# ============================================
# 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'