Puji syukur kehadirat Tuhan Yang Maha Esa atas rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan laporan praktikum Komputasi Statistika yang berjudul “R Markdown” dengan baik dan tepat waktu. Oleh karena itu, ucapan terima kasih yang sebesar-besarnya penulis sampaikan kepada yang terhormat:
Penulis menyadari bahwa dalam proses penyusunan laporan praktikum ini masih banyak terdapat kekurangan. Oleh karena itu, kritik dan saran sangat diharapkan penulis agar di masa datang menjadi lebih baik. Penulis juga memohon maaf atas segala kekurangan yang ada dalam laporan praktikum ini.
Bengkulu, 10 November 2026
Dzaskiah Diva Defirany
R merupakan salah satu software gratis yang sangat populer di Indonesia. Kemudahan penggunaan serta besarnya dukungan komunitas membuat R menjadi salah satu bahasa pemrograman paling populer di dunia. R merupakan suatu sistem analisis statistika yang relatif lengkap, sebagai hasil dari kolaborasi riset berbagai statistikawan di seluruh belahan dunia. R saat ini dapat dikatakan merupakan lingua franca (bahasa standar) untuk keperluan komputasi statistika modern. Versi paling awal R dibuat tahun 1992 di Universitas Auckland, New Zealand oleh Ross Ihaka dan Robert Gentleman (yang menjadi asal muasal akronim nama R untuk software ini). Paket yang disediakan untuk Analisis Statistika dan Analisis Numerik juga sangat lengkap dan terus bertambah setiap saat. Hal ini membuat R banyak digunakan oleh para analis data (Rosidi, 2020).
Software R sangat cocok untuk riset, baik statistik, ekonomi, komputasi numerik dan pemrograman komputer. Karena didukung oleh banyak tenaga ahli di bidangnya, R layak dijadikan suatu perangkat lunak acuan bagi berbagai kalangan, terlebih di kalangan akademik (dosen, mahasiswa), di antaranya proses analisis data statistik dengan tampilan grafik plot yang customized dan grafik fungsi densitas yang dapat diparalelkan dengan histogram (Nengsih dkk., 2020).
Pada praktikum kali ini dibahas terkait R Markdown pada program R. Praktikum ini sangat penting agar praktikan dapat memperdalam pengetahuan tentang paket R yang menyediakan ruang kerja terintegrasi untuk membuat proyek sains data.
Berdasarkan latar belakang di atas, rumusan masalah yang dapat disimpulkan adalah:
Berdasarkan rumusan masalah di atas, tujuan yang dapat disimpulkan adalah sebagai berikut:
Adapun manfaat pada penelitian ini yaitu:
Adapun batasan masalah pada laporan praktikum kali 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 yang dilakukan mencakup tahapan pengumpulan dan pemilihan data sekunder, eksplorasi data, analisis statistik deskriptif, pembentukan dan estimasi model regresi, pengujian asumsi klasik, pengujian hipotesis melalui Uji F dan Uji t, serta evaluasi model melalui identifikasi dan pengujian outlier menggunakan Influence Plot dan Uji Bonferroni.
Adapun isi dari bab tersebut adalah sebagai berikut:
R adalah suatu kesatuan software yang terintegrasi dengan beberapa fasilitas untuk manipulasi, perhitungan, dan penampilan grafik yang handal. R berbasis pada bahasa pemrograman S, yang dikembangkan oleh AT&T Bell Laboratories (sekarang Lucent Technologies) pada akhir tahun ’70-an. R merupakan versi gratis dari bahasa S dari software (berbayar) yang sejenis yakni S-PLUS yang banyak digunakan para peneliti dan akademisi dalam melakukan kegiatan ilmiahnya. R memiliki beberapa kelebihan, di antaranya adalah (Anonim, 2025):
Adapun kekurangan dari program R, di antaranya adalah (Iskandar, 2023):
R Markdown adalah jenis khusus dari dokumen markdown. Markdown awalnya dibuat sebagai pengganti kode HTML yang digunakan pada situs website, karena markup HTML dan LaTeX dianggap membosankan dan sulit dibaca. Tujuannya adalah untuk menciptakan dokumen yang mudah dipahami oleh pembaca non-teknis, tetapi tetap dapat disajikan sebagai halaman website atau dokumen PDF (Johndson, 2019).
Beberapa format keluarannya yang populer adalah HTML, PDF, Microsoft Word, presentasi, aplikasi, situs website, dashboard, laporan, template, artikel, buku, dan lain-lain. Selain itu, R Markdown memungkinkan pelacakan kontrol versi yang mudah dan mendukung banyak bahasa pemrograman selain R, termasuk Python dan SQL. Kelebihan dari tipe dokumen Word yaitu (Prabowo, 2022):
Sintaks R Markdown merupakan gabungan dari plain text dan source code. Ada tiga bagian dari file R Markdown, yaitu metadata, text, dan code:
title, author,
date, dan output. Metadata diawali dan
diakhiri dengan tiga karakter dash (---).```{r} dan ```)
dan inline code (diapit dengan karakter `r dan
`) (Prabowo, 2022; Agwil, 2022).Plotting dalam R Markdown menyiratkan menjalankan kode yang
menghasilkan plot. Output dari kode tersebut akan berupa grafik, bukan
hanya teks dan angka, dengan menggunakan paket visualisasi data R maupun
fungsi plot() dari R dasar (Agwil, 2022).
Jenis data yang digunakan pada praktikum ini adalah data kuantitatif, yaitu data Sektor Pertanian & Ketahanan Pangan menggunakan level data provinsi di Indonesia (38 provinsi): Produksi Padi/Beras Menurut Provinsi, Luas Panen Padi, Jumlah Penggunaan Pupuk, dan Jumlah Petani/Rumah Tangga Tani. Sumber data yang digunakan adalah data sekunder yang diperoleh dari laman resmi Badan Pusat Statistik (BPS).
Variabel pada batasan masalah yang diberikan adalah:
Langkah-langkah analisis data menggunakan R Markdown adalah sebagai berikut:
Alur pengerjaan: Mulai $ ightarrow$
Buka aplikasi RStudio $ ightarrow$
Input syntax pada chunk di R Markdown $ ightarrow$
Jalankan syntax $ ightarrow$ Klik Knit $
ightarrow$ Output $ ightarrow$
Buat akun pada RPubs $ ightarrow$
Publikasikan output ke RPubs $ ightarrow$
Selesai.
Berikut adalah code chunk untuk memasukkan dataset Sektor Pertanian & Ketahanan Pangan di 38 provinsi di Indonesia sesuai dengan Lampiran 1 laporan:
data <- data.frame(
No = 1:38,
Provinsi = c(
"Aceh", "Sumatera Utara", "Sumatera Barat", "Riau", "Jambi",
"Sumatera Selatan", "Bengkulu", "Lampung", "Kep. Bangka Belitung", "Kep. Riau",
"DKI Jakarta", "Jawa Barat", "Jawa Tengah", "D.I. Yogyakarta", "Jawa Timur",
"Banten", "Bali", "Nusa Tenggara Barat", "Nusa Tenggara Timur", "Kalimantan Barat",
"Kalimantan Tengah", "Kalimantan Selatan", "Kalimantan Timur", "Kalimantan Utara", "Sulawesi Utara",
"Sulawesi Tengah", "Sulawesi Selatan", "Sulawesi Tenggara", "Gorontalo", "Sulawesi Barat",
"Maluku", "Maluku Utara", "Papua Barat", "Papua", "Papua Selatan",
"Papua Tengah", "Papua Pegunungan", "Papua Barat Daya"
),
Y = c(
1955109.0, 745572.0, 1638442.0, 1165379.0, 1444467.0,
344585.0, 1876667.0, 2293010.0, 1549468.0, 1199234.0,
663284.0, 1433310.0, 1479783.0, 814653.0, 1146482.0,
1791654.0, 1533714.0, 499224.0, 1744923.0, 1693639.0,
1233231.0, 1469574.0, 870515.0, 658873.0, 2303203.0,
791869.0, 1862842.0, 1176799.0, 1155835.0, 1265438.0,
1155856.0, 944771.0, 2082076.0, 1808850.0, 1386531.0,
2115879.0, 1490039.0, 1401657.0
),
x1 = c(
392860.0, 74715.0, 399310.0, 139646.0, 134315.0,
46683.0, 485285.0, 443662.0, 238458.0, 237826.0,
64578.0, 255737.0, 232274.0, 121573.0, 263811.0,
447590.0, 266603.0, 38096.0, 387176.0, 234887.0,
331317.0, 250112.0, 208236.0, 62193.0, 496401.0,
120354.0, 430729.0, 181169.0, 183439.0, 251455.0,
205842.0, 140259.0, 421477.0, 367662.0, 153670.0,
364143.0, 381710.0, 314376.0
),
x2 = c(
20613.0, 160739.0, 169802.0, 116333.0, 176698.0,
9584.0, 102548.0, 112595.0, 140779.0, 151019.0,
169321.0, 13242.0, 26268.0, 160144.0, 59950.0,
198925.0, 155102.0, 79085.0, 14964.0, 158537.0,
54018.0, 32700.0, 93220.0, 64759.0, 172108.0,
11561.0, 81120.0, 159020.0, 6527.0, 148960.0,
145236.0, 151323.0, 136882.0, 122041.0, 104462.0,
192311.0, 26237.0, 175637.0
),
x3 = c(
1315114.0, 511271.0, 191249.0, 1068048.0, 1479018.0,
340250.0, 320139.0, 1389334.0, 1129470.0, 402266.0,
385081.0, 1170946.0, 1374788.0, 351008.0, 406393.0,
103023.0, 874094.0, 499601.0, 946760.0, 1388533.0,
163796.0, 1220752.0, 107295.0, 705648.0, 891787.0,
759064.0, 706440.0, 695922.0, 1096493.0, 455519.0,
537676.0, 517670.0, 1034364.0, 878247.0, 1456266.0,
1304914.0, 438847.0, 243504.0
)
)
knitr::kable(head(data, 10), caption = "10 Data Observasi Pertama (Lampiran 1)")
| No | Provinsi | Y | x1 | x2 | x3 |
|---|---|---|---|---|---|
| 1 | Aceh | 1955109 | 392860 | 20613 | 1315114 |
| 2 | Sumatera Utara | 745572 | 74715 | 160739 | 511271 |
| 3 | Sumatera Barat | 1638442 | 399310 | 169802 | 191249 |
| 4 | Riau | 1165379 | 139646 | 116333 | 1068048 |
| 5 | Jambi | 1444467 | 134315 | 176698 | 1479018 |
| 6 | Sumatera Selatan | 344585 | 46683 | 9584 | 340250 |
| 7 | Bengkulu | 1876667 | 485285 | 102548 | 320139 |
| 8 | Lampung | 2293010 | 443662 | 112595 | 1389334 |
| 9 | Kep. Bangka Belitung | 1549468 | 238458 | 140779 | 1129470 |
| 10 | Kep. Riau | 1199234 | 237826 | 151019 | 402266 |
Adapun hasil statistik deskriptif dari variabel penelitian untuk memberikan gambaran umum mengenai data yang digunakan adalah sebagai berikut:
cat("
========================================
")
##
## ========================================
cat(" RINGKASAN STATISTIK DATA (38 PROVINSI)
")
## RINGKASAN STATISTIK DATA (38 PROVINSI)
cat("========================================
")
## ========================================
print(summary(data[, c("Y", "x1", "x2", "x3")]))
## Y x1 x2 x3
## Min. : 344585 Min. : 38096 Min. : 6527 Min. : 103023
## 1st Qu.:1148820 1st Qu.:143612 1st Qu.: 55501 1st Qu.: 403298
## Median :1417484 Median :244285 Median :119187 Median : 706044
## Mean :1373327 Mean :257096 Mean :107220 Mean : 759489
## 3rd Qu.:1732102 3rd Qu.:378198 3rd Qu.:158899 3rd Qu.:1121226
## Max. :2303203 Max. :496401 Max. :198925 Max. :1479018
Berdasarkan output statistik deskriptif pada Tabel 4.1 laporan:
344,585,
kuartil pertama 1,148,821, median 1,417,484,
rata-rata (mean) 1,373,327, kuartil ketiga
1,732,102, dan nilai maksimum 2,303,203.38,096, kuartil
pertama 143,612, median 244,285, rata-rata
257,096, kuartil ketiga 378,198, serta
maksimum 496,401.6,527, kuartil pertama 55,501, median
119,187, rata-rata 107,220, kuartil ketiga
158,899, dan maksimum 198,925.103,023, kuartil
pertama 403,298, median 706,044, rata-rata
759,489, kuartil ketiga 1,121,226, hingga
nilai maksimum 1,479,018.Berikut adalah estimasi parameter regresi linier sederhana
menggunakan fungsi matriks buatan sendiri (RLS) serta
fungsi bawaan R (lm()), sesuai dengan Lampiran 4:
y_sederhana <- data$Y
x_sederhana <- data$x1
# --- VERSI 1: FUNGSI MATRIKS BUATAN SENDIRI (RLS) ---
RLS <- function(y, x) {
n <- length(y)
Xmat <- cbind(1, x)
# Koefisien
bhat <- solve(t(Xmat) %*% Xmat) %*% (t(Xmat) %*% y)
# Residual & Varians
e <- y - Xmat %*% bhat
SSE <- as.numeric(t(e) %*% e)
df_err <- n - 2
se <- SSE / df_err
var_b <- se * solve(t(Xmat) %*% Xmat)
bse <- sqrt(diag(var_b))
# Uji t
t0 <- bhat / bse
pv <- 2 * pt(-abs(t0), df = df_err)
# ANOVA
ymean <- mean(y)
SSR <- sum((Xmat %*% bhat - ymean)^2)
SST <- sum((y - ymean)^2)
MSR <- SSR / 1
MSE <- SSE / df_err
Fhit <- MSR / MSE
# Output Matriks
cat("
====================================================
")
cat(" REGRESI LINIER SEDERHANA - VERSI FUNGSI MATRIKS
")
cat("====================================================
")
print(data.frame(
Koef = c("Intercept", "x1"),
Estimate = as.numeric(bhat),
StdError = bse,
tValue = t0,
Pvalue = pv
))
cat("
---------------- ANAVA/ANOVA Uji F (Matriks) ----------------
")
print(data.frame(
Sumber = c("Regresi", "Error", "Total"),
SS = c(SSR, SSE, SST),
DF = c(1, df_err, n - 1),
MS = c(MSR, MSE, NA),
F = c(Fhit, NA, NA)
))
return(list(Koefisien = bhat))
}
# Panggil Fungsi Matriks Sederhana
RLsederhana_matriks <- RLS(y_sederhana, x_sederhana)
##
## ====================================================
## REGRESI LINIER SEDERHANA - VERSI FUNGSI MATRIKS
## ====================================================
## Koef Estimate StdError tValue Pvalue
## Intercept 5.179959e+05 7.958449e+04 6.508754 1.460310e-07
## x x1 3.326901e+00 2.758926e-01 12.058684 3.337967e-14
##
## ---------------- ANAVA/ANOVA Uji F (Matriks) ----------------
## Sumber SS DF MS F
## 1 Regresi 7.197277e+12 1 7.197277e+12 145.4119
## 2 Error 1.781849e+12 36 4.949581e+10 NA
## 3 Total 8.979126e+12 37 NA NA
# --- VERSI 2: FUNGSI BAWAAN lm() & summary() ---
cat("
====================================================
")
##
## ====================================================
cat(" REGRESI LINIER SEDERHANA - VERSI summary(lm())
")
## REGRESI LINIER SEDERHANA - VERSI summary(lm())
cat("====================================================
")
## ====================================================
RLS_lm <- lm(Y ~ x1, data = data)
print(summary(RLS_lm))
##
## Call:
## lm(formula = Y ~ x1, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -387024 -140768 -43404 132824 479618
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.180e+05 7.958e+04 6.509 1.46e-07 ***
## x1 3.327e+00 2.759e-01 12.059 3.34e-14 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 222500 on 36 degrees of freedom
## Multiple R-squared: 0.8016, Adjusted R-squared: 0.796
## F-statistic: 145.4 on 1 and 36 DF, p-value: 3.338e-14
Berikut adalah estimasi parameter regresi linier berganda menggunakan
fungsi matriks buatan sendiri (RLB) serta fungsi bawaan R
(lm()), sesuai dengan Lampiran 6:
Yg <- data$Y
Xg <- cbind(1, data$x1, data$x2, data$x3)
# --- VERSI 1: FUNGSI MATRIKS BUATAN SENDIRI (RLB) ---
RLB <- function(y, Xmat) {
n <- length(y)
p <- ncol(Xmat) - 1
# Koefisien
bhat <- solve(t(Xmat) %*% Xmat) %*% (t(Xmat) %*% y)
# Residual & Varians
e <- y - Xmat %*% bhat
SSE <- as.numeric(t(e) %*% e)
df_err <- n - (p + 1)
se <- SSE / df_err
var_b <- se * solve(t(Xmat) %*% Xmat)
bse <- sqrt(diag(var_b))
# Uji t
t0 <- bhat / bse
pv <- 2 * pt(-abs(t0), df = df_err)
# ANOVA
ymean <- mean(y)
SSR <- sum((Xmat %*% bhat - ymean)^2)
SST <- sum((y - ymean)^2)
MSR <- SSR / p
MSE <- SSE / df_err
Fhit <- MSR / MSE
# Output Matriks
cat("
====================================================
")
cat(" REGRESI LINIER BERGANDA - VERSI FUNGSI MATRIKS
")
cat("====================================================
")
print(data.frame(
Koef = c("Intercept", paste0("x", 1:p)),
Estimate = as.numeric(bhat),
StdError = bse,
tValue = t0,
Pvalue = pv
))
cat("
---------------- ANOVA Uji F (Matriks) ----------------
")
print(data.frame(
Sumber = c("Regresi", "Error", "Total"),
SS = c(SSR, SSE, SST),
DF = c(p, df_err, n - 1),
MS = c(MSR, MSE, NA),
F = c(Fhit, NA, NA)
))
return(list(Koefisien = bhat))
}
# Panggil Fungsi Matriks Berganda
RLberganda_matriks <- RLB(Yg, Xg)
##
## ====================================================
## REGRESI LINIER BERGANDA - VERSI FUNGSI MATRIKS
## ====================================================
## Koef Estimate StdError tValue Pvalue
## 1 Intercept 9912.6787163 2.656767e+02 37.31106 3.568337e-29
## 2 x1 3.1999765 6.043537e-04 5294.87343 3.606208e-102
## 3 x2 1.5015055 1.314703e-03 1142.08755 1.607618e-79
## 4 x3 0.4999719 1.881140e-04 2657.81328 5.423540e-92
##
## ---------------- ANOVA Uji F (Matriks) ----------------
## Sumber SS DF MS F
## 1 Regresi 8.979118e+12 3 2.993039e+12 12735024
## 2 Error 7.990824e+06 34 2.350242e+05 NA
## 3 Total 8.979126e+12 37 NA NA
# --- VERSI 2: FUNGSI BAWAAN lm() & summary() ---
cat("
====================================================
")
##
## ====================================================
cat(" REGRESI LINIER BERGANDA - VERSI summary(lm())
")
## REGRESI LINIER BERGANDA - VERSI summary(lm())
cat("====================================================
")
## ====================================================
RLB_lm <- lm(Y ~ x1 + x2 + x3, data = data)
print(summary(RLB_lm))
##
## Call:
## lm(formula = Y ~ x1 + x2 + x3, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1127.99 -268.96 -53.79 339.54 905.85
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.913e+03 2.657e+02 37.31 <2e-16 ***
## x1 3.200e+00 6.044e-04 5294.87 <2e-16 ***
## x2 1.502e+00 1.315e-03 1142.09 <2e-16 ***
## x3 5.000e-01 1.881e-04 2657.81 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 484.8 on 34 degrees of freedom
## Multiple R-squared: 1, Adjusted R-squared: 1
## F-statistic: 1.274e+07 on 3 and 34 DF, p-value: < 2.2e-16
Sesuai batasan masalah pada Bab I, berikut adalah pengujian asumsi klasik dan identifikasi outlier (Influence Plot dan Uji Bonferroni):
# Plot Diagnostik Asumsi Klasik
par(mfrow = c(2, 2))
plot(RLB_lm)
par(mfrow = c(1, 1))
# Uji Normalitas Residual (Shapiro-Wilk)
shapiro.test(residuals(RLB_lm))
##
## Shapiro-Wilk normality test
##
## data: residuals(RLB_lm)
## W = 0.98042, p-value = 0.7324
# Identifikasi Outlier (Bonferroni Outlier Test jika paket car tersedia)
if (requireNamespace("car", quietly = TRUE)) {
print(car::outlierTest(RLB_lm))
car::influencePlot(RLB_lm, main = "Influence Plot Model Regresi Berganda")
} else {
# Alternatif R dasar: Studentized Residuals & Cook's Distance
rstud <- rstudent(RLB_lm)
cooksd <- cooks.distance(RLB_lm)
plot(cooksd, type = "h", main = "Cook's Distance", ylab = "Cook's Distance")
abline(h = 4 / nrow(data), col = "red", lty = 2)
}
## No Studentized residuals with Bonferroni p < 0.05
## Largest |rstudent|:
## rstudent unadjusted p-value Bonferroni p
## 18 -2.685862 0.011235 0.42693
## StudRes Hat CookD
## 5 -0.06989315 0.1904741 0.000296016
## 6 1.85286772 0.1879463 0.185378930
## 18 -2.68586187 0.1123727 0.193037142
## 29 2.07655473 0.1114511 0.123213763
RLS dan RLB) maupun menggunakan fungsi bawaan
R yaitu lm() dan summary(), yang menghasilkan
nilai koefisien, standard error, \(t\)-hitung, \(p\)-value, serta tabel ANOVA Uji \(F\) yang identik.%*%), invers matriks (solve()), dan
nama variabel agar tidak terjadi error.