BAB I PENDAHULUAN

1.1 Latar Belakang

Statistika merupakan ilmu yang mempelajari proses perencanaan, pengumpulan, pengolahan, analisis, dan penyajian data. Dalam statistika, analisis regresi digunakan untuk mengetahui hubungan antara variabel dependen dengan satu atau lebih variabel independen. Berdasarkan jumlah variabel bebas yang digunakan, analisis regresi linier dibedakan menjadi regresi linier sederhana dan regresi linier berganda. Regresi linier berganda melibatkan satu variabel dependen dan dua atau lebih variabel independen sehingga dapat digunakan untuk menjelaskan hubungan beberapa faktor terhadap suatu variabel yang diteliti (Rachman dkk., 2024).

Dalam penerapan regresi linier berganda, model yang telah dibentuk perlu dievaluasi melalui uji asumsi klasik. Pengujian ini dilakukan untuk mengetahui apakah model memenuhi asumsi yang diperlukan, antara lain tidak terdapat multikolinieritas, tidak terdapat heteroskedastisitas, tidak terdapat autokorelasi, serta residual berdistribusi normal. Pemeriksaan asumsi tersebut diperlukan agar hasil estimasi dan interpretasi model dapat dilakukan secara tepat (Prasmono dan Ahdika, 2022; Sholihah dkk., 2023).

Selain uji asumsi klasik, pengujian signifikansi parameter juga diperlukan untuk mengetahui apakah variabel independen berpengaruh terhadap variabel dependen. Uji F digunakan untuk menguji pengaruh variabel independen secara simultan, sedangkan uji t digunakan untuk mengetahui pengaruh setiap variabel independen secara parsial. Hasil pengujian tersebut dapat digunakan untuk menilai keberartian model dan masing-masing koefisien regresi.

Evaluasi model juga mencakup identifikasi pencilan (outlier). Outlier merupakan pengamatan yang memiliki karakteristik berbeda atau menyimpang dari pola sebagian besar data. Dalam analisis regresi, keberadaan pengamatan yang menyimpang dapat memengaruhi hasil estimasi. Oleh karena itu, pendeteksian dilakukan menggunakan Influence Plot dan Uji Bonferroni agar pengamatan yang berpotensi berpengaruh dapat diperiksa lebih lanjut (Dirgantara, 2021; Matdoan, 2023).

Berdasarkan hal tersebut, praktikum ini menerapkan analisis regresi linier berganda pada data mobil dengan menggunakan efisiensi bahan bakar (mpg) sebagai variabel dependen, serta kapasitas mesin (disp), akselerasi (acc), dan tahun model mobil (year) sebagai variabel independen. Analisis dilakukan menggunakan program R melalui format R Markdown, mulai dari eksplorasi data hingga evaluasi model.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, rumusan masalah dalam praktikum ini adalah sebagai berikut:

  1. Bagaimana melakukan eksplorasi data dan analisis statistik deskriptif pada data mobil menggunakan program R?
  2. Bagaimana membentuk dan mengestimasi model regresi linier berganda dengan variabel mpg, disp, acc, dan year?
  3. Bagaimana melakukan pengujian asumsi klasik pada model regresi linier berganda?
  4. Bagaimana menentukan signifikansi parameter melalui uji simultan (Uji F) dan uji parsial (Uji t)?
  5. Bagaimana mengidentifikasi dan menguji outlier menggunakan Influence Plot dan Uji Bonferroni?

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah tersebut, tujuan praktikum ini adalah agar praktikan mampu:

  1. Melakukan eksplorasi data dan analisis statistik deskriptif menggunakan program R.
  2. Membentuk dan mengestimasi model regresi linier berganda.
  3. Melakukan pengujian asumsi klasik pada model regresi.
  4. Menentukan signifikansi parameter melalui Uji F dan Uji t.
  5. Mengidentifikasi dan menguji outlier menggunakan Influence Plot dan Uji Bonferroni.

1.4 Manfaat Penelitian

Manfaat yang diperoleh melalui praktikum ini adalah sebagai berikut.

1. Bagi Penulis

  1. Menambah pengetahuan mengenai penerapan analisis regresi linier berganda.

  2. Meningkatkan pemahaman mengenai pengujian asumsi klasik, signifikansi parameter, dan pendeteksian outlier menggunakan program R.

2. Bagi Pembaca

  1. Menambah wawasan mengenai tahapan analisis regresi linier berganda.

  2. Menjadi bahan referensi dalam melakukan analisis regresi dan evaluasi model menggunakan program R.

1.5 Batasan Masalah

Batasan masalah pada praktikum ini adalah membuat laporan analisis regresi menggunakan format R Markdown dengan mengikuti sistematika penulisan laporan praktikum yang terdiri atas Bab I (Pendahuluan), Bab II (Tinjauan Pustaka), Bab III (Metode Penelitian), Bab IV (Hasil dan Pembahasan), Bab V (Kesimpulan dan Saran), serta Daftar Pustaka. Analisis dilakukan menggunakan data sekunder mobil sebanyak 35 observasi dengan satu variabel dependen, yaitu mpg, dan tiga variabel independen, yaitu disp, acc, dan year. Tahapan analisis mencakup pengumpulan dan pemilihan data, eksplorasi data, analisis statistik deskriptif, pembentukan dan estimasi model regresi, pengujian asumsi klasik, pengujian hipotesis melalui Uji F dan Uji t, serta identifikasi dan pengujian outlier menggunakan Influence Plot dan Uji Bonferroni.

1.6 Sistematika Penulisan

Adapun sistematika penulisan laporan praktikum ini adalah sebagai berikut:

BAB I PENDAHULUAN

Bab ini memuat latar belakang, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini memuat teori yang berkaitan dengan regresi linier berganda, uji asumsi klasik, uji signifikansi parameter, dan pendeteksian outlier.

BAB III METODE PENELITIAN

Bab ini memuat jenis dan sumber data, variabel penelitian, tahapan analisis data, serta diagram alir penelitian.

BAB IV HASIL DAN PEMBAHASAN

Bab ini memuat hasil pengolahan data menggunakan program R, meliputi eksplorasi data, statistik deskriptif, model regresi, pengujian asumsi klasik, pengujian signifikansi parameter, dan pengujian outlier beserta interpretasinya.

BAB V KESIMPULAN DAN SARAN

Bab ini memuat kesimpulan dari seluruh tahapan analisis serta saran yang dapat diberikan berdasarkan hasil praktikum.

DAFTAR PUSTAKA

Bagian ini memuat sumber referensi yang digunakan dalam penyusunan laporan.

BAB II TINJAUAN PUSTAKA

2.1 Regresi Linier Berganda

Regresi linier berganda merupakan teknik statistik yang digunakan untuk mengestimasi hubungan antara satu variabel dependen dengan dua atau lebih variabel independen. Analisis ini dapat digunakan untuk menjelaskan perubahan variabel dependen berdasarkan perubahan variabel independen serta melakukan prediksi terhadap nilai variabel dependen (Rachman dkk., 2024).

Secara umum, model regresi linier berganda dengan tiga variabel independen dapat dituliskan sebagai berikut:

\[ Y_i = \\beta_0 + \\beta_1 X_{1i} + \\beta_2 X_{2i} + \\beta_3 X_{3i} + \\varepsilon_i \\tag{2.1} \]

Keterangan:

  • \(Y_i\) : variabel dependen pada pengamatan ke-\(i\).
  • \(X_{1i}, X_{2i}, X_{3i}\) : variabel independen pada pengamatan ke-\(i\).
  • \(\\beta_0\) : konstanta atau intersep.
  • \(\\beta_1, \\beta_2, \\beta_3\) : koefisien regresi.
  • \(\\varepsilon_i\) : galat pada pengamatan ke-\(i\).

2.2 Uji Asumsi Klasik

Uji asumsi klasik merupakan pengujian yang dilakukan untuk mengetahui apakah model regresi memenuhi asumsi-asumsi yang diperlukan. Pengujian ini mencakup multikolinieritas, heteroskedastisitas, autokorelasi, dan normalitas residual (Prasmono dan Ahdika, 2022; Sholihah dkk., 2023).

2.2.1 Uji Multikolinieritas

Uji multikolinieritas bertujuan untuk mengetahui apakah terdapat hubungan atau korelasi yang tinggi antarvariabel independen. Salah satu cara untuk mendeteksinya adalah menggunakan Variance Inflation Factor (VIF). Model umumnya dinyatakan tidak mengalami masalah multikolinieritas apabila nilai VIF setiap variabel independen kurang dari 10.

2.2.2 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk mengetahui apakah terdapat ketidaksamaan varians residual dari satu pengamatan ke pengamatan lainnya. Salah satu metode yang dapat digunakan adalah Uji Breusch-Pagan. Apabila nilai p-value lebih besar dari taraf signifikansi 0,05, maka tidak terdapat bukti yang cukup untuk menyatakan adanya heteroskedastisitas.

2.2.3 Uji Autokorelasi

Uji autokorelasi bertujuan untuk mengetahui apakah terdapat hubungan antara residual pada suatu pengamatan dengan residual pada pengamatan lainnya yang berurutan. Pengujian dapat dilakukan menggunakan metode Durbin-Watson. Apabila nilai p-value lebih besar dari 0,05, maka tidak terdapat bukti yang cukup untuk menyatakan adanya autokorelasi.

2.2.4 Uji Normalitas

Uji normalitas bertujuan untuk mengetahui apakah residual dalam model regresi berdistribusi normal. Pengujian dapat dilakukan menggunakan Uji Shapiro-Wilk dan didukung dengan grafik Normal Q-Q Plot. Apabila nilai p-value Shapiro-Wilk lebih besar dari 0,05, maka tidak terdapat bukti yang cukup untuk menyatakan bahwa residual tidak berdistribusi normal.

2.3 Uji Signifikansi Parameter

Uji signifikansi parameter dilakukan untuk mengetahui apakah variabel independen memiliki pengaruh yang signifikan terhadap variabel dependen. Pengujian dilakukan melalui Uji F secara simultan dan Uji t secara parsial (Holmes dkk., 2023).

2.3.1 Uji Simultan (Uji F)

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

Hipotesis yang digunakan adalah:

  • \(H_0: \\beta_1 = \\beta_2 = \\beta_3 = 0\), yaitu seluruh variabel independen secara simultan tidak berpengaruh signifikan terhadap variabel dependen.
  • \(H_1:\) paling sedikit terdapat satu \(\\beta_j \\neq 0\), yaitu terdapat pengaruh secara simultan.

Kriteria pengambilan keputusan:

  • Jika p-value \(< 0,05\), maka \(H_0\) ditolak.
  • Jika p-value \(> 0,05\), maka \(H_0\) gagal ditolak.

2.3.2 Uji Parsial (Uji t)

Uji t digunakan untuk mengetahui pengaruh masing-masing variabel independen terhadap variabel dependen secara individual.

Hipotesis untuk setiap variabel independen adalah:

  • \(H_0: \\beta_j = 0\), yaitu variabel independen ke-\(j\) tidak berpengaruh signifikan terhadap variabel dependen.
  • \(H_1: \\beta_j \\neq 0\), yaitu variabel independen ke-\(j\) berpengaruh signifikan terhadap variabel dependen.

Kriteria pengambilan keputusan:

  • Jika p-value \(< 0,05\), maka \(H_0\) ditolak.
  • Jika p-value \(> 0,05\), maka \(H_0\) gagal ditolak.

2.4 Identifikasi dan Pengujian Outlier

Outlier atau pencilan merupakan pengamatan yang memiliki nilai berbeda atau menyimpang dari pola umum data. Dalam regresi linier, keberadaan pencilan perlu diperiksa karena dapat memengaruhi hasil estimasi model (Dirgantara, 2021; Matdoan, 2023).

2.4.1 Influence Plot

Influence Plot merupakan grafik diagnostik yang digunakan untuk mengidentifikasi pengamatan yang berpotensi menyimpang atau berpengaruh terhadap model regresi. Grafik ini menggabungkan Studentized Residual, Hat Values atau leverage, dan Cook’s Distance. Pengamatan dengan nilai residual, leverage, atau Cook’s Distance yang relatif besar perlu diperhatikan lebih lanjut.

2.4.2 Uji Bonferroni

Uji Bonferroni digunakan untuk menguji secara formal apakah terdapat pengamatan yang terindikasi sebagai outlier berdasarkan studentized deleted residual. Pengujian ini memperhitungkan banyaknya pengamatan sehingga mengendalikan tingkat kesalahan pengujian secara keseluruhan.

Hipotesis yang digunakan adalah:

  • \(H_0\): pengamatan ke-\(i\) bukan merupakan outlier yang signifikan.
  • \(H_1\): pengamatan ke-\(i\) merupakan outlier yang signifikan.

Kriteria pengambilan keputusan:

  • Jika Bonferroni p-value \(< 0,05\), maka \(H_0\) ditolak.
  • Jika Bonferroni p-value \(> 0,05\), maka \(H_0\) gagal ditolak.

BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan dalam praktikum ini adalah data kuantitatif, yaitu data yang dinyatakan dalam bentuk angka dan dapat dianalisis menggunakan metode statistik. Data yang digunakan terdiri atas 35 observasi mobil dengan informasi nama mobil, efisiensi bahan bakar (mpg), kapasitas mesin (disp), akselerasi (acc), dan tahun model mobil (year).

Sumber data yang digunakan merupakan data sekunder, yaitu data yang telah tersedia dan disajikan dalam bentuk kumpulan informasi kendaraan. Data yang dianalisis pada praktikum ini adalah data mobil yang diberikan pada bahan praktikum. Data tersebut kemudian disusun kembali ke dalam program R untuk dilakukan analisis regresi linier berganda.

3.2 Variabel Penelitian

Variabel penelitian yang digunakan terdiri atas satu variabel dependen dan tiga variabel independen. Variabel dependen adalah efisiensi bahan bakar mobil (mpg), sedangkan variabel independen terdiri atas kapasitas mesin (disp), akselerasi (acc), dan tahun model mobil (year).

Simbol Nama Variabel Keterangan
\(Y\) mpg Efisiensi bahan bakar mobil
\(X_1\) disp Kapasitas mesin (displacement)
\(X_2\) acc Akselerasi (acceleration)
\(X_3\) year Tahun model mobil

Nama mobil digunakan sebagai identitas pengamatan dan tidak dimasukkan sebagai variabel independen dalam model regresi.

3.3 Analisis Data

Adapun tahapan analisis data dalam praktikum ini adalah sebagai berikut:

  1. Menyiapkan data mobil sebanyak 35 observasi.
  2. Memasukkan data ke dalam program R.
  3. Melakukan eksplorasi data menggunakan matriks scatter plot dan korelasi.
  4. Menghitung statistik deskriptif setiap variabel.
  5. Membentuk dan mengestimasi model regresi linier berganda.
  6. Melakukan pengujian asumsi klasik, meliputi:
    1. Uji multikolinieritas menggunakan VIF.
    2. Uji heteroskedastisitas menggunakan Breusch-Pagan.
    3. Uji autokorelasi menggunakan Durbin-Watson.
    4. Uji normalitas menggunakan Shapiro-Wilk dan Normal Q-Q Plot.
  7. Melakukan pengujian signifikansi parameter, meliputi Uji F dan Uji t.
  8. Mengidentifikasi pengamatan yang berpotensi menjadi outlier menggunakan Influence Plot.
  9. Melakukan pengujian outlier menggunakan Uji Bonferroni.
  10. Menginterpretasikan hasil analisis dan menyusun kesimpulan.

3.4 Diagram Alir Penelitian

Diagram alir penelitian menggambarkan tahapan analisis yang dilakukan mulai dari persiapan data hingga penarikan kesimpulan.

Gambar 3.1. Diagram alir penelitian

Gambar 3.1. Diagram alir penelitian

BAB IV HASIL DAN PEMBAHASAN

4.1 Load Library dan Data

Langkah awal analisis adalah mengaktifkan pustaka (package) yang diperlukan dan memasukkan data mobil ke dalam program R. Paket car digunakan untuk menghitung VIF serta melakukan deteksi outlier melalui Influence Plot dan Uji Bonferroni. Paket lmtest digunakan untuk melakukan Uji Breusch-Pagan dan Durbin-Watson. Jika kedua paket belum tersedia pada RStudio, jalankan satu kali perintah install.packages("car") dan install.packages("lmtest") melalui Console sebelum melakukan knit.

# Memanggil package yang dibutuhkan
library(car)
library(lmtest)

# Memasukkan data mobil sebanyak 35 observasi
data_regresi <- data.frame(
  Nama_Mobil = c(
    "Buick Opel Isuzu Deluxe",
    "Renault 5 GTL",
    "AMC Concord DL 6",
    "Dodge Colt",
    "Chevrolet Caprice Classic",
    "Datsun 310",
    "Plymouth Valiant Custom",
    "Mazda GLC Deluxe",
    "Honda Accord CVCC",
    "Chevrolet Nova",
    "Datsun F-10 Hatchback",
    "Toyota Corolla Tercel",
    "Ford Fairmont 4",
    "Mercury Zephyr 6",
    "Renault 12TL",
    "Pontiac Catalina",
    "Fiat 131",
    "Ford Maverick",
    "Dodge Aspen 6",
    "Chevrolet Bel Air",
    "Pontiac Lemans V6",
    "Datsun B210 GX",
    "Ford Fairmont",
    "Honda Civic CVCC",
    "VW Rabbit",
    "Chevrolet Caprice Classic",
    "Mercury Monarch",
    "Opel 1900",
    "Chevrolet Citation",
    "Chevrolet Chevette",
    "Ford Fiesta",
    "Chevrolet Chevelle Malibu Classic",
    "Oldsmobile Cutlass Salon",
    "Capri II",
    "Plymouth Arrow GS"
  ),
  mpg = c(
    30.0, 36.0, 20.2, 26.0, 17.0, 37.2, 19.0,
    32.8, 31.5, 18.0, 33.5, 38.1, 22.3, 19.8,
    27.0, 16.0, 28.0, 15.0, 20.6, 15.0, 21.5,
    39.4, 26.4, 36.1, 41.5, 17.5, 15.0, 25.0,
    28.0, 32.1, 36.1, 17.5, 19.9, 25.0, 25.5
  ),
  disp = c(
    111, 79, 232, 98, 305, 86, 225, 78, 98, 250,
    85, 89, 140, 200, 101, 400, 107, 250, 225, 350,
    231, 85, 140, 91, 98, 305, 250, 116, 151, 98,
    98, 305, 260, 140, 122
  ),
  acc = c(
    14.8, 18.6, 18.2, 17.7, 15.4, 16.4, 16.0, 19.4,
    18.5, 16.0, 16.8, 18.8, 17.3, 18.2, 15.3, 11.5,
    15.5, 19.5, 16.6, 14.0, 15.4, 18.6, 18.1, 16.4,
    14.7, 12.5, 21.0, 16.9, 16.5, 15.5, 14.4, 13.0,
    15.5, 14.9, 15.5
  ),
  year = c(
    77, 77, 79, 76, 79, 80, 75, 78, 77, 75,
    77, 80, 79, 79, 76, 75, 76, 75, 79, 75,
    79, 78, 80, 78, 80, 77, 75, 76, 80, 80,
    78, 76, 78, 76, 77
  )
)

# Melihat enam data pertama
head(data_regresi)
##                  Nama_Mobil  mpg disp  acc year
## 1   Buick Opel Isuzu Deluxe 30.0  111 14.8   77
## 2             Renault 5 GTL 36.0   79 18.6   77
## 3          AMC Concord DL 6 20.2  232 18.2   79
## 4                Dodge Colt 26.0   98 17.7   76
## 5 Chevrolet Caprice Classic 17.0  305 15.4   79
## 6                Datsun 310 37.2   86 16.4   80
# Melihat struktur data
str(data_regresi)
## 'data.frame':    35 obs. of  5 variables:
##  $ Nama_Mobil: chr  "Buick Opel Isuzu Deluxe" "Renault 5 GTL" "AMC Concord DL 6" "Dodge Colt" ...
##  $ mpg       : num  30 36 20.2 26 17 37.2 19 32.8 31.5 18 ...
##  $ disp      : num  111 79 232 98 305 86 225 78 98 250 ...
##  $ acc       : num  14.8 18.6 18.2 17.7 15.4 16.4 16 19.4 18.5 16 ...
##  $ year      : num  77 77 79 76 79 80 75 78 77 75 ...
# Memeriksa jumlah observasi dan variabel
dim(data_regresi)
## [1] 35  5

4.2 Eksplorasi Data

Eksplorasi data dilakukan untuk mengetahui gambaran awal mengenai hubungan antarvariabel sebelum dilakukan pemodelan regresi. Tahap ini dilakukan menggunakan matriks scatter plot dan matriks korelasi.

# Matriks scatter plot
pairs(
  data_regresi[, c("mpg", "disp", "acc", "year")],
  main = "Matriks Scatter Plot Variabel Penelitian",
  pch = 19
)

# Matriks korelasi
matriks_korelasi <- cor(
  data_regresi[, c("mpg", "disp", "acc", "year")]
)

round(matriks_korelasi, 4)
##          mpg    disp     acc    year
## mpg   1.0000 -0.8624  0.1917  0.4843
## disp -0.8624  1.0000 -0.4182 -0.3637
## acc   0.1917 -0.4182  1.0000  0.1507
## year  0.4843 -0.3637  0.1507  1.0000

Matriks scatter plot digunakan untuk melihat pola hubungan antara variabel dependen dan variabel independen secara visual. Sementara itu, matriks korelasi digunakan untuk mengetahui arah dan keeratan hubungan linear antarvariabel. Hasil eksplorasi ini menjadi gambaran awal sebelum model regresi linier berganda dibentuk.

4.3 Statistik Deskriptif

Statistik deskriptif digunakan untuk memberikan gambaran umum mengenai karakteristik data pada setiap variabel penelitian. Ringkasan statistik meliputi nilai minimum, kuartil pertama, median, rata-rata, kuartil ketiga, dan maksimum.

# Statistik deskriptif
summary(data_regresi[, c("mpg", "disp", "acc", "year")])
##       mpg             disp            acc             year      
##  Min.   :15.00   Min.   : 78.0   Min.   :11.50   Min.   :75.00  
##  1st Qu.:19.40   1st Qu.: 98.0   1st Qu.:15.35   1st Qu.:76.00  
##  Median :25.50   Median :140.0   Median :16.40   Median :77.00  
##  Mean   :25.99   Mean   :171.4   Mean   :16.38   Mean   :77.49  
##  3rd Qu.:32.45   3rd Qu.:241.0   3rd Qu.:18.15   3rd Qu.:79.00  
##  Max.   :41.50   Max.   :400.0   Max.   :21.00   Max.   :80.00

Berdasarkan hasil statistik deskriptif tersebut, dapat diketahui karakteristik data dari masing-masing variabel. Variabel mpg menunjukkan tingkat efisiensi bahan bakar mobil, disp menggambarkan kapasitas mesin, acc menunjukkan waktu akselerasi, sedangkan year menunjukkan tahun model mobil. Perbedaan nilai minimum, maksimum, median, dan rata-rata memperlihatkan adanya variasi karakteristik pada 35 mobil yang diamati.

4.4 Model Regresi Linier Berganda

Model regresi linier berganda digunakan untuk mengetahui hubungan antara efisiensi bahan bakar mobil (mpg) dengan kapasitas mesin (disp), akselerasi (acc), dan tahun model mobil (year). Pemodelan dilakukan menggunakan fungsi lm().

# Membentuk model regresi linier berganda
model_regresi <- lm(mpg ~ disp + acc + year, data = data_regresi)

# Menampilkan hasil model regresi
summary(model_regresi)
## 
## Call:
## lm(formula = mpg ~ disp + acc + year, data = data_regresi)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6.7427 -2.4604 -0.7841  2.1651  8.0240 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -17.11645   30.56188  -0.560   0.5795    
## disp         -0.07722    0.00802  -9.628 7.86e-11 ***
## acc          -0.78516    0.32941  -2.384   0.0235 *  
## year          0.89308    0.38046   2.347   0.0255 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.627 on 31 degrees of freedom
## Multiple R-squared:  0.8118, Adjusted R-squared:  0.7936 
## F-statistic: 44.57 on 3 and 31 DF,  p-value: 2.358e-11

Berdasarkan hasil pengolahan data, bentuk umum persamaan regresi yang diperoleh adalah sebagai berikut:

\[ \\widehat{mpg} = \\hat{\\beta}_0 + \\hat{\\beta}_1(disp) + \\hat{\\beta}_2(acc) + \\hat{\\beta}_3(year) \\tag{4.1} \]

Berdasarkan perhitungan terhadap data yang dimasukkan, persamaan regresi yang diperoleh adalah:

\[ \\widehat{mpg} = -17{,}1165 - 0{,}0772(disp) - 0{,}7852(acc) + 0{,}8931(year) \]

Konstanta sebesar \(-17{,}1165\) merupakan nilai prediksi mpg ketika seluruh variabel independen bernilai nol. Koefisien disp sebesar \(-0{,}0772\) menunjukkan bahwa setiap kenaikan satu satuan kapasitas mesin diperkirakan menurunkan mpg sebesar \(0{,}0772\) satuan dengan asumsi variabel lain tetap. Koefisien acc sebesar \(-0{,}7852\) menunjukkan bahwa setiap kenaikan satu satuan akselerasi diperkirakan menurunkan mpg sebesar \(0{,}7852\) satuan dengan asumsi variabel lain tetap. Sementara itu, koefisien year sebesar \(0{,}8931\) menunjukkan bahwa setiap kenaikan satu satuan tahun model mobil diperkirakan meningkatkan mpg sebesar \(0{,}8931\) satuan dengan asumsi variabel lain tetap.

Nilai Multiple R-squared sebesar \(0{,}8118\) menunjukkan bahwa sekitar \(81{,}18\\%\) variasi mpg dapat dijelaskan secara bersama-sama oleh disp, acc, dan year, sedangkan sekitar \(18{,}82\\%\) sisanya dijelaskan oleh faktor lain di luar model. Nilai Adjusted R-squared sebesar \(0{,}7936\) menunjukkan koefisien determinasi setelah disesuaikan dengan jumlah variabel independen dalam model.

4.5 Uji Asumsi Klasik

Uji asumsi klasik dilakukan untuk mengetahui apakah model regresi linier berganda memenuhi asumsi yang diperlukan. Pengujian yang dilakukan meliputi uji multikolinieritas, heteroskedastisitas, autokorelasi, dan normalitas residual.

4.5.1 Uji Multikolinieritas

Uji multikolinieritas dilakukan dengan melihat nilai Variance Inflation Factor (VIF). Model dinyatakan tidak mengalami masalah multikolinieritas apabila seluruh nilai VIF variabel independen kurang dari 10.

# Menghitung nilai VIF
vif(model_regresi)
##     disp      acc     year 
## 1.365092 1.212025 1.152452

Hipotesis dan kriteria pengujian:

  • Jika VIF \(< 10\), maka tidak terdapat indikasi multikolinieritas.
  • Jika VIF \(\\geq 10\), maka terdapat indikasi multikolinieritas.

Berdasarkan hasil VIF, periksa nilai pada variabel disp, acc, dan year. Apabila seluruh nilai VIF kurang dari 10, maka dapat disimpulkan bahwa model tidak mengalami masalah multikolinieritas.

4.5.2 Uji Heteroskedastisitas

Uji heteroskedastisitas dilakukan menggunakan Uji Breusch-Pagan untuk mengetahui apakah varians residual bersifat konstan atau tidak.

# Uji Breusch-Pagan
bptest(model_regresi, studentize = FALSE)
## 
##  Breusch-Pagan test
## 
## data:  model_regresi
## BP = 1.9243, df = 3, p-value = 0.5883

Hipotesis pengujian:

  • \(H_0\): Tidak terdapat heteroskedastisitas atau varians residual bersifat konstan.
  • \(H_1\): Terdapat heteroskedastisitas atau varians residual tidak konstan.

Kriteria pengambilan keputusan:

  • Jika p-value \(> 0,05\), maka \(H_0\) gagal ditolak.
  • Jika p-value \(< 0,05\), maka \(H_0\) ditolak.

Dengan demikian, apabila nilai p-value lebih besar dari 0,05, maka tidak terdapat bukti yang cukup untuk menyatakan adanya heteroskedastisitas pada model.

4.5.3 Uji Autokorelasi

Uji autokorelasi dilakukan menggunakan metode Durbin-Watson untuk mengetahui apakah terdapat korelasi antara residual pada pengamatan yang berurutan.

# Uji Durbin-Watson
dwtest(model_regresi)
## 
##  Durbin-Watson test
## 
## data:  model_regresi
## DW = 2.2443, p-value = 0.7672
## alternative hypothesis: true autocorrelation is greater than 0

Hipotesis pengujian:

  • \(H_0\): Tidak terdapat autokorelasi pada residual.
  • \(H_1\): Terdapat autokorelasi pada residual.

Kriteria pengambilan keputusan:

  • Jika p-value \(> 0,05\), maka \(H_0\) gagal ditolak.
  • Jika p-value \(< 0,05\), maka \(H_0\) ditolak.

Apabila nilai p-value lebih besar dari 0,05, maka tidak terdapat bukti yang cukup untuk menyatakan adanya autokorelasi pada residual model.

4.5.4 Uji Normalitas

Uji normalitas dilakukan untuk mengetahui apakah residual model regresi berdistribusi normal. Pengujian dilakukan menggunakan grafik Normal Q-Q Plot dan Uji Shapiro-Wilk.

# Mengambil residual model
sisaan <- residuals(model_regresi)

# Membuat Normal Q-Q Plot
qqnorm(
  sisaan,
  main = "Normal Q-Q Plot Residual",
  pch = 19
)
qqline(sisaan, lwd = 2)

# Uji Shapiro-Wilk
shapiro.test(sisaan)
## 
##  Shapiro-Wilk normality test
## 
## data:  sisaan
## W = 0.96859, p-value = 0.4058

Hipotesis pengujian:

  • \(H_0\): Residual berdistribusi normal.
  • \(H_1\): Residual tidak berdistribusi normal.

Kriteria pengambilan keputusan:

  • Jika p-value \(> 0,05\), maka \(H_0\) gagal ditolak.
  • Jika p-value \(< 0,05\), maka \(H_0\) ditolak.

Apabila nilai p-value Shapiro-Wilk lebih besar dari 0,05 dan titik-titik pada grafik Q-Q Plot cenderung mengikuti garis diagonal, maka tidak terdapat bukti yang cukup untuk menyatakan bahwa residual tidak berdistribusi normal.

4.6 Pengujian Signifikansi Parameter

Pengujian signifikansi parameter dilakukan untuk mengetahui pengaruh variabel independen terhadap variabel dependen, baik secara bersama-sama maupun secara individual. Pengujian dilakukan melalui Uji F dan Uji t dengan taraf signifikansi sebesar 0,05.

4.6.1 Uji Simultan (Uji F)

Uji F digunakan untuk mengetahui apakah variabel disp, acc, dan year secara bersama-sama berpengaruh signifikan terhadap mpg.

# Menampilkan tabel ANOVA model regresi
anova(model_regresi)
## Analysis of Variance Table
## 
## Response: mpg
##           Df  Sum Sq Mean Sq  F value    Pr(>F)    
## disp       1 1611.60 1611.60 122.4990 2.691e-12 ***
## acc        1   75.00   75.00   5.7007   0.02324 *  
## year       1   72.49   72.49   5.5101   0.02547 *  
## Residuals 31  407.84   13.16                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Menampilkan ringkasan model untuk memperoleh F-statistic dan p-value
summary(model_regresi)
## 
## Call:
## lm(formula = mpg ~ disp + acc + year, data = data_regresi)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6.7427 -2.4604 -0.7841  2.1651  8.0240 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -17.11645   30.56188  -0.560   0.5795    
## disp         -0.07722    0.00802  -9.628 7.86e-11 ***
## acc          -0.78516    0.32941  -2.384   0.0235 *  
## year          0.89308    0.38046   2.347   0.0255 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.627 on 31 degrees of freedom
## Multiple R-squared:  0.8118, Adjusted R-squared:  0.7936 
## F-statistic: 44.57 on 3 and 31 DF,  p-value: 2.358e-11

Hipotesis pengujian:

  • \(H_0: \\beta_1 = \\beta_2 = \\beta_3 = 0\), yaitu disp, acc, dan year secara simultan tidak berpengaruh signifikan terhadap mpg.
  • \(H_1:\) paling sedikit terdapat satu koefisien regresi yang tidak sama dengan nol, yaitu variabel independen secara simultan berpengaruh signifikan terhadap mpg.

Kriteria pengambilan keputusan:

  • Jika p-value F \(< 0,05\), maka \(H_0\) ditolak.
  • Jika p-value F \(> 0,05\), maka \(H_0\) gagal ditolak.

Berdasarkan hasil pengolahan data, diperoleh nilai \(F_{hitung}\) sekitar \(44{,}5699\) dengan p-value sekitar \(2{,}36 \\times 10^{-11}\). Karena p-value lebih kecil dari \(0{,}05\), maka \(H_0\) ditolak. Dengan demikian, disp, acc, dan year secara simultan berpengaruh signifikan terhadap mpg.

4.6.2 Uji Parsial (Uji t)

Uji t digunakan untuk mengetahui pengaruh masing-masing variabel independen terhadap variabel dependen secara individual.

# Menampilkan tabel koefisien regresi
summary(model_regresi)$coefficients
##                 Estimate   Std. Error    t value     Pr(>|t|)
## (Intercept) -17.11645097 30.561882038 -0.5600588 5.794644e-01
## disp         -0.07721941  0.008020398 -9.6278778 7.864933e-11
## acc          -0.78516101  0.329407565 -2.3835549 2.345575e-02
## year          0.89307757  0.380462060  2.3473499 2.547070e-02

Uji parsial variabel disp (\(X_1\))

  • \(H_0: \\beta_1 = 0\), yaitu disp tidak berpengaruh signifikan terhadap mpg.
  • \(H_1: \\beta_1 \\neq 0\), yaitu disp berpengaruh signifikan terhadap mpg.

Uji parsial variabel acc (\(X_2\))

  • \(H_0: \\beta_2 = 0\), yaitu acc tidak berpengaruh signifikan terhadap mpg.
  • \(H_1: \\beta_2 \\neq 0\), yaitu acc berpengaruh signifikan terhadap mpg.

Uji parsial variabel year (\(X_3\))

  • \(H_0: \\beta_3 = 0\), yaitu year tidak berpengaruh signifikan terhadap mpg.
  • \(H_1: \\beta_3 \\neq 0\), yaitu year berpengaruh signifikan terhadap mpg.

Kriteria pengambilan keputusan:

  • Jika p-value masing-masing koefisien \(< 0,05\), maka \(H_0\) ditolak.
  • Jika p-value masing-masing koefisien \(> 0,05\), maka \(H_0\) gagal ditolak.

Berdasarkan hasil pengolahan data, variabel disp memiliki koefisien sekitar \(-0{,}0772\) dengan p-value sekitar \(7{,}86 \\times 10^{-11}\), variabel acc memiliki koefisien sekitar \(-0{,}7852\) dengan p-value sekitar \(0{,}0235\), dan variabel year memiliki koefisien sekitar \(0{,}8931\) dengan p-value sekitar \(0{,}0255\). Ketiga nilai p-value tersebut lebih kecil dari \(0{,}05\), sehingga \(H_0\) ditolak untuk masing-masing variabel. Dengan demikian, ketiga variabel independen berpengaruh signifikan secara parsial terhadap mpg pada taraf signifikansi 5%.

4.7 Identifikasi dan Pengujian Outlier

Identifikasi dan pengujian outlier dilakukan untuk mengetahui apakah terdapat pengamatan yang menyimpang atau memiliki pengaruh besar terhadap model regresi. Pendeteksian dilakukan melalui Influence Plot dan Uji Bonferroni.

4.7.1 Influence Plot

Influence Plot digunakan untuk mengamati nilai Studentized Residual, Hat Values (leverage), dan Cook’s Distance dari setiap pengamatan.

# Membuat Influence Plot
hasil_influence <- influencePlot(
  model_regresi,
  main = "Influence Plot Model Regresi",
  sub = "Studentized Residual, Hat Values, dan Cook's Distance"
)

# Menampilkan hasil influence plot
hasil_influence
##      StudRes        Hat      CookD
## 16 2.0744009 0.28390934 0.38544720
## 22 2.4787372 0.07129523 0.10113642
## 25 1.9476120 0.13860102 0.13997144
## 27 0.3081222 0.32939108 0.01200872

Berdasarkan Influence Plot, pengamatan yang memiliki nilai Studentized Residual, Hat Values, atau Cook’s Distance relatif besar perlu diperhatikan karena dapat menunjukkan adanya pengamatan yang menyimpang atau berpotensi berpengaruh terhadap model. Namun, pengamatan yang terlihat menonjol pada grafik belum dapat langsung dinyatakan sebagai outlier yang signifikan secara statistik. Oleh karena itu, diperlukan pengujian lebih lanjut menggunakan Uji Bonferroni.

4.7.2 Uji Bonferroni

Uji Bonferroni dilakukan untuk mengetahui apakah pengamatan yang terindikasi pada Influence Plot merupakan outlier yang signifikan secara statistik. Pengujian dilakukan menggunakan fungsi outlierTest() dari paket car.

# Melakukan Uji Bonferroni
hasil_bonferroni <- outlierTest(model_regresi)

# Menampilkan hasil pengujian
hasil_bonferroni
## No Studentized residuals with Bonferroni p < 0.05
## Largest |rstudent|:
##    rstudent unadjusted p-value Bonferroni p
## 22 2.478737           0.019032      0.66611

Hipotesis pengujian:

  • \(H_0\): Pengamatan yang diuji bukan merupakan outlier yang signifikan secara statistik.
  • \(H_1\): Pengamatan yang diuji merupakan outlier yang signifikan secara statistik.

Kriteria pengambilan keputusan:

  • Jika Bonferroni p-value \(< 0,05\), maka \(H_0\) ditolak.
  • Jika Bonferroni p-value \(> 0,05\), maka \(H_0\) gagal ditolak.

Hasil Uji Bonferroni diinterpretasikan berdasarkan nilai studentized residual, unadjusted p-value, dan Bonferroni p-value yang ditampilkan oleh program R. Pengamatan dinyatakan sebagai outlier yang signifikan apabila nilai Bonferroni p-value lebih kecil dari 0,05. Sebaliknya, apabila nilai tersebut lebih besar dari 0,05, maka belum terdapat bukti yang cukup untuk menyatakan pengamatan sebagai outlier yang signifikan.

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan seluruh tahapan analisis regresi linier berganda terhadap 35 observasi data mobil, dapat disimpulkan bahwa analisis dilakukan dengan menggunakan satu variabel dependen, yaitu efisiensi bahan bakar (mpg), serta tiga variabel independen, yaitu kapasitas mesin (disp), akselerasi (acc), dan tahun model mobil (year). Tahapan analisis meliputi eksplorasi data, statistik deskriptif, pembentukan model regresi, pengujian asumsi klasik, pengujian signifikansi parameter melalui Uji F dan Uji t, serta identifikasi dan pengujian outlier menggunakan Influence Plot dan Uji Bonferroni. Kesimpulan mengenai terpenuhi atau tidaknya asumsi klasik ditentukan berdasarkan nilai VIF, p-value Breusch-Pagan, p-value Durbin-Watson, serta p-value Shapiro-Wilk. Sementara itu, signifikansi model dan setiap variabel independen ditentukan berdasarkan hasil Uji F dan Uji t pada taraf signifikansi 5%. Pengamatan yang terindikasi menyimpang pada Influence Plot selanjutnya diperiksa menggunakan Uji Bonferroni untuk menentukan apakah pengamatan tersebut merupakan outlier yang signifikan secara statistik. Dengan demikian, hasil akhir kelayakan model dan keberadaan outlier ditetapkan berdasarkan keluaran pengujian yang diperoleh dari program R.

5.2 Saran

Dalam melakukan analisis regresi linier berganda menggunakan program R, praktikan diharapkan teliti dalam memasukkan data, menentukan variabel dependen dan independen, serta menjalankan setiap tahapan pengujian. Selain itu, interpretasi hasil sebaiknya dilakukan berdasarkan nilai statistik dan p-value yang benar-benar diperoleh dari program. Untuk penelitian selanjutnya, dapat digunakan jumlah observasi yang lebih banyak dan variabel independen tambahan yang relevan agar analisis hubungan antarvariabel dapat dikembangkan lebih lanjut.

DAFTAR PUSTAKA

Dirgantara. (2021). Pembahasan mengenai identifikasi outlier dalam analisis data.

Holmes, A., Illowsky, B., & Dean, S. (2023). Introductory Business Statistics 2e. OpenStax, Rice University.

Matdoan. (2023). Pembahasan mengenai pengaruh outlier dalam pemodelan regresi.

Prasmono, A. S. P., & Ahdika, A. (2022). 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), 47–55.

Rachman, A. B. R. (2024). Penerapan regresi linier berganda dalam prediksi dan optimalisasi persediaan barang Toko Mungil. Jurnal Mahasiswa Teknik Informatika, 8, 10499–10506.

Rini, D. S. (2026). Modul Praktikum Pengantar Analisis Regresi. Bengkulu: Laboratorium Statistika, Universitas Bengkulu.

Sholihah, S. M., dkk. (2023). Konsep uji asumsi klasik pada regresi linier berganda. Jurnal Riset Akuntansi Soedirman, 2(2), 102–110.