat pengangguran Dependen persen
\(X_1\) Kepadatan penduduk Independen jiwa/km²
\(X_2\) Kemiskinan Independen ribu jiwa
\(X_3\) Tingkat penyelesaian pendidikan SMA Independen jiwa

Model yang diestimasi adalah:

\[Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \beta_3 X_{3i} + \varepsilon_i\]

3.3 Analisis Data

  1. Mengumpulkan dan memilih data sekunder (minimal 35 observasi, minimal 3 variabel independen).
  2. Memasukkan data ke program R dan melakukan eksplorasi data (struktur, nilai hilang, grafik).
  3. Menghitung statistik deskriptif.
  4. Membentuk dan mengestimasi model regresi linier berganda dengan fungsi lm().
  5. Menguji asumsi klasik: linieritas (resettest), multikolinieritas (vif), heteroskedastisitas (bptest), normalitas (shapiro.test), dan autokorelasi (dwtest).
  6. Menguji hipotesis: Uji F (simultan) dan Uji t (parsial).
  7. Mengevaluasi model: identifikasi outlier dengan influencePlot() dan Uji Bonferroni dengan outlierTest().
  8. Menginterpretasikan hasil dan menarik kesimpulan.

3.4 Diagram Alir Penelitian

                  [ Mulai ]
                      |
        [ Pengumpulan & pemilihan data sekunder ]
                      |
        [ Input data & eksplorasi data di R ]
                      |
              [ Statistik deskriptif ]
                      |
     [ Pembentukan & estimasi model regresi (lm) ]
                      |
     [ Uji asumsi klasik: linieritas, VIF, Breusch-Pagan,
                Shapiro-Wilk, Durbin-Watson ]
                      |
        [ Uji F (simultan)  ->  Uji t (parsial) ]
                      |
     [ Evaluasi model: Influence Plot & Uji Bonferroni ]
                      |
          [ Interpretasi & kesimpulan ]
                      |
                  [ Selesai ]

Gambar 3.1. Diagram alir penelitian


BAB IV HASIL DAN PEMBAHASAN

4.1 Pengumpulan dan Pemilihan Data Sekunder

Data bersumber dari tabel statistik BPS: tingkat pengangguran, kepadatan penduduk, kemiskinan, dan tingkat penyelesaian pendidikan SMA menurut kabupaten/kota di Jawa Tengah. Data ini sama dengan data yang digunakan pada praktikum Pertemuan II. Data dimasukkan ke R sebagai data frame berikut (35 kabupaten/kota).

dat <- read.csv(text = "
Wilayah,Y,X1,X2,X3
KAB. CILACAP,9.97,930,190.96,17757
KAB. BANYUMAS,6.05,1360,220.47,20745
KAB. PURBALINGGA,6.05,1311,145.33,10792
KAB. BANJARNEGARA,5.86,971,141.25,7655
KAB. KEBUMEN,6.03,1073,196.16,12189
KAB. PURWOREJO,3.59,752,82.64,9139
KAB. WONOSOBO,5.26,910,128.11,8928
KAB. MAGELANG,5.03,1209,145.33,15534
KAB. BOYOLALI,5.09,1064,97.18,14736
KAB. KLATEN,5.48,1946,144.87,16444
KAB. SUKOHARJO,3.32,1964,68.72,14437
KAB. WONOGIRI,2.43,580,105.19,10792
KAB. KARANGANYAR,5.89,1227,88.56,10769
KAB. SRAGEN,4.76,1048,115.14,10699
KAB. GROBOGAN,4.38,744,163.2,17016
KAB. BLORA,3.81,495,99.83,9338
KAB. REMBANG,3.67,642,94.56,8488
KAB. PATI,4.6,898,118.04,13961
KAB. KUDUS,3.77,2014,66.06,10400
KAB. JEPARA,4.23,1188,89.08,12498
KAB. DEMAK,5.28,1363,143.01,15598
KAB. SEMARANG,5.02,1128,78.6,12883
KAB. TEMANGGUNG,2.62,919,73.04,6806
KAB. KENDAL,7.55,1031,93.03,14021
KAB. BATANG,6.59,1031,69.94,6626
KAB. PEKALONGAN,4.28,1180,87.53,8935
KAB. PEMALANG,6.71,1483,195.84,12906
KAB. TEGAL,9.97,1846,113.62,11592
KAB. BREBES,9.78,1213,290.66,19787
KOTA MAGELANG,8.73,6715,8.65,5511
KOTA SURAKARTA,7.85,11878,45.94,17972
KOTA SALATIGA,7.26,3683,9.45,4386
KOTA SEMARANG,9.54,4442,79.87,30402
KOTA PEKALONGAN,6.89,6889,21.81,3959
KOTA TEGAL,8.25,8069,19.78,5985
", stringsAsFactors = FALSE)

dat$Wilayah <- trimws(dat$Wilayah)

Kesesuaian data dengan ketentuan

Ketentuan data pada Batasan Masalah adalah minimal 35 observasi, minimal 3 variabel independen, dan seluruh variabel independen berpengaruh signifikan. Kesesuaian data dicek berikut.

m_awal <- summary(lm(Y ~ X1 + X2 + X3, data = dat))
p_awal <- coef(m_awal)[-1, 4]
cek <- data.frame(
  Ketentuan = c("Minimal 35 observasi", "Minimal 3 variabel independen",
                "Seluruh variabel independen signifikan (Uji t, 5%)"),
  Hasil = c(paste0("n = ", nrow(dat)), "3 variabel (X1, X2, X3)",
            paste0(sum(p_awal < 0.05), " dari 3 variabel signifikan")),
  Keputusan = c(ifelse(nrow(dat) >= 35, "Terpenuhi", "Tidak terpenuhi"),
                "Terpenuhi",
                ifelse(all(p_awal < 0.05), "Terpenuhi", "Tidak terpenuhi")))
kable(cek, caption = "Tabel 4.0. Pemeriksaan kesesuaian data dengan ketentuan")
Tabel 4.0. Pemeriksaan kesesuaian data dengan ketentuan
Ketentuan Hasil Keputusan
Minimal 35 observasi n = 35 Terpenuhi
Minimal 3 variabel independen 3 variabel (X1, X2, X3) Terpenuhi
Seluruh variabel independen signifikan (Uji t, 5%) 2 dari 3 variabel signifikan Tidak terpenuhi

Jumlah observasi dan jumlah variabel independen telah sesuai, tetapi variabel tingkat penyelesaian pendidikan SMA belum berpengaruh signifikan pada taraf nyata 5%. Hal ini dicatat sebagai keterbatasan data dan dibahas lebih lanjut pada Subbab 4.6.

4.2 Eksplorasi Data

dim(dat)            # jumlah observasi dan variabel
#> [1] 35  5
str(dat)            # struktur data
#> 'data.frame':    35 obs. of  5 variables:
#>  $ Wilayah: chr  "KAB. CILACAP" "KAB. BANYUMAS" "KAB. PURBALINGGA" "KAB. BANJARNEGARA" ...
#>  $ Y      : num  9.97 6.05 6.05 5.86 6.03 3.59 5.26 5.03 5.09 5.48 ...
#>  $ X1     : int  930 1360 1311 971 1073 752 910 1209 1064 1946 ...
#>  $ X2     : num  191 220 145 141 196 ...
#>  $ X3     : int  17757 20745 10792 7655 12189 9139 8928 15534 14736 16444 ...
colSums(is.na(dat)) # pemeriksaan nilai hilang
#> Wilayah       Y      X1      X2      X3 
#>       0       0       0       0       0
head(dat)

Data terdiri dari 35 observasi dan 5 kolom (nama wilayah, \(Y\), \(X_1\), \(X_2\), \(X_3\)), seluruh variabel numerik berjenis rasio, dan terdapat 0 nilai hilang (NA).

par(mfrow = c(1, 4))
boxplot(dat$Y,  main = "Y (Pengangguran)",  col = "#9ecae1")
boxplot(dat$X1, main = "X1 (Kepadatan)", col = "#a1d99b")
boxplot(dat$X2, main = "X2 (Kemiskinan)", col = "#fdd0a2")
boxplot(dat$X3, main = "X3 (Lulusan SMA)", col = "#dadaeb")

par(mfrow = c(1, 1))

Gambar 4.1. Boxplot masing-masing variabel

pairs(dat[, c("Y", "X1", "X2", "X3")], panel = panel.smooth,
      lower.panel = NULL, pch = 19, col = "#3182bd",
      main = "Diagram pencar antarvariabel")

Gambar 4.2. Diagram pencar antarvariabel

kor <- cor(dat[, c("Y", "X1", "X2", "X3")])
kable(round(kor, 4), caption = "Tabel 4.1. Matriks korelasi antarvariabel")
Tabel 4.1. Matriks korelasi antarvariabel
Y X1 X2 X3
Y 1.0000 0.4502 0.1210 0.2838
X1 0.4502 1.0000 -0.5175 -0.0364
X2 0.1210 -0.5175 1.0000 0.5094
X3 0.2838 -0.0364 0.5094 1.0000
kx <- kor[c("X1", "X2", "X3"), c("X1", "X2", "X3")]; diag(kx) <- 0
pair <- which(abs(kx) == max(abs(kx)), arr.ind = TRUE)[1, ]
n_out <- sapply(dat[, c("Y", "X1", "X2", "X3")], function(v) length(boxplot.stats(v)$out))

Korelasi \(Y\) dengan \(X_1\), \(X_2\), dan \(X_3\) berturut-turut sebesar 0.4502, 0.121, dan 0.2838; hubungan terkuat dengan \(Y\) dimiliki oleh kepadatan penduduk. Korelasi antarvariabel independen tertinggi adalah X2 dengan X1 (-0.5175), tergolong sedang dan perlu dikonfirmasi dengan VIF pada uji multikolinieritas. Berdasarkan aturan boxplot, banyaknya titik di luar batas pada \(Y\), \(X_1\), \(X_2\), dan \(X_3\) berturut-turut adalah 0, 6, 1, dan 1. Titik-titik ini diperiksa lebih lanjut pada evaluasi outlier (Subbab 4.7).

4.3 Statistik Deskriptif

desk <- sapply(dat[, c("Y", "X1", "X2", "X3")], function(v)
  c(Min = min(v), Q1 = unname(quantile(v, 0.25)), Median = median(v),
    Mean = mean(v), Q3 = unname(quantile(v, 0.75)), Max = max(v), SD = sd(v)))
kable(round(desk, 3), caption = "Tabel 4.2. Statistik deskriptif data")
Tabel 4.2. Statistik deskriptif data
Y X1 X2 X3
Min 2.430 495.000 8.650 3959.000
Q1 4.330 950.500 75.820 8931.500
Median 5.480 1188.000 97.180 11592.000
Mean 5.874 2148.457 109.470 12276.743
Q3 7.075 1896.000 143.940 15135.000
Max 9.970 11878.000 290.660 30402.000
SD 2.087 2506.703 61.139 5331.375

Berdasarkan Tabel 4.2:

  • Tingkat pengangguran (\(Y\)) berkisar dari 2.43 (KAB. WONOGIRI) hingga 9.97 (KAB. CILACAP) dengan rata-rata 5.87 dan median 5.48. Rata-rata di atas median menunjukkan distribusi menjulur ke kanan (ada beberapa nilai tinggi).
  • Kepadatan penduduk (\(X_1\)) berkisar dari 495 (KAB. BLORA) hingga 11878 (KOTA SURAKARTA), dengan rata-rata 2148.46, median 1188, dan simpangan baku 2506.7. Distribusinya menjulur ke kanan (ada beberapa nilai tinggi).
  • Kemiskinan (\(X_2\)) berkisar dari 8.65 (KOTA MAGELANG) hingga 290.66 (KAB. BREBES), dengan rata-rata 109.47 dan median 97.18. Distribusinya menjulur ke kanan (ada beberapa nilai tinggi).
  • Tingkat penyelesaian pendidikan SMA (\(X_3\)) berkisar dari 3959 (KOTA PEKALONGAN) hingga 30402 (KOTA SEMARANG), dengan rata-rata 12276.74 dan median 11592. Distribusinya menjulur ke kanan (ada beberapa nilai tinggi).

Catatan data. Variabel \(X_1\) dan \(X_3\) berskala ribuan, sedangkan \(Y\) berskala satuan persen. Perbedaan skala ini membuat koefisien regresi \(X_1\) dan \(X_3\) berukuran sangat kecil; hal tersebut semata-mata efek satuan dan tidak berarti pengaruhnya otomatis lemah. Kekuatan pengaruh dinilai melalui uji signifikansi, bukan dari besar kecilnya koefisien.

4.4 Pembentukan dan Estimasi Model Regresi

model <- lm(Y ~ X1 + X2 + X3, data = dat)
ringkasan <- summary(model)
ringkasan
#> 
#> Call:
#> lm(formula = Y ~ X1 + X2 + X3, data = dat)
#> 
#> Residuals:
#>     Min      1Q  Median      3Q     Max 
#> -2.7583 -0.9784 -0.4838  0.7366  4.2307 
#> 
#> Coefficients:
#>               Estimate Std. Error t value Pr(>|t|)    
#> (Intercept) 2.65068083 0.91300952   2.903 0.006748 ** 
#> X1          0.00055871 0.00014466   3.862 0.000535 ***
#> X2          0.01434833 0.00688786   2.083 0.045578 *  
#> X3          0.00003684 0.00006763   0.545 0.589884    
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 1.721 on 31 degrees of freedom
#> Multiple R-squared:  0.3798, Adjusted R-squared:  0.3197 
#> F-statistic: 6.327 on 3 and 31 DF,  p-value: 0.001789
koef <- coef(ringkasan)
tab_koef <- data.frame(
  Parameter   = rownames(koef),
  Estimate    = kf(koef[, 1]),
  Std.Error   = kf(koef[, 2]),
  t.value     = round(koef[, 3], 3),
  `Pr(>|t|)`  = fp(koef[, 4]),
  check.names = FALSE, row.names = NULL)
kable(tab_koef, caption = "Tabel 4.3. Koefisien regresi")
Tabel 4.3. Koefisien regresi
Parameter Estimate Std.Error t.value Pr(>|t|)
(Intercept) 2.651 0.913 2.903 0.0067
X1 0.0005587 0.0001447 3.862 0.0005
X2 0.01435 0.006888 2.083 0.0456
X3 0.00003684 0.00006763 0.545 0.5899

Model regresi linier berganda yang terbentuk:

\[\hat{Y}_i = 2.651 + 0.0005587\,X_{1i} + 0.01435\,X_{2i} + 0.00003684\,X_{3i}\]

Interpretasi.

  • Konstanta (\(b_0\) = 2.651): jika kepadatan penduduk, kemiskinan, dan tingkat penyelesaian pendidikan SMA bernilai nol, tingkat pengangguran dugaan adalah 2.651 persen. Nilai ini hanya bermakna matematis karena nilai nol berada di luar rentang data.
  • \(b_1\) = 0.0005587: setiap kenaikan kepadatan penduduk 1 jiwa/km² meningkatkan tingkat pengangguran sebesar 0.0005587 poin persen (setara 0.5587 poin untuk setiap 1.000 jiwa/km²), dengan \(X_2\) dan \(X_3\) dianggap tetap.
  • \(b_2\) = 0.01435: setiap kenaikan kemiskinan 1 satuan (ribu jiwa) meningkatkan tingkat pengangguran sebesar 0.01435 poin persen, dengan \(X_1\) dan \(X_3\) dianggap tetap.
  • \(b_3\) = 0.00003684: setiap kenaikan tingkat penyelesaian pendidikan SMA 1 satuan meningkatkan tingkat pengangguran sebesar 0.00003684 poin persen (setara 0.03684 poin untuk setiap 1.000 satuan), dengan \(X_1\) dan \(X_2\) dianggap tetap. Pengaruh ini perlu dibaca bersama hasil Uji t pada Subbab 4.6.

Koefisien determinasi \(R^2\) = 0.3798 dan \(R^2_{adj}\) = 0.3197, artinya sekitar 31.97% keragaman tingkat pengangguran dapat dijelaskan oleh ketiga variabel dalam model, sedangkan sisanya (68.03%) dijelaskan oleh faktor lain di luar model. Kemampuan model menjelaskan keragaman tergolong rendah hingga sedang, sehingga model lebih tepat dipandang sebagai gambaran hubungan, bukan alat prediksi yang akurat. Residual standard error sebesar 1.721 poin menunjukkan simpangan rata-rata nilai amatan terhadap nilai dugaan.

4.5 Pengujian Asumsi Klasik

Taraf nyata \(\alpha = 0.05\) digunakan pada seluruh pengujian.

4.5.1 Uji Linieritas

reset <- resettest(model, power = 2:3, type = "fitted")
reset
#> 
#>  RESET test
#> 
#> data:  model
#> RESET = 2.8204, df1 = 2, df2 = 29, p-value = 0.07599
par(mfrow = c(1, 2))
plot(fitted(model), resid(model), pch = 19, col = "#3182bd",
     xlab = "Nilai dugaan", ylab = "Residual", main = "Residual vs Nilai Dugaan")
abline(h = 0, lty = 2, col = "red")
lines(lowess(fitted(model), resid(model)), col = "darkgreen", lwd = 2)
plot(model, which = 3, pch = 19, col = "#3182bd")   # Scale-Location

par(mfrow = c(1, 1))

Gambar 4.3. Plot residual terhadap nilai dugaan (kiri) dan plot Scale-Location (kanan)

  • \(H_0\): model berbentuk linier; \(H_1\): model tidak linier.
  • Statistik uji: \(F\) = 2.8204, \(p\)-value = 0.076.
  • Kesimpulan: karena \(p\)-value 0.076 > 0.05, \(H_0\) gagal ditolak, sehingga asumsi linieritas terpenuhi. Namun \(p\)-value tergolong mendekati batas 0.05, sehingga plot residual perlu dicermati sebagai pemeriksaan visual pendamping.

4.5.2 Uji Multikolinieritas

vif_val <- vif(model)
tab_vif <- data.frame(Variabel = names(vif_val),
                      VIF = round(vif_val, 4),
                      Toleransi = round(1 / vif_val, 4), row.names = NULL)
kable(tab_vif, caption = "Tabel 4.4. Hasil uji multikolinieritas (VIF)")
Tabel 4.4. Hasil uji multikolinieritas (VIF)
Variabel VIF Toleransi
X1 1.5095 0.6625
X2 2.0357 0.4912
X3 1.4925 0.6700

Nilai VIF masing-masing variabel (\(X_1\) = 1.51, \(X_2\) = 2.036, \(X_3\) = 1.492) seluruhnya di bawah 10 dan nilai toleransi di atas 0.1. Dengan demikian tidak terdapat multikolinieritas, sehingga asumsi multikolinieritas terpenuhi. Korelasi antarvariabel independen tertinggi (0.5175) belum mengganggu pendugaan koefisien.

4.5.3 Uji Heteroskedastisitas

bp <- bptest(model)
bp
#> 
#>  studentized Breusch-Pagan test
#> 
#> data:  model
#> BP = 2.115, df = 3, p-value = 0.5489
  • \(H_0\): ragam galat konstan (homoskedastis); \(H_1\): ragam galat tidak konstan (heteroskedastis).
  • Statistik uji: \(BP\) = 2.115 dengan \(df\) = 3, \(p\)-value = 0.5489.
  • Kriteria: tolak \(H_0\) jika \(p\)-value \(\le \alpha\).
  • Kesimpulan: karena \(p\)-value 0.5489 > 0.05, \(H_0\) gagal ditolak. Pada taraf nyata 5% tidak terdapat heteroskedastisitas, sehingga asumsi terpenuhi.

4.5.4 Uji Normalitas Galat

sw <- shapiro.test(resid(model))
sw
#> 
#>  Shapiro-Wilk normality test
#> 
#> data:  resid(model)
#> W = 0.94205, p-value = 0.06463
par(mfrow = c(1, 2))
qqnorm(resid(model), pch = 19, col = "#3182bd", main = "Normal Q-Q Plot Residual")
qqline(resid(model), col = "red", lwd = 2)
hist(resid(model), breaks = 10, col = "#9ecae1", border = "white",
     main = "Histogram Residual", xlab = "Residual")

par(mfrow = c(1, 1))

Gambar 4.4. Q-Q plot dan histogram residual

  • \(H_0\): galat berdistribusi normal; \(H_1\): galat tidak berdistribusi normal.
  • Statistik uji: \(W\) = 0.9421, \(p\)-value = 0.0646.
  • Kesimpulan: karena \(p\)-value 0.0646 > 0.05, \(H_0\) gagal ditolak. Pada taraf nyata 5% galat berdistribusi normal, sehingga asumsi normalitas terpenuhi. Perlu dicatat bahwa \(p\)-value ini tidak terlalu jauh dari batas 0.05, sehingga Q-Q plot perlu dicermati untuk melihat penyimpangan pada ekor distribusi.

4.5.5 Uji Autokorelasi

dw <- dwtest(model)
dw
#> 
#>  Durbin-Watson test
#> 
#> data:  model
#> DW = 1.6918, p-value = 0.1441
#> alternative hypothesis: true autocorrelation is greater than 0
  • \(H_0\): tidak ada autokorelasi; \(H_1\): ada autokorelasi.
  • Statistik uji: \(DW\) = 1.6918, \(p\)-value = 0.1441.
  • Kesimpulan: nilai \(DW\) mendekati 2 dan \(p\)-value > 0.05, sehingga \(H_0\) gagal ditolak. Tidak terdapat autokorelasi dan asumsi terpenuhi. Perlu dicatat bahwa data ini bersifat cross-section (antarwilayah), sehingga urutan observasi tidak memiliki makna waktu dan uji ini bersifat pelengkap.

4.5.6 Rekapitulasi Uji Asumsi Klasik

rekap <- data.frame(
  Asumsi = c("Linieritas (RESET)", "Multikolinieritas (VIF maksimum)",
             "Heteroskedastisitas (Breusch-Pagan)",
             "Normalitas galat (Shapiro-Wilk)", "Autokorelasi (Durbin-Watson)"),
  Statistik = c(as.numeric(reset$statistic), max(vif_val), as.numeric(bp$statistic),
                as.numeric(sw$statistic), as.numeric(dw$statistic)),
  `p-value` = c(fp(reset$p.value), "-", fp(bp$p.value), fp(sw$p.value), fp(dw$p.value)),
  Keputusan = c(ifelse(reset$p.value > 0.05, "Terpenuhi", "Tidak terpenuhi"),
                ifelse(max(vif_val) < 10,    "Terpenuhi", "Tidak terpenuhi"),
                ifelse(bp$p.value > 0.05,    "Terpenuhi", "Tidak terpenuhi"),
                ifelse(sw$p.value > 0.05,    "Terpenuhi", "Tidak terpenuhi"),
                ifelse(dw$p.value > 0.05,    "Terpenuhi", "Tidak terpenuhi")),
  check.names = FALSE)
rekap$Statistik <- round(rekap$Statistik, 4)
kable(rekap, caption = "Tabel 4.5. Rekapitulasi uji asumsi klasik")
Tabel 4.5. Rekapitulasi uji asumsi klasik
Asumsi Statistik p-value Keputusan
Linieritas (RESET) 2.8204 0.0760 Terpenuhi
Multikolinieritas (VIF maksimum) 2.0357 - Terpenuhi
Heteroskedastisitas (Breusch-Pagan) 2.1150 0.5489 Terpenuhi
Normalitas galat (Shapiro-Wilk) 0.9421 0.0646 Terpenuhi
Autokorelasi (Durbin-Watson) 1.6918 0.1441 Terpenuhi
n_ok <- sum(rekap$Keputusan == "Terpenuhi")
asumsi_gagal <- rekap$Asumsi[rekap$Keputusan != "Terpenuhi"]

5 dari 5 asumsi terpenuhi pada taraf nyata 5%. Dengan demikian seluruh asumsi klasik terpenuhi dan penduga MKT dapat diandalkan untuk pengujian hipotesis. Pemeriksaan outlier pada Subbab 4.7 dilakukan untuk mengetahui apakah pengamatan tertentu memengaruhi hasil.

4.6 Pengujian Hipotesis

4.6.1 Uji Simultan (Uji F)

n <- nrow(dat); k <- 3
F_hit <- as.numeric(ringkasan$fstatistic[1])
F_tab <- qf(0.95, k, n - k - 1)
p_F   <- pf(F_hit, k, n - k - 1, lower.tail = FALSE)
data.frame(F_hitung = round(F_hit, 4), F_tabel = round(F_tab, 4),
           derajat_bebas = paste0(k, " dan ", n - k - 1), p_value = fp(p_F))
  1. Hipotesis: \(H_0: \beta_1=\beta_2=\beta_3=0\) lawan \(H_1\): minimal ada satu \(\beta_j \neq 0\).
  2. Taraf nyata: \(\alpha = 5\%\).
  3. Statistik uji: \(F_{hitung}\) = 6.3267.
  4. Kriteria penolakan: tolak \(H_0\) jika \(F_{hitung} > F_{0.05;3;31}\) = 2.9113 atau \(p\)-value < 0.05.
  5. Kesimpulan: \(F_{hitung}\) = 6.33 > 2.9113 dan \(p\)-value = 0.0018 < 0.05, maka \(H_0\) ditolak. Pada taraf nyata 5%, \(X_1\), \(X_2\), dan \(X_3\) secara simultan berpengaruh signifikan terhadap tingkat pengangguran, sehingga model layak digunakan.

4.6.2 Uji Parsial (Uji t)

t_tab <- qt(0.975, df.residual(model))
uji_t <- data.frame(
  Variabel   = c("X1 (Kepadatan penduduk)", "X2 (Kemiskinan)",
                 "X3 (Penyelesaian pendidikan SMA)"),
  Koefisien  = kf(koef[-1, 1]),
  t_hitung   = round(koef[-1, 3], 3),
  t_tabel    = round(t_tab, 3),
  p_value    = fp(koef[-1, 4]),
  Keputusan  = ifelse(abs(koef[-1, 3]) > t_tab & koef[-1, 4] < 0.05,
                      "Tolak H0 (signifikan)", "Gagal tolak H0"),
  row.names = NULL)
kable(uji_t, caption = "Tabel 4.6. Hasil uji parsial (uji t)")
Tabel 4.6. Hasil uji parsial (uji t)
Variabel Koefisien t_hitung t_tabel p_value Keputusan
X1 (Kepadatan penduduk) 0.0005587 3.862 2.04 0.0005 Tolak H0 (signifikan)
X2 (Kemiskinan) 0.01435 2.083 2.04 0.0456 Tolak H0 (signifikan)
X3 (Penyelesaian pendidikan SMA) 0.00003684 0.545 2.04 0.5899 Gagal tolak H0
ns <- rownames(koef)[-1][koef[-1, 4] >= 0.05]       # variabel tidak signifikan
ss <- rownames(koef)[-1][koef[-1, 4] <  0.05]       # variabel signifikan
ket_t <- function(j) {
  if (koef[j, 4] < 0.05) {
    paste0("$H_0$ ditolak, sehingga variabel ini **berpengaruh signifikan dan ",
           ifelse(koef[j, 1] > 0, "positif", "negatif"), "** terhadap tingkat pengangguran.")
  } else {
    "$H_0$ gagal ditolak, sehingga variabel ini **tidak berpengaruh signifikan** terhadap tingkat pengangguran pada taraf nyata 5%."
  }
}

Untuk setiap \(j = 1,2,3\): \(H_0: \beta_j = 0\) lawan \(H_1: \beta_j \neq 0\), dengan \(\alpha = 5\%\) dan kriteria tolak \(H_0\) jika \(|t_{hitung}| > t_{0.025;31}\) = 2.04 atau \(p\)-value < 0.05.

  • \(X_1\) (kepadatan penduduk): \(t_{hitung}\) = 3.862, \(p\)-value = 0.0005. \(H_0\) ditolak, sehingga variabel ini berpengaruh signifikan dan positif terhadap tingkat pengangguran.
  • \(X_2\) (kemiskinan): \(t_{hitung}\) = 2.083, \(p\)-value = 0.0456. \(H_0\) ditolak, sehingga variabel ini berpengaruh signifikan dan positif terhadap tingkat pengangguran.
  • \(X_3\) (tingkat penyelesaian pendidikan SMA): \(t_{hitung}\) = 0.545, \(p\)-value = 0.5899. \(H_0\) gagal ditolak, sehingga variabel ini tidak berpengaruh signifikan terhadap tingkat pengangguran pada taraf nyata 5%.

Hanya 2 dari 3 variabel yang berpengaruh signifikan (kepadatan penduduk dan kemiskinan), sedangkan tingkat penyelesaian pendidikan SMA tidak signifikan. Dengan demikian ketentuan “seluruh variabel independen signifikan” pada Batasan Masalah tidak terpenuhi untuk data ini. Perlu diperhatikan bahwa Uji F yang signifikan hanya menunjukkan sedikitnya satu variabel berpengaruh, tidak berarti semua variabel berpengaruh secara parsial. Variabel yang tidak signifikan dapat dipertahankan dalam model bila ada landasan teori, atau dipertimbangkan untuk dikeluarkan pada penelitian lanjutan. Berdasarkan nilai \(|t|\), variabel dengan bukti pengaruh paling kuat adalah kepadatan penduduk. Perlu diingat bahwa hubungan ini bersifat asosiasi dan bukan bukti sebab-akibat.

4.7 Evaluasi Model: Identifikasi dan Pengujian Outlier

4.7.1 Influence Plot

inf <- influencePlot(model, main = "Influence Plot",
                     sub = "Ukuran lingkaran sebanding dengan Cook's Distance")

inf$Wilayah <- dat$Wilayah[as.numeric(rownames(inf))]
kable(round(inf[, c("StudRes", "Hat", "CookD")], 5), caption = "Tabel 4.7. Pengamatan yang ditandai pada Influence Plot")
Tabel 4.7. Pengamatan yang ditandai pada Influence Plot
StudRes Hat CookD
28 2.74655 0.02982 0.04786
31 -2.51203 0.52321 1.47797
33 1.99282 0.57270 1.21430
inf$Wilayah
#> [1] "KAB. TEGAL"     "KOTA SURAKARTA" "KOTA SEMARANG"

Gambar 4.5. Influence plot

diag_tab <- data.frame(No = seq_len(n), Wilayah = dat$Wilayah,
                       StudRes = rstudent(model), Hat = hatvalues(model),
                       CookD = cooks.distance(model))
batas_hat <- 2 * length(coef(model)) / n
batas_cook <- 4 / n
cat("Batas leverage 2p/n =", round(batas_hat, 4), "| Batas Cook's D 4/n =", round(batas_cook, 4), "\n")
#> Batas leverage 2p/n = 0.2286 | Batas Cook's D 4/n = 0.1143
top <- diag_tab[order(-abs(diag_tab$StudRes)), ][1:5, ]
kable(top, digits = 4, row.names = FALSE,
      caption = "Tabel 4.8. Lima pengamatan dengan |studentized residual| terbesar")
Tabel 4.8. Lima pengamatan dengan |studentized residual| terbesar
No Wilayah StudRes Hat CookD
28 KAB. TEGAL 2.7466 0.0298 0.0479
31 KOTA SURAKARTA -2.5120 0.5232 1.4780
1 KAB. CILACAP 2.1935 0.0861 0.1009
33 KOTA SEMARANG 1.9928 0.5727 1.2143
24 KAB. KENDAL 1.5143 0.0627 0.0368
lev <- diag_tab[diag_tab$Hat > batas_hat, ]
kable(lev, digits = 4, row.names = FALSE,
      caption = "Tabel 4.9. Pengamatan dengan leverage tinggi (h > 2p/n)")
Tabel 4.9. Pengamatan dengan leverage tinggi (h > 2p/n)
No Wilayah StudRes Hat CookD
29 KAB. BREBES 1.1237 0.3503 0.1688
31 KOTA SURAKARTA -2.5120 0.5232 1.4780
33 KOTA SEMARANG 1.9928 0.5727 1.2143
35 KOTA TEGAL 0.3839 0.2330 0.0115
cookhi <- diag_tab[diag_tab$CookD > batas_cook, ]
kable(cookhi, digits = 4, row.names = FALSE,
      caption = "Tabel 4.9a. Pengamatan dengan Cook's Distance > 4/n")
Tabel 4.9a. Pengamatan dengan Cook’s Distance > 4/n
No Wilayah StudRes Hat CookD
29 KAB. BREBES 1.1237 0.3503 0.1688
31 KOTA SURAKARTA -2.5120 0.5232 1.4780
33 KOTA SEMARANG 1.9928 0.5727 1.2143
id_res  <- which.max(abs(diag_tab$StudRes))   # residual ekstrem terbesar
id_cook <- which.max(diag_tab$CookD)          # pengaruh terbesar

Berdasarkan Influence Plot dan tabel diagnostik, diperoleh temuan berikut:

  • Residual ekstrem (pengamatan-\(Y\)): KAB. TEGAL (observasi ke-28) memiliki studentized residual paling ekstrem (2.75), artinya tingkat pengangguran amatannya jauh lebih tinggi daripada nilai dugaan model. Terdapat 3 pengamatan dengan \(|\)studentized residual\(| > 2\).
  • Leverage tinggi (pengamatan-\(X\)): 4 wilayah melampaui batas \(2p/n\) = 0.2286, yaitu KAB. BREBES, KOTA SURAKARTA, KOTA SEMARANG, KOTA TEGAL. Pengamatan ini memiliki kombinasi nilai \(X\) yang jauh dari pola mayoritas data.
  • Pengaruh terhadap model (Cook’s Distance): 3 wilayah melampaui batas \(4/n \approx\) 0.114, yaitu KAB. BREBES, KOTA SURAKARTA, KOTA SEMARANG. Nilai terbesar dimiliki KOTA SURAKARTA (1.478), dan 2 pengamatan memiliki Cook’s D > 1 (KOTA SURAKARTA, KOTA SEMARANG), yang tergolong sangat berpengaruh.

Influence Plot hanya menandai pengamatan yang berpotensi menjadi outlier atau berpengaruh. Untuk memastikannya diperlukan uji formal, yaitu Uji Bonferroni.

4.7.2 Uji Bonferroni

ot <- outlierTest(model, cutoff = Inf, n.max = 3)
ot
#>     rstudent unadjusted p-value Bonferroni p
#> 28  2.746554           0.010084      0.35293
#> 31 -2.512035           0.017615      0.61654
#> 1   2.193536           0.036155           NA
idx <- as.numeric(names(ot$rstudent))
tab_bon <- data.frame(Observasi = idx, Wilayah = dat$Wilayah[idx],
                      Rstudent = round(ot$rstudent, 4),
                      p_value_tak_terkoreksi = fp(ot$p),
                      p_Bonferroni = round(ot$bonf.p, 4), row.names = NULL)
kable(tab_bon, caption = "Tabel 4.10. Hasil uji Bonferroni (tiga residual terbesar)")
Tabel 4.10. Hasil uji Bonferroni (tiga residual terbesar)
Observasi Wilayah Rstudent p_value_tak_terkoreksi p_Bonferroni
28 KAB. TEGAL 2.7466 0.0101 0.3529
31 KOTA SURAKARTA -2.5120 0.0176 0.6165
1 KAB. CILACAP 2.1935 0.0362 1.2654
t_bon <- qt(1 - 0.05 / (2 * n), n - length(coef(model)) - 1)
cat("Nilai kritis Bonferroni t(0.05/(2n); n-p-1) =", round(t_bon, 4), "\n")
#> Nilai kritis Bonferroni t(0.05/(2n); n-p-1) = 3.5125

Pengujian dilakukan pada pengamatan dengan studentized deleted residual terbesar, yaitu KAB. TEGAL (observasi ke-28):

  1. Hipotesis: \(H_0\): kasus ke-28 bukan outlier; \(H_1\): kasus ke-28 merupakan outlier.
  2. Taraf nyata: \(\alpha = 5\%\).
  3. Statistik uji: \(t_{28}\) = 2.7466, dengan \(p\)-value tak terkoreksi = 0.0101 dan \(p\)-value Bonferroni = \(n \times p\) = 0.3529.
  4. Kriteria penolakan: tolak \(H_0\) jika \(p_{Bonf}\) < \(\alpha\) (atau \(|t_i|\) ≥ 3.5125).
  5. Kesimpulan: karena \(p_{Bonf}\) = 0.3529 > 0.05 (dan \(|t_i|\) = 2.7466 < 3.5125), \(H_0\) gagal ditolak. Pada taraf nyata 5% KAB. TEGAL tidak terbukti sebagai outlier setelah koreksi Bonferroni.

Perhatikan bahwa \(p\)-value tak terkoreksi (0.0101) tampak signifikan, tetapi nilai ini tidak boleh dipakai langsung karena 35 pengamatan diuji sekaligus. Koreksi Bonferroni memperhitungkan hal ini, sehingga kesimpulan yang tepat adalah mengikuti \(p_{Bonf}\). Uji Bonferroni hanya menguji outlier pada sumbu \(Y\). Pengamatan dengan leverage dan Cook’s D tinggi (KAB. BREBES, KOTA SURAKARTA, KOTA SEMARANG) tetap perlu diperhatikan sebagai pengamatan berpengaruh walaupun tidak dinyatakan outlier oleh uji ini.

4.7.3 Analisis Sensitivitas

Untuk menilai seberapa besar pengaruh pengamatan yang ditandai terhadap kesimpulan, model diestimasi ulang tanpa pengamatan tersebut, yaitu pengamatan dengan residual paling ekstrem (KAB. TEGAL) dan pengamatan dengan Cook’s D terbesar (KOTA SURAKARTA). Analisis ini hanya bersifat diagnostik; model utama tetap menggunakan seluruh data.

ringkas <- function(m, label) {
  s <- summary(m); cf <- coef(s)
  sigv <- rownames(cf)[-1][cf[-1, 4] < 0.05]
  data.frame(Skenario = label, n = nobs(m),
             b0 = kf(cf[1, 1]), b1 = kf(cf[2, 1]),
             b2 = kf(cf[3, 1]), b3 = kf(cf[4, 1]),
             R2_adj = round(s$adj.r.squared, 4),
             `Variabel signifikan` = ifelse(length(sigv) == 0, "-", paste(sigv, collapse = ", ")),
             `p Shapiro-Wilk` = fp(shapiro.test(resid(m))$p.value),
             check.names = FALSE)
}
lab_res  <- paste("Tanpa", dat$Wilayah[id_res])
lab_cook <- paste("Tanpa", dat$Wilayah[id_cook])
m_tanpa_res  <- update(model, data = dat[-id_res, ])
m_tanpa_cook <- update(model, data = dat[-id_cook, ])
m_tanpa_dua  <- update(model, data = dat[-unique(c(id_res, id_cook)), ])

sens <- rbind(ringkas(model, "Model utama (semua data)"),
              ringkas(m_tanpa_res,  lab_res),
              ringkas(m_tanpa_cook, lab_cook),
              ringkas(m_tanpa_dua,  "Tanpa keduanya"))
kable(sens, caption = "Tabel 4.11. Perbandingan model utama dan model tanpa pengamatan yang ditandai")
Tabel 4.11. Perbandingan model utama dan model tanpa pengamatan yang ditandai
Skenario n b0 b1 b2 b3 R2_adj Variabel signifikan p Shapiro-Wilk
Model utama (semua data) 35 2.651 0.0005587 0.01435 0.00003684 0.3197 X1, X2 0.0646
Tanpa KAB. TEGAL 34 2.493 0.0005615 0.01405 0.00004174 0.3828 X1, X2 0.1613
Tanpa KOTA SURAKARTA 34 1.627 0.0008511 0.01648 0.00006351 0.4206 X1, X2 0.0136
Tanpa keduanya 33 1.491 0.0008485 0.01614 0.00006785 0.4931 X1, X2 0.0516
sig_utama <- sens$`Variabel signifikan`[1]
sama <- sum(sens$`Variabel signifikan`[-1] == sig_utama)
p_sw <- sapply(list(model, m_tanpa_res, m_tanpa_cook, m_tanpa_dua),
               function(m) shapiro.test(resid(m))$p.value)
b2_skenario <- sapply(list(m_tanpa_res, m_tanpa_cook, m_tanpa_dua), function(m) coef(m)[3])
i_max <- which.max(abs(b2_skenario - coef(model)[3]))
skenario_max <- sens$Skenario[-1][i_max]
b2_max <- b2_skenario[i_max]

Hasil analisis sensitivitas menunjukkan bahwa:

  • Variabel yang signifikan pada model utama (X1, X2) sama dengan hasil pada 3 dari 3 skenario tanpa pengamatan yang ditandai, sehingga kesimpulan Uji t tidak bergantung pada pengamatan tersebut.
  • Perubahan koefisien \(b_2\) (kemiskinan) terbesar terjadi pada skenario Tanpa KOTA SURAKARTA, dari 0.01435 menjadi 0.01648.
  • \(p\)-value Shapiro-Wilk berubah dari 0.0646 pada model utama menjadi 0.1613, 0.0136, dan 0.0516 pada ketiga skenario berturut-turut.

Mengingat pengamatan yang ditandai merupakan data valid (bukan kesalahan pencatatan yang terbukti) dan KAB. TEGAL tidak terbukti sebagai outlier menurut Uji Bonferroni, seluruh pengamatan dipertahankan pada model utama. Jika ingin menghapus pengamatan tertentu, hal itu perlu didasarkan pada alasan substantif, misalnya verifikasi data sumber.


BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

  1. Data. Data sekunder BPS tentang tingkat pengangguran, kepadatan penduduk, kemiskinan, dan tingkat penyelesaian pendidikan SMA pada 35 kabupaten/kota di Jawa Tengah memenuhi ketentuan jumlah observasi (\(n \ge 35\)) dan jumlah variabel independen (tiga variabel), tetapi tidak seluruh variabel independen signifikan (tingkat penyelesaian pendidikan SMA tidak signifikan). Statistik deskriptif menunjukkan tingkat pengangguran berkisar 2.43 (KAB. WONOGIRI) sampai 9.97 (KAB. CILACAP) dengan rata-rata 5.87.
  2. Model. Model regresi yang terbentuk adalah \(\hat{Y} = 2.651 + 0.0005587X_1 + 0.01435X_2 + 0.00003684X_3\). Model menjelaskan sekitar 31.97% keragaman tingkat pengangguran (\(R^2_{adj}\) = 0.3197).
  3. Asumsi klasik. 5 dari 5 asumsi terpenuhi: linieritas (\(p\) = 0.076), multikolinieritas (VIF maksimum 2.04), heteroskedastisitas (\(p\) = 0.5489), normalitas galat (\(p\) = 0.0646), dan autokorelasi (\(p\) = 0.1441). Seluruh asumsi terpenuhi pada taraf nyata 5%.
  4. Uji hipotesis. Uji F (\(F\) = 6.33; \(p\) = 0.0018) menunjukkan variabel independen berpengaruh signifikan secara simultan. Uji t menunjukkan kepadatan penduduk dan kemiskinan berpengaruh signifikan secara parsial, sedangkan tingkat penyelesaian pendidikan SMA tidak signifikan (p = 0.5899).
  5. Outlier. Influence Plot menandai KAB. TEGAL (residual ekstrem) dan KOTA SURAKARTA (Cook’s D terbesar) sebagai pengamatan yang berpotensi berpengaruh. Uji Bonferroni pada KAB. TEGAL memberikan \(p_{Bonf}\) = 0.3529 > 0.05, sehingga tidak terbukti sebagai outlier pada taraf nyata 5%.

5.2 Saran

  1. Penulisan sintaks R perlu dilakukan dengan teliti karena kesalahan kecil dapat menyebabkan program error atau hasil yang keliru.
  2. Karena variabel tingkat penyelesaian pendidikan SMA tidak signifikan dan nilai \(R^2_{adj}\) model hanya 0.3197, penelitian lanjutan dapat mempertimbangkan seleksi variabel atau penambahan variabel lain yang lebih relevan, seperti upah minimum, laju pertumbuhan ekonomi, atau tingkat partisipasi angkatan kerja.
  3. Beberapa pengamatan berpengaruh (KAB. BREBES, KOTA SURAKARTA, KOTA SEMARANG) didominasi wilayah dengan karakteristik berbeda dari mayoritas data, sehingga penelitian lanjutan dapat menggunakan regresi kokoh (robust regression), galat baku yang kokoh (robust standard error), atau transformasi variabel (misalnya logaritma pada \(X_1\) dan \(X_3\) yang berskala besar).
  4. Penulis menyadari laporan ini masih memiliki kekurangan, sehingga kritik dan saran yang membangun sangat diharapkan.

DAFTAR PUSTAKA

Badan Pusat Statistik Indonesia. (2023a). Kepadatan penduduk menurut Provinsi Jawa Tengah pada tahun 2022. https://www.bps.go.id/

Badan Pusat Statistik Indonesia. (2023b). Tingkat pengangguran menurut Provinsi Jawa Tengah pada tahun 2022. https://www.bps.go.id/

Badan Pusat Statistik Indonesia. (2023c). Persentase penduduk miskin menurut Provinsi Jawa Tengah pada tahun 2022. https://www.bps.go.id/

Badan Pusat Statistik Indonesia. (2023d). Persentase anak yang hanya lulusan SMA menurut Provinsi Jawa Tengah pada tahun 2022. https://www.bps.go.id/

Barus, F. M. (2023). Mendeteksi outlier pada data multivariat dengan metode Jarak Mahalanobis-Minimum Covariance Determinant (MMCD). Indonesian Journal of Multidisciplinary, 1(1), 1–10.

Firmansyah, A., & Tristie, G. A. (2021). Bagaimana peran tata kelola perusahaan dalam penghindaran pajak, pengungkapan risiko, efisiensi investasi? Indramayu: Penerbit ADAB.

Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Thousand Oaks, CA: Sage.

Hakim, L. (2016). Analisis regresi pada data outlier dengan metode MM-estimasi. Malang: Universitas Islam Negeri Maulana Malik Ibrahim.

Kartiningrum, E. D., Notobroto, H. B., Otok, B. W., Kumarijati, N. E., & Yuswatiningsih, E. (2022). Aplikasi regresi dan korelasi dalam analisis data hasil penelitian. E-Book Penerbit STIKes Majapahit.

Prasmono, A. S. P., & Ahdika, A. (2023). Analisis regresi berganda pada faktor-faktor yang mempengaruhi kinerja fisik preservasi jalan dan jembatan di Provinsi Sumatera Selatan. Emerging Statistics and Data Science Journal, 1(1), 47–56.

R Core Team. (2025). R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing. https://www.R-project.org/

Rini, D. S. (2026). Modul praktikum analisis regresi dan korelasi. Bengkulu: Universitas Bengkulu.

Sabrina, F. A., Nandita, W. V., & Maharani, D. D. (2023). Uji asumsi klasik untuk menghindari pelanggaran asumsi klasik pada regresi linier Ordinary Least Squares (OLS) dalam ekonometrika. Jurnal Ilmiah Manajemen Ekonomi dan Akuntansi, 1(1), 195–203.

Suryono, M. S. (2021). Analisis regresi untuk penelitian. Semarang: Semarang University Press.

Wahyono, K. (2021). Analisis regresi sederhana dan berganda. Yogyakarta: UAD Press.

Zeileis, A., & Hothorn, T. (2002). Diagnostic checking in regression relationships. R News, 2(3), 7–10.


LAMPIRAN

Lampiran 1. Data Penelitian

kable(dat, row.names = TRUE, caption = "Data tingkat pengangguran dan variabel independen menurut kabupaten/kota")
Data tingkat pengangguran dan variabel independen menurut kabupaten/kota
Wilayah Y X1 X2 X3
1 KAB. CILACAP 9.97 930 190.96 17757
2 KAB. BANYUMAS 6.05 1360 220.47 20745
3 KAB. PURBALINGGA 6.05 1311 145.33 10792
4 KAB. BANJARNEGARA 5.86 971 141.25 7655
5 KAB. KEBUMEN 6.03 1073 196.16 12189
6 KAB. PURWOREJO 3.59 752 82.64 9139
7 KAB. WONOSOBO 5.26 910 128.11 8928
8 KAB. MAGELANG 5.03 1209 145.33 15534
9 KAB. BOYOLALI 5.09 1064 97.18 14736
10 KAB. KLATEN 5.48 1946 144.87 16444
11 KAB. SUKOHARJO 3.32 1964 68.72 14437
12 KAB. WONOGIRI 2.43 580 105.19 10792
13 KAB. KARANGANYAR 5.89 1227 88.56 10769
14 KAB. SRAGEN 4.76 1048 115.14 10699
15 KAB. GROBOGAN 4.38 744 163.20 17016
16 KAB. BLORA 3.81 495 99.83 9338
17 KAB. REMBANG 3.67 642 94.56 8488
18 KAB. PATI 4.60 898 118.04 13961
19 KAB. KUDUS 3.77 2014 66.06 10400
20 KAB. JEPARA 4.23 1188 89.08 12498
21 KAB. DEMAK 5.28 1363 143.01 15598
22 KAB. SEMARANG 5.02 1128 78.60 12883
23 KAB. TEMANGGUNG 2.62 919 73.04 6806
24 KAB. KENDAL 7.55 1031 93.03 14021
25 KAB. BATANG 6.59 1031 69.94 6626
26 KAB. PEKALONGAN 4.28 1180 87.53 8935
27 KAB. PEMALANG 6.71 1483 195.84 12906
28 KAB. TEGAL 9.97 1846 113.62 11592
29 KAB. BREBES 9.78 1213 290.66 19787
30 KOTA MAGELANG 8.73 6715 8.65 5511
31 KOTA SURAKARTA 7.85 11878 45.94 17972
32 KOTA SALATIGA 7.26 3683 9.45 4386
33 KOTA SEMARANG 9.54 4442 79.87 30402
34 KOTA PEKALONGAN 6.89 6889 21.81 3959
35 KOTA TEGAL 8.25 8069 19.78 5985

Lampiran 2. Ringkasan Diagnostik Seluruh Pengamatan

kable(diag_tab, digits = 4, row.names = FALSE,
      caption = "Studentized residual, hat value, dan Cook's Distance seluruh wilayah")
Studentized residual, hat value, dan Cook’s Distance seluruh wilayah
No Wilayah StudRes Hat CookD
1 KAB. CILACAP 2.1935 0.0861 0.1009
2 KAB. BANYUMAS -0.8077 0.1509 0.0293
3 KAB. PURBALINGGA 0.1081 0.0529 0.0002
4 KAB. BANJARNEGARA 0.2146 0.0883 0.0012
5 KAB. KEBUMEN -0.2955 0.1219 0.0031
6 KAB. PURWOREJO -0.5948 0.0596 0.0057
7 KAB. WONOSOBO -0.0389 0.0561 0.0000
8 KAB. MAGELANG -0.5604 0.0438 0.0037
9 KAB. BOYOLALI -0.0546 0.0647 0.0001
10 KAB. KLATEN -0.5549 0.0481 0.0040
11 KAB. SUKOHARJO -1.1880 0.0822 0.0312
12 KAB. WONOGIRI -1.4870 0.0464 0.0259
13 KAB. KARANGANYAR 0.5206 0.0441 0.0032
14 KAB. SRAGEN -0.3048 0.0371 0.0009
15 KAB. GROBOGAN -0.9924 0.0616 0.0162
16 KAB. BLORA -0.5276 0.0539 0.0041
17 KAB. REMBANG -0.5974 0.0573 0.0055
18 KAB. PATI -0.4457 0.0427 0.0023
19 KAB. KUDUS -0.7928 0.0514 0.0086
20 KAB. JEPARA -0.4847 0.0507 0.0032
21 KAB. DEMAK -0.4448 0.0429 0.0023
22 KAB. SEMARANG 0.0810 0.0687 0.0001
23 KAB. TEMANGGUNG -1.1176 0.0745 0.0249
24 KAB. KENDAL 1.5143 0.0627 0.0368
25 KAB. BATANG 1.2925 0.0758 0.0335
26 KAB. PEKALONGAN -0.3612 0.0486 0.0017
27 KAB. PEMALANG -0.0333 0.1204 0.0000
28 KAB. TEGAL 2.7466 0.0298 0.0479
29 KAB. BREBES 1.1237 0.3503 0.1688
30 KOTA MAGELANG 1.2891 0.1696 0.0831
31 KOTA SURAKARTA -2.5120 0.5232 1.4780
32 KOTA SALATIGA 1.4225 0.1240 0.0693
33 KOTA SEMARANG 1.9928 0.5727 1.2143
34 KOTA PEKALONGAN -0.0438 0.2039 0.0001
35 KOTA TEGAL 0.3839 0.2330 0.0115

Lampiran 3. Informasi Sesi R

sessionInfo()
#> R version 4.5.3 (2026-03-11 ucrt)
#> Platform: x86_64-w64-mingw32/x64
#> Running under: Windows 11 x64 (build 26300)
#> 
#> Matrix products: default
#>   LAPACK version 3.12.1
#> 
#> locale:
#> [1] LC_COLLATE=Indonesian_Indonesia.utf8  LC_CTYPE=Indonesian_Indonesia.utf8   
#> [3] LC_MONETARY=Indonesian_Indonesia.utf8 LC_NUMERIC=C                         
#> [5] LC_TIME=Indonesian_Indonesia.utf8    
#> 
#> time zone: Asia/Jakarta
#> tzcode source: internal
#> 
#> attached base packages:
#> [1] stats     graphics  grDevices utils     datasets  methods   base     
#> 
#> other attached packages:
#> [1] knitr_1.51    lmtest_0.9-40 zoo_1.8-15    car_3.1-5     carData_3.0-6
#> 
#> loaded via a namespace (and not attached):
#>  [1] vctrs_0.7.2        cli_3.6.5          rlang_1.3.0        xfun_0.57         
#>  [5] Formula_1.2-6      otel_0.2.0         jsonlite_2.0.0     glue_1.8.0        
#>  [9] htmltools_0.5.9    sass_0.4.10        scales_1.4.0       rmarkdown_2.31    
#> [13] grid_4.5.3         evaluate_1.0.5     jquerylib_0.1.4    abind_1.4-8       
#> [17] fastmap_1.2.0      yaml_2.3.12        lifecycle_1.0.5    compiler_4.5.3    
#> [21] RColorBrewer_1.1-3 rstudioapi_0.19.0  farver_2.1.2       lattice_0.22-9    
#> [25] digest_0.6.39      R6_2.6.1           bslib_0.10.0       tools_4.5.3       
#> [29] cachem_1.1.0