IDENTITAS PRAKTIKUM

  • Mata Kuliah: Komputasi Statistika (Pertemuan IX)
  • Nama: Dzaskiah Diva Defirany
  • NPM: F1F025039
  • Dosen Pengampu:
    1. Novi Puspita, S.Mat., M.Si
    2. Riwi Dyah Pangesti, S.Si., M.Si
    3. Susi Wijuniamurti, S.Si., M.Stat.
  • Asisten Praktikum:
    1. Jevelyn Olypia (F1F024011)
    2. Nurhaliza (F1F024015)
    3. Nabila Destia Sapira (F1F024033)
    4. Rhefki Nurman Yuliansyah (F1F024050)
  • Instansi: Laboratorium Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Bengkulu (2026)

KATA PENGANTAR

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:

  1. Novi Puspita, S.Mat., M.Si selaku Dosen Pengampu.
  2. Riwi Dyah Pangesti, S.Si., M.Si selaku Dosen Pengampu.
  3. Susi Wijuniamurti, S.Si., M.Stat. selaku Dosen Pengampu.
  4. Jevelyn Olypia selaku Asisten Praktikum.
  5. Nurhaliza selaku Asisten Praktikum.
  6. Nabila Destia Sapira selaku Asisten Praktikum.
  7. Rhefki Nurman Yuliansyah selaku Asisten Praktikum.
  8. Semua pihak yang telah membantu dalam pengerjaan selama kegiatan praktikum berlangsung.

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


BAB I: PENDAHULUAN

1.1 Latar Belakang

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.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, rumusan masalah yang dapat disimpulkan adalah:

  1. Apa itu Markdown pada program R?
  2. Bagaimana cara melakukan Markdown pada program R?

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah di atas, tujuan yang dapat disimpulkan adalah sebagai berikut:

  1. Mahasiswa dapat mengetahui Markdown pada program R.
  2. Mahasiswa dapat melakukan Markdown pada program R.

1.4 Manfaat Penelitian

Adapun manfaat pada penelitian ini yaitu:

  1. Bagi penulis:
    • Memberikan informasi dan pengetahuan mengenai Markdown pada program R.
    • Menerapkan ilmu atau wawasan baru mengenai cara melakukan Markdown pada program R.
  2. Bagi pembaca:
    • Menambah ilmu pengetahuan mengenai Markdown pada program R.
    • Mengetahui cara melakukan Markdown pada program R.

1.5 Batasan Masalah

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.

1.6 Sistematika Penulisan

Adapun isi dari bab tersebut adalah sebagai berikut:

  • BAB I PENDAHULUAN: Memuat latar belakang penelitian, rumusan masalah, tujuan, manfaat penelitian, batasan masalah penelitian, dan sistematika penulisan.
  • BAB II TINJAUAN PUSTAKA: Memuat pengertian dari teori yang diperlukan untuk rancangan penelitian pada bab-bab berikutnya.
  • BAB III METODE PENELITIAN: Memuat jenis dan sumber data, variabel penelitian, analisis data dan diagram alir yang diperlukan untuk rancangan penelitian.
  • BAB IV HASIL DAN PEMBAHASAN: Memuat hasil dan pembahasan dari percobaan yang telah dilakukan, kemudian dibuatkan interpretasinya.
  • BAB V KESIMPULAN DAN SARAN: Memuat rangkuman hasil keseluruhan dan saran yang diberikan penulis terhadap hasil yang telah dilakukan.
  • DAFTAR PUSTAKA
  • LAMPIRAN

BAB II: TINJAUAN PUSTAKA

2.1 Program R

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):

  1. Efektif dalam pengelolaan data dan fasilitas penyimpanan. Ukuran file yang disimpan jauh lebih kecil dibanding software lainnya.
  2. Lengkap dalam operator perhitungan array.
  3. Lengkap dan terdiri dari koleksi tools statistik yang terintegrasi untuk analisis data, mulai statistik deskriptif, fungsi probabilitas, berbagai macam uji statistik, hingga time series.
  4. Tampilan grafik yang menarik dan fleksibel ataupun customized.
  5. Dapat dikembangkan sesuai keperluan dan kebutuhan dan sifatnya yang terbuka; setiap orang dapat menambahkan fitur-fitur tambahan dalam bentuk paket ke dalam software R.

Adapun kekurangan dari program R, di antaranya adalah (Iskandar, 2023):

  1. Dalam bahasa pemrograman R, standar paket kurang sempurna.
  2. R memiliki kurva belajar yang curam. Ini adalah bahasa yang paling cocok untuk orang yang memiliki pengalaman pemrograman sebelumnya.
  3. R tidak memiliki langkah-langkah keamanan dasar. Akibatnya, itu bukan pilihan yang baik untuk membuat aplikasi yang aman untuk web. Juga, R tidak dapat disematkan di web.

2.2 R Markdown

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):

  1. Format yang umum digunakan pada perkantoran.
  2. Isinya dapat disunting sehingga memungkinkan pengguna menambahkan informasi-informasi lain, khususnya yang tidak dapat dianalisis oleh komputer.
  3. Mudah dikonversi menjadi format lainnya sesuai dengan kebutuhan.

Sintaks R Markdown merupakan gabungan dari plain text dan source code. Ada tiga bagian dari file R Markdown, yaitu metadata, text, dan code:

  • Metadata adalah bagian yang berisikan informasi dasar dokumen, seperti title, author, date, dan output. Metadata diawali dan diakhiri dengan tiga karakter dash (---).
  • Text adalah bagian yang berisi narasi. Bagian ini memiliki sintaks tersendiri yang hanya berlaku pada R Markdown, berbeda dari sintaks R pada umumnya. Apabila source code R diletakkan pada bagian text, source code tersebut tidak akan dijalankan, tetapi ditampilkan apa adanya sebagai plain text.
  • Code adalah bagian di mana source code R dapat dijalankan. Code dapat dibagi menjadi dua jenis, yaitu chunk (diapit dengan ```{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).


BAB III: METODE PENELITIAN

3.1 Jenis dan Sumber Data

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).

3.2 Variabel Penelitian

Variabel pada batasan masalah yang diberikan adalah:

  • \(Y\): Produksi Padi/Beras Menurut Provinsi (Ton)
  • \(X_1\): Luas Panen Padi (Hektar)
  • \(X_2\): Jumlah Penggunaan Pupuk (Ton)
  • \(X_3\): Jumlah Petani atau Rumah Tangga Tani (Jiwa/KK)

3.3 Analisis Data

Langkah-langkah analisis data menggunakan R Markdown adalah sebagai berikut:

  1. Buka aplikasi RStudio.
  2. Buat file R Markdown baru.
  3. Input data dan syntax analisis pada chunk di R Markdown.
  4. Jalankan syntax untuk memastikan hasilnya benar.
  5. Klik Knit untuk menghasilkan output dokumen (HTML/PDF/Word).
  6. Buat akun pada RPubs dan publikasikan output ke RPubs.
  7. Selesai.

3.4 Diagram Alir Penelitian

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.


BAB IV: HASIL DAN PEMBAHASAN

4.1 Input Data Penelitian (38 Provinsi di Indonesia)

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)")
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

4.2 Statistik Deskriptif

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

Pembahasan Statistik Deskriptif

Berdasarkan output statistik deskriptif pada Tabel 4.1 laporan:

  • Variabel \(Y\) (Produksi Padi): Memiliki nilai minimum sebesar 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.
  • Variabel \(X_1\) (Luas Panen): Mencatatkan nilai minimum 38,096, kuartil pertama 143,612, median 244,285, rata-rata 257,096, kuartil ketiga 378,198, serta maksimum 496,401.
  • Variabel \(X_2\) (Penggunaan Pupuk): Menunjukkan nilai minimum 6,527, kuartil pertama 55,501, median 119,187, rata-rata 107,220, kuartil ketiga 158,899, dan maksimum 198,925.
  • Variabel \(X_3\) (Jumlah Petani): Memiliki nilai minimum 103,023, kuartil pertama 403,298, median 706,044, rata-rata 759,489, kuartil ketiga 1,121,226, hingga nilai maksimum 1,479,018.

4.3 Regresi Linier Sederhana (\(Y\) terhadap \(X_1\))

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

4.4 Regresi Linier Berganda (\(Y\) terhadap \(X_1, X_2, X_3\))

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

4.5 Uji Asumsi Klasik & Evaluasi Model (Outlier)

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

BAB V: KESIMPULAN DAN SARAN

5.1 Kesimpulan

  1. Analisis regresi merupakan analisis ketergantungan dari satu atau lebih variabel independen terhadap satu variabel dependen dengan tujuan untuk menduga atau memprediksi nilai rata-rata populasi berdasarkan nilai-nilai variabel independennya. Persamaan regresi dalam notasi matriks dinyatakan sebagai \(\mathbf{Y} = \mathbf{X}oldsymbol{eta} + oldsymbol{ arepsilon}\) dengan estimator kuadrat terkecil \(\hat{\mathbf{b}} = (\mathbf{X}'\mathbf{X})^{-1}\mathbf{X}'\mathbf{Y}\).
  2. Dalam menduga parameter regresi dengan pendekatan matriks menggunakan program R, dapat dibuat fungsi matriks manual (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.
  3. Pada pengujian regresi linier sederhana, variabel independen \(X_1\) (Luas Panen) memiliki hubungan positif dan berpengaruh signifikan secara statistik terhadap variabel dependen \(Y\) (Produksi Padi) dengan nilai \(p\)-value jauh di bawah taraf signifikansi \(0.05\).
  4. Pada model regresi linier berganda yang melibatkan seluruh variabel bebas (\(X_1, X_2, X_3\)) secara bersama-sama, variabel luas panen (\(X_1\)) memberikan pengaruh parsial paling dominan dan signifikan secara statistik pada data 38 provinsi Indonesia (sementara pada ilustrasi output 15 observasi pada lampiran gambar, variabel \(X_2\) signifikan dengan \(p\)-value \(= 0.0167 < 0.05\)).

5.2 Saran

  1. Dalam menjalankan suatu fungsi pada program R diharapkan untuk teliti saat mengoperasikannya, terutama pada penulisan sintaks perkalian matriks (%*%), invers matriks (solve()), dan nama variabel agar tidak terjadi error.
  2. Pastikan seluruh chunk kode pada R Markdown berjalan dengan baik sebelum melakukan proses Knit ke format HTML, PDF, maupun Word.

DAFTAR PUSTAKA

  1. Agwil, W. (2022). Modul Praktikum Komputasi Statistika. Bengkulu: Universitas Bengkulu.
  2. Anandari, A. A. (2023). Analisis Regresi Deret Fourier: Aplikasi Data Curah Hujan. CV Jejak.
  3. Nengsih, T. A., dkk. (2020). Komputasi Statistika dengan R.
  4. Nuryadi, N., Astuti, T. D., Sri U. E., & Budiantara,: M. (2018). Dasar-Dasar Statistik Penelitian. Yogyakarta: Sibuku Media.
  5. Prabowo, A. (2022). Pengantar R Markdown untuk Pelaporan Analisis Data.
  6. Rosidi, M. (2020). Metode Numerik Menggunakan R untuk Teknik Lingkungan.
  7. Usmadi. (2020). Pengujian Persyaratan Analisis (Uji Homogenitas dan Uji Normalitas). Jurnal Pendidikan, 7(1), 58.
  8. Winarno, C. A. (2020). Visualisasi Data Untuk Analisis Sentimen Pada Penilaian Kepuasan Pelanggan. Universitas Komputer Indonesia.
  9. Yusuf, M. A., Herman, & Trisnawati, H. (2024). Analisis Regresi Linier Sederhana dan Berganda Beserta Penerapannya. Journal on Education, 06(02), 13331–13344.