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)
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.
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 \(\alpha = 5\%\).
| 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. |
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 \(Y\).
Berikut ringkasan uji asumsi klasik yang digunakan (Rini, 2026):
Untuk keempat uji berbasis p-value, \(H_0\) ditolak jika \(p\text{-value} \le \alpha\).
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).
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.
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.
| 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:
\[Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \beta_3 X_{3i} + \varepsilon_i\]
lm().resettest),
multikolinieritas (vif), heteroskedastisitas
(bptest), normalitas (shapiro.test), dan
autokorelasi (dwtest).influencePlot() dan Uji Bonferroni dengan
outlierTest(). [ 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
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)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")| 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.
#> [1] 35 5
#> '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 ...
#> Wilayah Y X1 X2 X3
#> 0 0 0 0 0
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")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")| 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).
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")| 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:
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.
#>
#> 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")| 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.
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.
Taraf nyata \(\alpha = 0.05\) digunakan pada seluruh pengujian.
#>
#> 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-LocationGambar 4.3. Plot residual terhadap nilai dugaan (kiri) dan plot Scale-Location (kanan)
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)")| 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.
#>
#> studentized Breusch-Pagan test
#>
#> data: model
#> BP = 2.115, df = 3, p-value = 0.5489
#>
#> 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")Gambar 4.4. Q-Q plot dan histogram residual
#>
#> Durbin-Watson test
#>
#> data: model
#> DW = 1.6918, p-value = 0.1441
#> alternative hypothesis: true autocorrelation is greater than 0
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")| 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$Keputusan != "Terpenuhi"]5 dari 5 asumsi terpenuhi pada taraf nyata 5%. Dengan demikian seluruh asumsi klasik terpenuhi dan penduga MKT dapat diandalkan untuk pengujian hipotesis. Pemeriksaan outlier pada Subbab 4.7 dilakukan untuk mengetahui apakah pengamatan tertentu memengaruhi hasil.
n <- nrow(dat); k <- 3
F_hit <- as.numeric(ringkasan$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))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)")| 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.
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.
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")| StudRes | Hat | CookD | |
|---|---|---|---|
| 28 | 2.74655 | 0.02982 | 0.04786 |
| 31 | -2.51203 | 0.52321 | 1.47797 |
| 33 | 1.99282 | 0.57270 | 1.21430 |
#> [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")| 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$Hat > batas_hat, ]
kable(lev, digits = 4, row.names = FALSE,
caption = "Tabel 4.9. Pengamatan dengan leverage tinggi (h > 2p/n)")| No | Wilayah | StudRes | Hat | CookD |
|---|---|---|---|---|
| 29 | KAB. BREBES | 1.1237 | 0.3503 | 0.1688 |
| 31 | KOTA SURAKARTA | -2.5120 | 0.5232 | 1.4780 |
| 33 | KOTA SEMARANG | 1.9928 | 0.5727 | 1.2143 |
| 35 | KOTA TEGAL | 0.3839 | 0.2330 | 0.0115 |
cookhi <- diag_tab[diag_tab$CookD > batas_cook, ]
kable(cookhi, digits = 4, row.names = FALSE,
caption = "Tabel 4.9a. Pengamatan dengan Cook's Distance > 4/n")| 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 terbesarBerdasarkan Influence Plot dan tabel diagnostik, diperoleh temuan berikut:
Influence Plot hanya menandai pengamatan yang berpotensi menjadi outlier atau berpengaruh. Untuk memastikannya diperlukan uji formal, yaitu Uji Bonferroni.
#> 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)")| 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):
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.
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")| 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:
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.
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.
kable(dat, row.names = TRUE, caption = "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 |
kable(diag_tab, digits = 4, row.names = FALSE,
caption = "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 |
#> 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