# ============================================
# ANALISIS REGRESI
# ============================================

# 1. LOAD PACKAGES
library(readxl)
## Warning: package 'readxl' was built under R version 4.5.2
library(lmtest)
## Warning: package 'lmtest' was built under R version 4.5.2
## Loading required package: zoo
## Warning: package 'zoo' was built under R version 4.5.2
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
library(car)
## Loading required package: carData
# 2. LOAD DATA
data <- read_excel('dataset_regresi_linier_ekonomi_200_observasi.xlsx', sheet = "Data_200_Observasi")

df <- data.frame(
  Pengeluaran = data$Pengeluaran_Konsumsi_Bulanan_Juta_Rp,
  Pendapatan  = data$Pendapatan_Bulanan_Juta_Rp,
  Keluarga    = data$Jumlah_Anggota_Rumah_Tangga,
  Pendidikan  = data$Pendidikan_Kepala_RT_Tahun,
  Tabungan    = data$Tabungan_Bulanan_Juta_Rp,
  Usia        = data$Usia_Kepala_RT_Tahun
)
cat("============================================\n")
## ============================================
cat("ANALISIS REGRESI LINEAR BERGANDA\n")
## ANALISIS REGRESI LINEAR BERGANDA
cat("============================================\n\n")
## ============================================
# 3. UJI REGRESI LINEAR BERGANDA
model <- lm(Pengeluaran ~ Pendapatan + Keluarga + Pendidikan + Tabungan + Usia, data = df)

cat("=== MODEL REGRESI LINEAR BERGANDA ===\n")
## === MODEL REGRESI LINEAR BERGANDA ===
# Tampilkan persamaan
cat("Persamaan Regresi:\n")
## Persamaan Regresi:
cat("Pengeluaran = ", round(coef(model)[1], 4), " + ", 
    round(coef(model)[2], 4), "*Pendapatan + ",
    round(coef(model)[3], 4), "*Keluarga + ",
    round(coef(model)[4], 4), "*Pendidikan + ",
    round(coef(model)[5], 4), "*Tabungan + ",
    round(coef(model)[6], 4), "*Usia\n\n")
## Pengeluaran =  0.723  +  0.6024 *Pendapatan +  0.4779 *Keluarga +  0.078 *Pendidikan +  -0.1697 *Tabungan +  -0.0033 *Usia
# Tampilkan tabel koefisien lengkap
cat("Tabel Koefisien:\n")
## Tabel Koefisien:
print(summary(model)$coefficients)
##                Estimate  Std. Error    t value     Pr(>|t|)
## (Intercept)  0.72299916 0.540513892  1.3376144 1.825882e-01
## Pendapatan   0.60237024 0.028572075 21.0824812 4.500278e-52
## Keluarga     0.47794679 0.042161262 11.3361595 3.485569e-23
## Pendidikan   0.07799720 0.025095912  3.1079642 2.166903e-03
## Tabungan    -0.16972681 0.107243682 -1.5826276 1.151352e-01
## Usia        -0.00325683 0.007334846 -0.4440216 6.575218e-01
# 4. UJI NORMALITAS
cat("\n=== UJI NORMALITAS (Shapiro-Wilk) ===\n")
## 
## === UJI NORMALITAS (Shapiro-Wilk) ===
shapiro_test <- shapiro.test(residuals(model))
cat("p-value =", shapiro_test$p.value, "\n")
## p-value = 0.8128004
if(shapiro_test$p.value > 0.05) {
  cat("Kesimpulan: Residual berdistribusi normal\n")
} else {
  cat("Kesimpulan: Residual TIDAK berdistribusi normal\n")
}
## Kesimpulan: Residual berdistribusi normal
# 5. UJI AUTOKORELASI
cat("\n=== UJI AUTOKORELASI (Durbin-Watson) ===\n")
## 
## === UJI AUTOKORELASI (Durbin-Watson) ===
dw_test <- durbinWatsonTest(model)
cat("Statistik Durbin-Watson =", dw_test$dw, "\n")
## Statistik Durbin-Watson = 2.198797
cat("p-value =", dw_test$p, "\n")
## p-value = 0.176
if(dw_test$p > 0.05) {
  cat("Kesimpulan: Tidak ada autokorelasi\n")
} else {
  cat("Kesimpulan: Ada autokorelasi\n")
}
## Kesimpulan: Tidak ada autokorelasi
# 6. UJI HETEROSKEDASTISITAS
cat("\n=== UJI HETEROSKEDASTISITAS (Breusch-Pagan) ===\n")
## 
## === UJI HETEROSKEDASTISITAS (Breusch-Pagan) ===
bp_test <- bptest(model)
cat("p-value =", bp_test$p.value, "\n")
## p-value = 0.14008
if(bp_test$p.value > 0.05) {
  cat("Kesimpulan: Tidak ada heteroskedastisitas (varians konstan)\n")
} else {
  cat("Kesimpulan: Ada heteroskedastisitas (varians tidak konstan)\n")
}
## Kesimpulan: Tidak ada heteroskedastisitas (varians konstan)
# 7. UJI MULTIKOLINEARITAS
cat("\n=== UJI MULTIKOLINEARITAS (VIF & Tolerance) ===\n")
## 
## === UJI MULTIKOLINEARITAS (VIF & Tolerance) ===
# Hitung VIF
vif_values <- vif(model)

# Hitung Tolerance (1/VIF)
tolerance_values <- 1/vif_values

# Buat tabel hasil
multicoll_table <- data.frame(
  Variabel = names(vif_values),
  VIF = round(vif_values, 3),
  Tolerance = round(tolerance_values, 3)
)

print(multicoll_table)
##              Variabel   VIF Tolerance
## Pendapatan Pendapatan 1.179     0.848
## Keluarga     Keluarga 1.011     0.989
## Pendidikan Pendidikan 1.034     0.967
## Tabungan     Tabungan 1.158     0.863
## Usia             Usia 1.042     0.960
# 8. UJI F (SIMULTAN)
cat("\n=== UJI F (SIMULTAN) ===\n")
## 
## === UJI F (SIMULTAN) ===
anova_result <- anova(model)
print(anova_result)
## Analysis of Variance Table
## 
## Response: Pengeluaran
##             Df Sum Sq Mean Sq  F value    Pr(>F)    
## Pendapatan   1 507.91  507.91 475.2186 < 2.2e-16 ***
## Keluarga     1 145.20  145.20 135.8520 < 2.2e-16 ***
## Pendidikan   1  10.63   10.63   9.9453  0.001869 ** 
## Tabungan     1   2.72    2.72   2.5482  0.112049    
## Usia         1   0.21    0.21   0.1972  0.657522    
## Residuals  194 207.34    1.07                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
cat("\nF =", round(anova_result$`F value`[1], 3), 
    ", p =", ifelse(anova_result$`Pr(>F)`[1] < 0.001, 
                    ".000", 
                    round(anova_result$`Pr(>F)`[1], 3)))
## 
## F = 475.219 , p = .000
if(anova_result$`Pr(>F)`[1] < 0.05) {
  cat(" → Signifikan\n")
} else {
  cat(" → Tidak signifikan\n")
}
##  → Signifikan
# 9. UJI T (PARSIAL)
cat("\n=== UJI T (PARSIAL) ===\n")
## 
## === UJI T (PARSIAL) ===
coef_summary <- summary(model)$coefficients
cat("Signifikansi masing-masing variabel:\n")
## Signifikansi masing-masing variabel:
for(i in 2:nrow(coef_summary)) {
  cat(rownames(coef_summary)[i], ": ")
  cat("t =", round(coef_summary[i, 3], 3), ", ")
  cat("p =", coef_summary[i, 4])
  if(coef_summary[i, 4] < 0.05) {
    cat(" → SIGNIFIKAN\n")
  } else {
    cat(" → TIDAK SIGNIFIKAN\n")
  }
}
## Pendapatan : t = 21.082 , p = 4.500278e-52 → SIGNIFIKAN
## Keluarga : t = 11.336 , p = 3.485569e-23 → SIGNIFIKAN
## Pendidikan : t = 3.108 , p = 0.002166903 → SIGNIFIKAN
## Tabungan : t = -1.583 , p = 0.1151352 → TIDAK SIGNIFIKAN
## Usia : t = -0.444 , p = 0.6575218 → TIDAK SIGNIFIKAN
# 10. KOEFISIEN DETERMINASI
cat("\n=== KOEFISIEN DETERMINASI ===\n")
## 
## === KOEFISIEN DETERMINASI ===
cat("R-squared =", round(summary(model)$r.squared, 4), "\n")
## R-squared = 0.7628
cat("Adjusted R-squared =", round(summary(model)$adj.r.squared, 4), "\n")
## Adjusted R-squared = 0.7567
cat("Interpretasi: Variabel independen menjelaskan", 
    round(summary(model)$r.squared * 100, 1), 
    "% variasi dalam Pengeluaran\n")
## Interpretasi: Variabel independen menjelaskan 76.3 % variasi dalam Pengeluaran
# 11. VISUALISASI
cat("\n=== VISUALISASI (4 Plot Diagnostik) ===\n")
## 
## === VISUALISASI (4 Plot Diagnostik) ===
par(mfrow = c(2, 2))
plot(model, main = "Diagnostic Plots")

library(readxl)
library(ggplot2)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following object is masked from 'package:car':
## 
##     recode
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
# Load data
grafik <- read_excel("dataset_regresi_linier_ekonomi_200_observasi.xlsx", sheet = "Data_200_Observasi")

gf <- data.frame(
  ID          = grafik$ID,
  Pengeluaran = grafik$Pengeluaran_Konsumsi_Bulanan_Juta_Rp,
  Pendapatan  = grafik$Pendapatan_Bulanan_Juta_Rp,
  Keluarga    = grafik$Jumlah_Anggota_Rumah_Tangga,
  Pendidikan  = grafik$Pendidikan_Kepala_RT_Tahun,
  Tabungan    = grafik$Tabungan_Bulanan_Juta_Rp,
  Usia        = grafik$Usia_Kepala_RT_Tahun
)
# Histogram Pengeluaran
p1 <- ggplot(gf, aes(x = Pengeluaran)) +
  geom_histogram(binwidth = 0.5, fill = "steelblue", color = "white", alpha = 0.8) +
  geom_vline(aes(xintercept = mean(Pengeluaran)), color = "red", linetype = "dashed", linewidth = 1) +
  annotate("text", x = mean(gf$Pengeluaran) + 0.2, y = 25, 
           label = paste("Rata-rata:", round(mean(gf$Pengeluaran), 2), "jt"), 
           color = "red", hjust = 0) +
  labs(
    title = "Distribusi Pengeluaran Konsumsi Rumah Tangga",
    subtitle = "Data 200 Observasi",
    x = "Pengeluaran (Juta Rupiah)",
    y = "Frekuensi"
  ) +
  theme_minimal()

ggsave("histogram_pengeluaran.jpg", 
       plot = p1,
       width = 10, height = 6, dpi = 300)  
# Scatter Plot Pendapatan vs Pengeluaran (Pengganti Diagram Garis)
p2 <- ggplot(gf, aes(x = Pendapatan, y = Pengeluaran)) +
  geom_point(size = 2, color = "blue", alpha = 0.6) +
  geom_smooth(method = "lm", se = TRUE, color = "red", linetype = "dashed") +
  labs(
    title = "Hubungan Pendapatan dan Pengeluaran Konsumsi",
    subtitle = "Tren Regresi Linier",
    x = "Pendapatan (Juta Rupiah)",
    y = "Pengeluaran (Juta Rupiah)"
  ) +
  theme_minimal()

# Simpan sebagai JPG
ggsave("scatter_pendapatan_pengeluaran.jpg", 
       plot = p2,
       width = 10, height = 6, dpi = 300)
## `geom_smooth()` using formula = 'y ~ x'