Analisis regresi merupakan salah satu metode statistika yang digunakan untuk menganalisis hubungan antara variabel independen dan variabel dependen serta membentuk suatu persamaan untuk mengestimasi nilai variabel dependen berdasarkan informasi dari variabel independen. Apabila variabel dependen dipengaruhi oleh lebih dari satu variabel independen, metode yang digunakan disebut analisis regresi linier berganda. Dalam penerapannya, estimasi parameter regresi umumnya dilakukan menggunakan Metode Kuadrat Terkecil (MKT), yaitu metode yang bertujuan meminimumkan jumlah kuadrat residual. Agar model regresi yang dihasilkan memiliki penduga parameter yang bersifat Best Linear Unbiased Estimator (BLUE), diperlukan pemenuhan asumsi klasik yang meliputi normalitas, homoskedastisitas, tidak adanya autokorelasi, tidak adanya multikolinieritas, dan linearitas (Prahutama & Rahmawati, 2024; Sabrina dkk., 2023).
Selain pengujian asumsi klasik, analisis regresi linier berganda juga memerlukan pengujian signifikansi parameter untuk mengetahui keberartian variabel independen terhadap variabel dependen. Pengujian tersebut dilakukan melalui uji simultan (uji \(F\)) dan uji parsial (uji \(t\)). Uji \(F\) digunakan untuk mengetahui apakah seluruh variabel independen secara bersama-sama memiliki pengaruh yang signifikan terhadap variabel dependen, sedangkan uji \(t\) digunakan untuk mengetahui pengaruh masing-masing variabel independen secara individual. Hasil pengujian ini dapat digunakan untuk menentukan parameter yang signifikan dalam persamaan regresi sehingga dapat diketahui variabel independen yang berperan dalam menjelaskan perubahan variabel dependen (Jelita dkk., 2022; Khotimah dkk., 2024).
Di samping itu, keberadaan pencilan (outlier) juga perlu diperhatikan dalam analisis regresi linier berganda karena dapat memengaruhi hasil estimasi parameter dan menyebabkan asumsi model regresi tidak terpenuhi. Outlier merupakan pengamatan yang memiliki nilai ekstrem atau menyimpang jauh dari sebagian besar pola data. Meskipun demikian, keberadaan outlier tidak dapat langsung dihilangkan karena pengamatan tersebut berpotensi mengandung informasi penting. Identifikasi outlier dapat dilakukan menggunakan influence plot dan uji Bonferroni untuk mengetahui pengamatan yang terindikasi sebagai pencilan (Effendi, 2020; Ningrum dkk., 2023; Azizah dkk., 2022). Oleh karena itu, diperlukan penerapan analisis regresi linier berganda menggunakan program R untuk melakukan pengujian asumsi klasik, menentukan signifikansi parameter dalam persamaan regresi, serta mengidentifikasi outlier agar diperoleh hasil analisis yang lebih tepat dan dapat dipertanggungjawabkan.
Berdasarkan latar belakang di atas, adapun rumusan masalah yang dapat disimpulkan adalah bagaimana melakukan uji asumsi klasik untuk analisis regresi berganda, menentukan parameter yang signifikan pada persamaan regresi, dan mengidentifikasi outlier dengan menggunakan program R?
Berdasarkan rumusan masalah di atas, rumusan masalah yang ingin dicapai adalah mahasiswa mampu melakukan uji asumsi klasik untuk analisis regresi berganda, menentukan parameter yang signifikan pada persamaan regresi, dan mengidentifikasi outlier dengan menggunakan program R.
Adapun batasan masalah pada penelitian ini, yaitu carilah data dengan minimal 35 observasi dan minimal 3 variabel independen, kemudian modelkan serta intepretasikan. Lalu, lakukan uji asumsi klasik, tentukan parameter yang signifikan, dan identifikasi outlier!
Adapun sistematika penulisan dari praktikum ini adalah:
BAB I PENDAHULUAN Bab ini memuat latar belakang penelitian, rumusan masalah, tujuan, manfaaat penelitian, batasan masalah penelitian, dan sistematika penelitian.
BAB II TINJAUAN PUSTAKA Bab ini memuat pengertian dari teori yang diperlukan untuk rancangan penelitian pada bab-bab berikutnya.
BAB III METODE PENELITAN Bab ini memuat jenis dan sumber data, variabel penelitian, analisis data, dan diagram alir yang diperlukan untuk rancangan penelitian pada bab-bab berikutnya.
BAB IV HASIL DAN PEMBAHASAN Bab ini memuat hasil analisis, pembahasan hasil yang telah diperoleh, dan interpretasi rancangan penelitian pada bab-bab berikutnya.
BAB V KESIMPULAN DAN SARAN Bab ini memuat penarikan kesimpulan mengenai hasil analisis dari penelitan serta penyampaian saran oleh penulis.
DAFTAR PUSTAKA
LAMPIRAN
Uji signifikansi merupakan salah satu tahapan penting dalam penelitian, khususnya penelitian yang menggunakan metode kuantitatif. Pengujian ini dilakukan untuk mengetahui apakah hasil estimasi parameter dalam suatu model memiliki keberartian secara statistik. Uji signifikansi juga digunakan sebagai dasar dalam pengambilan keputusan terhadap hipotesis yang telah dirumuskan sebelumnya, yaitu apakah hipotesis nol diterima atau ditolak berdasarkan bukti statistik yang diperoleh. Tingkat keyakinan yang digunakan dalam pengambilan keputusan tersebut berkaitan dengan konsep signifikansi statistik (Jelita dkk., 2022).
Terdapat dua pendekatan dalam penentuan signifikansi statistik, yaitu pendekatan Fisher dan Neyman-Pearson. Fisher menggunakan nilai p-value untuk menunjukkan tingkat bukti statistik terhadap hipotesis nol (\(H_0\)) dengan asumsi hipotesis tersebut benar. Nilai p-value digunakan untuk mengevaluasi kekuatan bukti yang diperoleh dari hasil pengamatan. Sementara itu, pendekatan Neyman-Pearson menggunakan pengujian hipotesis untuk menentukan keputusan antara hipotesis nol (\(H_0\)) dan hipotesis alternatif (\(H_1\)) berdasarkan tingkat signifikansi yang telah ditetapkan. Kedua pendekatan tersebut menjadi dasar dalam proses pengambilan keputusan statistik pada penelitian (David & Djamaris, 2020).
Model regresi linier berganda dibangun berdasarkan beberapa asumsi klasik yang diperlukan untuk memperoleh estimator Ordinary Least Squares (OLS) yang bersifat Best Linear Unbiased Estimator (BLUE). Pengujian asumsi klasik dilakukan untuk mengetahui apakah model regresi telah memenuhi persyaratan statistik sehingga hasil estimasi yang diperoleh dapat digunakan secara tepat. Uji asumsi klasik yang digunakan dalam analisis regresi meliputi uji normalitas, uji multikolinieritas, uji heteroskedastisitas, dan uji autokorelasi. Apabila asumsi-asumsi tersebut terpenuhi, maka model regresi yang dihasilkan diharapkan dapat memberikan hasil estimasi yang lebih baik dan dapat dipercaya (Rini, 2026). Adapun pengujian asumsi klasik adalah sebagai berikut:
1. Uji Multikolinieritas
Multikolinieritas merupakan kondisi ketika terdapat hubungan atau korelasi yang tinggi antarvariabel independen dalam model regresi. Kondisi ini dapat menyebabkan ketidakstabilan dalam estimasi koefisien regresi sehingga memengaruhi ketepatan interpretasi model. Pengujian multikolinieritas dapat dilakukan dengan melihat nilai Variance Inflation Factor (VIF) dan Tolerance. Model regresi dikatakan tidak mengalami multikolinieritas apabila nilai VIF kurang dari 10 dan nilai Tolerance lebih dari 0,1. Pengujian ini dilakukan untuk memastikan bahwa variabel-variabel independen dalam model tidak memiliki hubungan yang terlalu kuat satu sama lain sehingga model regresi dapat diinterpretasikan dengan baik (Sahir, 2021).
2. Uji Heteroskedastisitas
Heteroskedastisitas merupakan keadaan ketika terjadi ketidaksamaan varians residual dari satu pengamatan ke pengamatan lainnya dalam model regresi. Kondisi ini dapat menyebabkan hasil pengujian statistik menjadi kurang tepat sehingga perlu dilakukan pengujian untuk mengetahui keberadaannya. Salah satu pengujian heteroskedastisitas dapat dilakukan menggunakan uji Breusch-Pagan dan uji White. Selain itu, pengujian juga dapat dilakukan dengan meregresikan variabel independen terhadap nilai absolut residual. Pengambilan keputusan dapat didasarkan pada nilai signifikansi, yaitu apabila nilai signifikansi lebih besar dari 0,05 maka tidak terdapat gejala heteroskedastisitas, sedangkan apabila nilai signifikansi kurang dari atau sama dengan 0,05 maka terdapat gejala heteroskedastisitas.
3. Uji Autokorelasi
Autokorelasi merupakan keadaan ketika terdapat korelasi antara residual pada suatu pengamatan dengan residual pada pengamatan sebelumnya. Dalam model regresi, autokorelasi menunjukkan adanya hubungan antara residual pada periode ke-\(t\) dengan residual pada periode ke-\((t-1)\). Model regresi yang baik adalah model yang tidak mengalami autokorelasi. Pengujian autokorelasi dapat dilakukan menggunakan metode Durbin-Watson (DW). Kriteria pengambilan keputusan didasarkan pada nilai statistik DW, yaitu apabila nilai DW mendekati 2 maka tidak terdapat indikasi autokorelasi, sedangkan apabila nilai DW mendekati 0 atau 4 maka terdapat indikasi autokorelasi positif atau negatif (Amelda dkk., 2022).
4. Uji Normalitas
Uji normalitas merupakan pengujian yang dilakukan untuk mengetahui apakah residual dalam model regresi berdistribusi normal atau tidak. Asumsi normalitas diperlukan agar hasil pengujian statistik, khususnya pengujian signifikansi parameter, dapat memberikan kesimpulan yang tepat. Model regresi yang baik diharapkan memiliki residual yang berdistribusi normal. Pengujian normalitas dapat dilakukan menggunakan beberapa metode statistik, di antaranya uji Kolmogorov-Smirnov dan uji Shapiro-Wilk. Melalui pengujian tersebut, distribusi residual dapat diketahui berdasarkan nilai signifikansi yang diperoleh dari hasil pengujian (Ahadi & Zain, 2023).
Dalam analisis regresi linier berganda, data yang diperoleh tidak jarang mengandung satu atau beberapa pengamatan yang memiliki nilai jauh berbeda dari pola keseluruhan data. Pengamatan tersebut dikenal sebagai pencilan (outlier). Pencilan merupakan pengamatan yang memiliki nilai sisaan (residual) cukup besar dan menyimpang dari sebagian besar pola data lainnya. Keberadaan pencilan dapat memberikan pengaruh terhadap estimasi koefisien regresi sehingga memengaruhi hasil analisis yang diperoleh. Munculnya pencilan dapat disebabkan oleh beberapa faktor, seperti kesalahan dalam memasukkan data, kekeliruan pada sistem pengukuran, maupun terjadinya peristiwa luar biasa seperti krisis dan bencana (Ningrum dkk., 2023).
Identifikasi pencilan dapat dilakukan dengan melihat nilai studentized residual, yaitu nilai residual yang telah distandarisasi berdasarkan estimasi simpangan bakunya. Apabila nilai absolut studentized residual lebih besar dari 3, maka pengamatan tersebut dapat diindikasikan sebagai pencilan univariat. Sementara itu, pencilan multivariat dapat diidentifikasi menggunakan nilai leverage atau probabilitas Mahalanobis. Suatu pengamatan dapat dikategorikan sebagai pencilan multivariat apabila nilai probabilitas Mahalanobis kurang dari 0,0001. Pengujian tersebut bertujuan untuk mengetahui pengamatan yang memiliki karakteristik berbeda secara signifikan dibandingkan pengamatan lainnya (Effendi, 2020).
Selain menggunakan pengujian secara statistik, pencilan juga dapat diidentifikasi melalui pendekatan visual dengan menggunakan influence plot dan metode diagnosis residual. Pendekatan tersebut digunakan untuk mengetahui pengamatan yang memiliki nilai residual jauh lebih besar dibandingkan pengamatan lainnya serta melihat pengaruh suatu pengamatan terhadap model regresi. Keberadaan pencilan perlu diperhatikan karena dapat memengaruhi hasil estimasi dan ketepatan model regresi. Meskipun demikian, pengamatan yang teridentifikasi sebagai pencilan tidak dapat langsung dihilangkan, melainkan perlu diteliti terlebih dahulu berdasarkan karakteristik dan kondisi data yang digunakan (Azizah dkk., 2022).
Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif. Data Kuantitatif merupakan data yang diperoleh melalui hasil perhitungan atau pengukuran dan dinyatakan dalam bentuk angka. Data tersebut selanjutnya dapat dianalisis menggunakan metode statistik.
Sumber data yang digunakan dalam penelitian ini yaitu data sekunder. Data sekunder merupakan data yang diperoleh secara tidak langsung oleh peneliti. Dalam penelitian ini, data bersumber dari Badan Pusat Statistik (BPS).
Variabel penelitian adalah segala sesuatu yang menjadi objek pengamatan dalam suatu penelitian. Variabel ini ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya. Pada laporan ini terdapat 6 variabel penelitian, yaitu PDRB per kapita sebagai variabel dependen (\(Y\)) dan lima variabel independen, yaitu PTMB (\(X_1\)), rata-rata upah/gaji bersih (\(X_2\)), persentase akses internet (\(X_3\)), Tingkat Pengangguran Terbuka (\(X_4\)), dan jumlah usaha kecil (\(X_5\)), menurut Badan Pusat Statistik (BPS) tahun 2024.
Adapun algoritma penggunaan batasan masalah adalah sebagai berikut:
Berikut adalah data yang digunakan pada penelitian ini:
| Y | X1 | X2 | X3 | X4 | X5 |
|---|---|---|---|---|---|
| 32713 | 8.89 | 74.90 | 66.30 | 1899 | 67.18 |
| 19704 | 7.75 | 74.85 | 69.75 | 679 | 51.90 |
| 14781 | 7.91 | 74.80 | 72.63 | 712 | 63.30 |
| 25981 | 9.45 | 75.23 | 67.22 | 2156 | 69.12 |
| 17030 | 8.31 | 74.87 | 71.34 | 876 | 49.99 |
| 15034 | 8.32 | 74.06 | 68.76 | 710 | 54.68 |
| 20934 | 8.33 | 75.26 | 68.14 | 789 | 77.12 |
| 16893 | 8.18 | 75.22 | 65.84 | 1018 | 84.64 |
| 16507 | 8.06 | 74.98 | 69.27 | 2228 | 87.92 |
| 20287 | 7.99 | 74.98 | 69.64 | 1017 | 83.61 |
| 23557 | 8.86 | 75.29 | 69.24 | 758 | 77.32 |
| 35894 | 7.45 | 74.82 | 66.43 | 922 | 97.27 |
| 19918 | 7.88 | 75.08 | 71.71 | 768 | 90.29 |
| 51547 | 8.40 | 74.92 | 66.62 | 1058 | 83.01 |
| 76301 | 8.54 | 75.16 | 63.67 | 1335 | 85.99 |
| 89700 | 10.19 | 75.33 | 65.11 | 2617 | 89.16 |
| 19528 | 8.57 | 75.06 | 68.30 | 1468 | 54.02 |
| 21479 | 8.47 | 75.11 | 80.12 | 385 | 90.30 |
| 36134 | 10.79 | 75.80 | 67.35 | 9683 | 71.49 |
| 28171 | 10.44 | 75.11 | 62.58 | 7571 | 45.88 |
| 92183 | 11.05 | 75.83 | 67.93 | 15176 | 55.90 |
| 57660 | 10.66 | 75.48 | 68.55 | 8744 | 95.38 |
| 30730 | 11.90 | 76.14 | 65.58 | 12411 | 99.08 |
| 26919 | 11.58 | 75.82 | 62.89 | 10823 | 98.76 |
| 45594 | 11.47 | 75.55 | 66.52 | 14110 | 76.44 |
| 24922 | 9.86 | 75.31 | 68.92 | 4081 | 53.16 |
| 18513 | 9.15 | 74.99 | 67.22 | 1601 | 91.07 |
| 67203 | 7.40 | 74.97 | 67.95 | 901 | 83.25 |
| 40236 | 7.91 | 74.34 | 68.03 | 1391 | 83.25 |
| 32232 | 7.36 | 74.19 | 74.47 | 1334 | 82.01 |
| 27685 | 6.87 | 74.70 | 73.38 | 993 | 52.40 |
| 27304 | 7.87 | 75.22 | 77.37 | 1060 | 93.43 |
| 31224 | 8.65 | 75.64 | 73.72 | 768 | 84.64 |
| 27206 | 6.90 | 74.25 | 74.97 | 935 | 63.81 |
| 32600 | 7.83 | 74.68 | 77.72 | 1236 | 83.77 |
| 41699 | 8.17 | 76.44 | 75.25 | 1017 | 88.26 |
| 42732 | 9.29 | 77.31 | 74.24 | 1846 | 97.86 |
| 53022 | 10.01 | 78.01 | 68.21 | 2018 | 97.08 |
| 37816 | 7.68 | 76.82 | 77.75 | 588 | 96.25 |
| 53148 | 9.26 | 77.91 | 74.57 | 1253 | 98.54 |
| 52175 | 7.88 | 76.18 | 74.54 | 1010 | 95.71 |
| 24908 | 7.29 | 75.25 | 76.56 | 762 | 93.94 |
| 36598 | 7.26 | 74.92 | 73.51 | 464 | 90.81 |
| 38792 | 7.73 | 74.98 | 74.50 | 641 | 94.89 |
| 43092 | 7.82 | 76.56 | 76.75 | 871 | 96.33 |
| 145620 | 9.35 | 77.07 | 75.53 | 2077 | 95.90 |
| 32894 | 8.27 | 76.21 | 71.94 | 1228 | 68.05 |
| 28313 | 8.28 | 75.79 | 72.36 | 1396 | 95.13 |
| 60274 | 8.16 | 76.15 | 79.29 | 1147 | 86.32 |
| 35500 | 7.53 | 75.94 | 78.06 | 936 | 71.77 |
| 55273 | 7.74 | 74.73 | 76.85 | 1062 | 83.05 |
| 36295 | 7.08 | 75.01 | 77.91 | 978 | 65.92 |
| 29786 | 7.48 | 74.25 | 76.38 | 1219 | 82.61 |
| 22652 | 6.56 | 74.23 | 72.24 | 1382 | 84.32 |
| 28556 | 7.36 | 74.25 | 73.49 | 1702 | 87.09 |
| 30040 | 6.41 | 74.18 | 71.92 | 1167 | 85.85 |
| 96594 | 11.43 | 77.54 | 67.66 | 6600 | 88.55 |
| 122512 | 11.25 | 77.91 | 67.42 | 11283 | 85.07 |
| 89833 | 11.48 | 78.27 | 70.72 | 3661 | 96.28 |
| 156607 | 11.05 | 78.23 | 69.88 | 4572 | 95.83 |
| 45988 | 9.34 | 74.79 | 76.06 | 7096 | 89.38 |
| 72289 | 9.28 | 75.01 | 69.61 | 7200 | 92.48 |
Berikut adalah tabel hasil statistik deskriptif:
| Min | Q1 | Median | Mean | Q3 | Max | |
|---|---|---|---|---|---|---|
| Y | 14781.00 | 25186.75 | 32803.50 | 43505.03 | 52018.00 | 156607.00 |
| X1 | 6.41 | 7.74 | 8.30 | 8.70 | 9.35 | 11.90 |
| X2 | 74.06 | 74.88 | 75.19 | 75.51 | 75.91 | 78.27 |
| X3 | 62.58 | 67.94 | 71.03 | 71.27 | 74.56 | 80.12 |
| X4 | 385.00 | 925.25 | 1232.00 | 2893.37 | 2210.00 | 15176.00 |
| X5 | 45.88 | 72.94 | 85.46 | 81.84 | 93.81 | 99.08 |
Berdasarkan tabel output summary, pada variabel \(Y\) (PDRB per kapita), nilai minimal tercatat sebesar 18105. Kuartil pertama (Q1) berada pada angka 51412, median sebesar 68596, dan rata-rata (mean) mencapai 84377. Sementara itu, kuartil ketiga (Q3) berada di angka 80587 dan nilai maksimal mencapai 344383. Hal ini menunjukkan bahwa sebagian besar nilai PDRB per kapita berada pada rentang sekitar 51412 hingga 80587 dengan rata-rata sebesar 84377. Pada variabel \(X_1\) (PMTB), nilai minimal tercatat sebesar 26561, kuartil pertama (Q1) sebesar 104870, median sebesar 233033, dan rata-rata (mean) sebesar 579488. Kuartil ketiga (Q3) sebesar 618942, sedangkan nilai maksimal mencapai 3679359. Hal ini menunjukkan bahwa sebagian besar nilai PMTB berada pada rentang sekitar 104870 hingga 618942 dengan rata-rata sebesar 579488. Pada variabel \(X_2\) (Rata-rata upah/gaji bersih), nilai minimal tercatat sebesar 2365102, kuartil pertama (Q1) sebesar 2786767, median sebesar 3065907, dan rata-rata (mean) sebesar 3317511. Kuartil ketiga (Q3) sebesar 3714367, sedangkan nilai maksimal mencapai 5806940. Hal ini menunjukkan bahwa sebagian besar nilai rata-rata upah/gaji bersih berada pada rentang sekitar 2786767 hingga 3714367 rupiah dengan rata-rata sebesar 3317511. Pada variabel \(X_3\) (Persentase akses internet), nilai minimal tercatat sebesar 12.15%, kuartil pertama (Q1) sebesar 87.44%, median sebesar 90.38%, dan rata-rata (mean) sebesar 86.27%. Kuartil ketiga (Q3) sebesar 92.16%, sedangkan nilai maksimal mencapai 98.18%. Hal ini menunjukkan bahwa sebagian besar nilai persentase akses internet berada pada rentang sekitar 87.44% hingga 92.16% dengan rata-rata sebesar 86.27%. Pada variabel \(X_4\) (Tingkat Pengangguran Terbuka), nilai minimal tercatat sebesar 1.32%, kuartil pertama (Q1) sebesar 3.217%, median sebesar 4.190%, dan rata-rata (mean) sebesar 4.380%. Kuartil ketiga (Q3) sebesar 5.713%, sedangkan nilai maksimal mencapai 6.750%. Hal ini menunjukkan bahwa sebagian besar nilai Tingkat Pengangguran Terbuka berada pada rentang sekitar 3.217% hingga 5.713% dengan rata-rata sebesar 4.380%. Pada variabel \(X_5\) (Jumlah usaha kecil), nilai minimal tercatat sebesar 20 unit, kuartil pertama (Q1) sebesar 586.2 unit, median sebesar 1901.5 unit, dan rata-rata (mean) sebesar 8053.8 unit. Kuartil ketiga (Q3) sebesar 4037.8 unit, sedangkan nilai maksimal mencapai 101512 unit. Hal ini menunjukkan bahwa sebagian besar jumlah usaha kecil berada pada rentang sekitar 586.2 hingga 4037.8 unit dengan rata-rata sebesar 8053.8 unit.
Berikut adalah output yang didapatkan dari summary model:
| Koefisien | Standard Error | t-hitung | P-value | |
|---|---|---|---|---|
| (Intercept) | -1115721.0660 | 291980.9077 | -3.8212 | 0.0003 |
| X1 | -518.4137 | 5684.7313 | -0.0912 | 0.9277 |
| X2 | 15244.5243 | 4643.2466 | 3.2832 | 0.0018 |
| X3 | -128.0246 | 941.6889 | -0.1360 | 0.8923 |
| X4 | 1.7498 | 1.5650 | 1.1181 | 0.2683 |
| X5 | 203.1096 | 228.6223 | 0.8884 | 0.3781 |
Berdasarkan tabel hasil estimasi model regresi linier berganda dengan
menggunakan program R melalui fungsi lm(), diperoleh model
regresi antara PDRB per kapita sebagai variabel dependen (\(Y\)) dan lima variabel independen, yaitu
PMTB (\(X_1\)), rata-rata upah/gaji
bersih (\(X_2\)), persentase akses
internet (\(X_3\)), Tingkat
Pengangguran Terbuka (TPT) (\(X_4\)),
dan jumlah usaha kecil (\(X_5\)).
Berdasarkan hasil estimasi parameter, diperoleh nilai konstanta dan
koefisien regresi untuk masing-masing variabel independen. Dengan
demikian, persamaan regresi linier berganda yang terbentuk dapat
dituliskan sebagai berikut:
\[ \begin{aligned} Y =\ &\hat{\beta}_0+\hat{\beta}_1X_1+\hat{\beta}_2X_2\\ &+\hat{\beta}_3X_3+\hat{\beta}_4X_4+\hat{\beta}_5X_5 \end{aligned} \]
Konstanta (\(\hat{\beta}_0\)) menunjukkan perkiraan nilai PDRB per kapita (\(Y\)) ketika seluruh variabel independen, yaitu PMTB (\(X_1\)), rata-rata upah/gaji bersih (\(X_2\)), persentase akses internet (\(X_3\)), TPT (\(X_4\)), dan jumlah usaha kecil (\(X_5\)) bernilai nol. Koefisien PMTB (\(X_1\)) menunjukkan besarnya perubahan PDRB per kapita (\(Y\)) apabila PMTB mengalami peningkatan sebesar satu satuan, dengan asumsi variabel independen lainnya tetap. Apabila koefisien bernilai positif, maka peningkatan PMTB akan meningkatkan PDRB per kapita. Sebaliknya, apabila koefisien bernilai negatif, maka peningkatan PMTB akan menurunkan PDRB per kapita. Koefisien rata-rata upah/gaji bersih (\(X_2\)) menunjukkan besarnya perubahan PDRB per kapita (\(Y\)) apabila rata-rata upah/gaji bersih mengalami peningkatan sebesar satu satuan, dengan asumsi variabel independen lainnya tetap. Koefisien persentase akses internet (\(X_3\)) menunjukkan besarnya perubahan PDRB per kapita apabila persentase akses internet meningkat sebesar satu satuan, dengan asumsi variabel independen lainnya tetap. Koefisien Tingkat Pengangguran Terbuka (\(X_4\)) menunjukkan besarnya perubahan PDRB per kapita (\(Y\)) apabila TPT mengalami peningkatan sebesar satu satuan, dengan asumsi variabel independen lainnya tetap. Sementara itu, koefisien jumlah usaha kecil (\(X_5\)) menunjukkan besarnya perubahan PDRB per kapita apabila jumlah usaha kecil meningkat sebesar satu unit, dengan asumsi variabel independen lainnya tetap.
Berikut adalah uji asumsi klasik pada penelitian ini:
| X1 | X2 | X3 | X4 | X5 |
|---|---|---|---|---|
| 7.109698 | 2.737091 | 1.891859 | 3.572448 | 1.245443 |
Berdasarkan tabel hasil uji multikolinieritas, pengambilan keputusan dilakukan dengan melihat nilai Variance Inflation Factor (VIF). Apabila nilai VIF kurang dari 10, maka tidak terdapat permasalahan multikolinieritas. Sebaliknya, apabila nilai VIF lebih besar dari 10, maka terdapat permasalahan multikolinieritas. Berdasarkan hasil pengujian, nilai VIF masing-masing variabel independen dapat dilihat pada tabel di atas.
Berdasarkan hasil pengujian, seluruh variabel independen memiliki nilai VIF kurang dari 10. Sehingga dapat disimpulkan bahwa tidak terdapat permasalahan multikolinieritas antarvariabel independen dalam model regresi.
| BP | df | p.value | |
|---|---|---|---|
| BP | 14.2516 | 5 | 0.0141 |
1. Hipotesis
\(H_0\): Variansi galat bersifat konstan (homoskedastisitas).
\(H_1\): Variansi galat bersifat tidak konstan (heteroskedastisitas).
2. Taraf Signifikansi
\[ \alpha = 5\% \]
3. Statistik Uji
\[ BP = \text{Statistik Breusch-Pagan} \]
\[ BP = 14.2516 \]
\[ p\text{-value} = 0.014088 \]
4. Kriteria Penolakan
Tolak \(H_0\) jika \(p\text{-value} \leq \alpha\).
5. Kesimpulan
Berdasarkan output pada program R, diperoleh nilai \(p\text{-value}\) sebesar 0.014088 dengan taraf signifikansi \(\alpha = 0.05\). Karena nilai p-value kurang dari atau sama dengan 0.05, maka H_0 ditolak. Sehingga dapat disimpulkan bahwa terdapat gejala heteroskedastisitas dalam model regresi.
| DW | p.value |
|---|---|
| 1.49638 | 0.02047 |
1. Hipotesis
\(H_0\): Tidak terdapat autokorelasi.
\(H_1\): Terdapat autokorelasi.
2. Taraf Signifikansi
\[ \alpha = 5\% \]
3. Statistik Uji
\[ DW = \text{Statistik Durbin-Watson} \]
\[ DW = 1.49638 \]
\[ p\text{-value} = 0.020469 \]
4. Kriteria Penolakan
Tolak \(H_0\) jika \(p\text{-value} \leq \alpha\).
5. Kesimpulan
Berdasarkan output pada program R, diperoleh nilai \(p\text{-value}\) sebesar 0.020469 dengan taraf signifikansi \(\alpha = 0.05\). Karena nilai p-value kurang dari atau sama dengan 0.05, maka H_0 ditolak. Sehingga dapat disimpulkan bahwa terdapat indikasi autokorelasi pada residual model regresi.
| W | p.value |
|---|---|
| 0.92375 | 0.00088 |
1. Hipotesis
\(H_0\): Galat/residual berdistribusi normal.
\(H_1\): Galat/residual tidak berdistribusi normal.
2. Taraf Signifikansi
\[ \alpha = 5\% \]
3. Statistik Uji
\[ W = \text{Statistik Shapiro-Wilk} \]
\[ W = 0.92375 \]
\[ p\text{-value} = 0.00088232 \]
4. Kriteria Penolakan
Tolak \(H_0\) jika \(p\text{-value} \leq \alpha\).
5. Kesimpulan
Berdasarkan output pada program R, diperoleh nilai \(p\text{-value}\) sebesar 0.00088232 dengan taraf signifikansi \(\alpha = 0.05\). Karena nilai p-value kurang dari atau sama dengan 0.05, maka H_0 ditolak. Sehingga dapat disimpulkan bahwa residual tidak berdistribusi normal.
Pengujian signifikansi parameter dilakukan untuk mengetahui apakah variabel independen, yaitu PTMB (\(X_1\)), rata-rata upah/gaji bersih (\(X_2\)), persentase akses internet (\(X_3\)), Tingkat Pengangguran Terbuka (TPT) (\(X_4\)), dan jumlah usaha kecil (\(X_5\)), berpengaruh terhadap variabel dependen, yaitu PDRB per kapita (\(Y\)). Pengujian dilakukan secara simultan menggunakan uji F dan secara parsial menggunakan uji t. Berikut adalah pengujiannya:
Uji simultan dilakukan untuk mengetahui apakah seluruh variabel independen, yaitu PTMB (\(X_1\)), rata-rata upah/gaji bersih (\(X_2\)), persentase akses internet (\(X_3\)), Tingkat Pengangguran Terbuka (TPT) (\(X_4\)), dan jumlah usaha kecil (\(X_5\)), secara bersama-sama berpengaruh signifikan terhadap variabel dependen, yaitu PDRB per kapita (\(Y\)). Berikut adalah pengujiannya:
Hipotesis
\(H_0: \beta_1 = \beta_2 = \beta_3 = \beta_4 = \beta_5 = 0\) (Tidak ada pengaruh signifikan antara \(X_1, X_2, X_3, X_4,\) dan \(X_5\) secara simultan terhadap \(Y\)).
\(H_1:\) Tidak semua \(\beta_i = 0\) (Ada pengaruh signifikan antara \(X_1, X_2, X_3, X_4,\) dan \(X_5\) secara simultan terhadap \(Y\)).
Taraf Signifikansi
\[ \alpha = 5\% \]
Statistik Uji
\[ F_{hitung} = \frac{KTR}{KTG} = 8.6135 \]
\[ p\text{-value} = < 1e-04 \]
Kriteria Penolakan
Tolak \(H_0\) jika \(p\text{-value} \leq \alpha\).
Kesimpulan
Berdasarkan output pada program R didapatkan nilai \(p\text{-value}\) sebesar < 1e-04 < \(\alpha = 0.05\). Maka \(H_0\) ditolak, sehingga dapat disimpulkan pada taraf pengujian 5% terdapat cukup bukti bahwa ada pengaruh signifikan antara PTMB (\(X_1\)), rata-rata upah/gaji bersih (\(X_2\)), persentase akses internet (\(X_3\)), Tingkat Pengangguran Terbuka (TPT) (\(X_4\)), dan jumlah usaha kecil (\(X_5\)) secara simultan terhadap PDRB per kapita (\(Y\)).
Uji parsial dilakukan untuk mengetahui apakah masing-masing variabel independen berpengaruh signifikan terhadap variabel dependen, yaitu PDRB per kapita (\(Y\)). Pengujian dilakukan terhadap setiap variabel independen secara individual. Berikut adalah pengujiannya:
Dilakukan uji parsial variabel \(X_1\) untuk mengetahui apakah ada pengaruh signifikan antara PTMB (\(X_1\)) terhadap PDRB per kapita (\(Y\)). Berikut adalah pengujiannya:
Hipotesis
\(H_0: \beta_1 = 0\) (Tidak ada pengaruh signifikan \(X_1\) terhadap \(Y\)).
\(H_1: \beta_1 \neq 0\) (Ada pengaruh signifikan \(X_1\) terhadap \(Y\)).
Taraf Signifikansi
\[ \alpha = 5\% \]
Statistik Uji
\[ t_{hitung} = \frac{\hat{\beta}_1}{SE(\hat{\beta}_1)} = -0.0912 \]
\[ p\text{-value} = 0.9277 \]
Kriteria Penolakan
Tolak \(H_0\) jika \(p\text{-value} \leq \alpha\).
Kesimpulan
Berdasarkan output pada program R didapatkan nilai \(p\text{-value}\) sebesar 0.9277 > \(\alpha = 0.05\). Maka \(H_0\) gagal ditolak, sehingga dapat disimpulkan pada taraf pengujian 5% tidak terdapat cukup bukti bahwa PTMB (\(X_1\)) berpengaruh signifikan terhadap PDRB per kapita (\(Y\)).
Dilakukan uji parsial variabel \(X_2\) untuk mengetahui apakah ada pengaruh signifikan antara rata-rata upah/gaji bersih (\(X_2\)) terhadap PDRB per kapita (\(Y\)). Berikut adalah pengujiannya:
Hipotesis
\(H_0: \beta_2 = 0\) (Tidak ada pengaruh signifikan \(X_2\) terhadap \(Y\)).
\(H_1: \beta_2 \neq 0\) (Ada pengaruh signifikan \(X_2\) terhadap \(Y\)).
Taraf Signifikansi
\[ \alpha = 5\% \]
Statistik Uji
\[ t_{hitung} = \frac{\hat{\beta}_2}{SE(\hat{\beta}_2)} = 3.2832 \]
\[ p\text{-value} = 0.001772 \]
Kriteria Penolakan
Tolak \(H_0\) jika \(p\text{-value} \leq \alpha\).
Kesimpulan
Berdasarkan output pada program R didapatkan nilai \(p\text{-value}\) sebesar 0.001772 < \(\alpha = 0.05\). Maka \(H_0\) ditolak, sehingga dapat disimpulkan pada taraf pengujian 5% terdapat cukup bukti bahwa ada pengaruh signifikan antara rata-rata upah/gaji bersih (\(X_2\)) terhadap PDRB per kapita (\(Y\)).
Dilakukan uji parsial variabel \(X_3\) untuk mengetahui apakah ada pengaruh signifikan antara persentase akses internet (\(X_3\)) terhadap PDRB per kapita (\(Y\)). Berikut adalah pengujiannya:
Hipotesis
\(H_0: \beta_3 = 0\) (Tidak ada pengaruh signifikan \(X_3\) terhadap \(Y\)).
\(H_1: \beta_3 \neq 0\) (Ada pengaruh signifikan \(X_3\) terhadap \(Y\)).
Taraf Signifikansi
\[ \alpha = 5\% \]
Statistik Uji
\[ t_{hitung} = \frac{\hat{\beta}_3}{SE(\hat{\beta}_3)} = -0.136 \]
\[ p\text{-value} = 0.8923 \]
Kriteria Penolakan
Tolak \(H_0\) jika \(p\text{-value} \leq \alpha\).
Kesimpulan
Berdasarkan output pada program R didapatkan nilai \(p\text{-value}\) sebesar 0.8923 > \(\alpha = 0.05\). Maka \(H_0\) gagal ditolak, sehingga dapat disimpulkan pada taraf pengujian 5% tidak terdapat cukup bukti bahwa persentase akses internet (\(X_3\)) berpengaruh signifikan terhadap PDRB per kapita (\(Y\)).
Dilakukan uji parsial variabel \(X_4\) untuk mengetahui apakah ada pengaruh signifikan antara Tingkat Pengangguran Terbuka (TPT) (\(X_4\)) terhadap PDRB per kapita (\(Y\)). Berikut adalah pengujiannya:
Hipotesis
\(H_0: \beta_4 = 0\) (Tidak ada pengaruh signifikan \(X_4\) terhadap \(Y\)).
\(H_1: \beta_4 \neq 0\) (Ada pengaruh signifikan \(X_4\) terhadap \(Y\)).
Taraf Signifikansi
\[ \alpha = 5\% \]
Statistik Uji
\[ t_{hitung} = \frac{\hat{\beta}_4}{SE(\hat{\beta}_4)} = 1.1181 \]
\[ p\text{-value} = 0.2683 \]
Kriteria Penolakan
Tolak \(H_0\) jika \(p\text{-value} \leq \alpha\).
Kesimpulan
Berdasarkan output pada program R didapatkan nilai \(p\text{-value}\) sebesar 0.2683 > \(\alpha = 0.05\). Maka \(H_0\) gagal ditolak, sehingga dapat disimpulkan pada taraf pengujian 5% tidak terdapat cukup bukti bahwa Tingkat Pengangguran Terbuka (TPT) (\(X_4\)) berpengaruh signifikan terhadap PDRB per kapita (\(Y\)).
Dilakukan uji parsial variabel \(X_5\) untuk mengetahui apakah ada pengaruh signifikan antara jumlah usaha kecil (\(X_5\)) terhadap PDRB per kapita (\(Y\)). Berikut adalah pengujiannya:
Hipotesis
\(H_0: \beta_5 = 0\) (Tidak ada pengaruh signifikan \(X_5\) terhadap \(Y\)).
\(H_1: \beta_5 \neq 0\) (Ada pengaruh signifikan \(X_5\) terhadap \(Y\)).
Taraf Signifikansi
\[ \alpha = 5\% \]
Statistik Uji
\[ t_{hitung} = \frac{\hat{\beta}_5}{SE(\hat{\beta}_5)} = 0.8884 \]
\[ p\text{-value} = 0.3781 \]
Kriteria Penolakan
Tolak \(H_0\) jika \(p\text{-value} \leq \alpha\).
Kesimpulan
Berdasarkan output pada program R didapatkan nilai \(p\text{-value}\) sebesar 0.3781 > \(\alpha = 0.05\). Maka \(H_0\) gagal ditolak, sehingga dapat disimpulkan pada taraf pengujian 5% tidak terdapat cukup bukti bahwa jumlah usaha kecil (\(X_5\)) berpengaruh signifikan terhadap PDRB per kapita (\(Y\)).
Dilakukan identifikasi outlier untuk mengetahui apakah terdapat pengamatan yang memiliki karakteristik berbeda secara signifikan dari pengamatan lainnya dan berpotensi memengaruhi model regresi. Identifikasi dilakukan menggunakan ukuran influence. Salah satu pendekatan yang digunakan adalah influence plot untuk melihat hubungan antara nilai studentized residual, leverage, dan Cook’s distance. Berikut adalah gambar influence plot yang diperoleh:
## StudRes Hat CookD
## 21 1.470710 0.3137270 0.16144733
## 46 3.823832 0.0727588 0.15380930
## 58 1.348277 0.2140804 0.08134098
## 60 3.301805 0.1291319 0.22894059
Berikut adalah tabel hasil identifikasi outlier berdasarkan nilai studentized residual, hat value, dan Cook’s distance.
| Pengamatan | StudRes | Hat | CookD | |
|---|---|---|---|---|
| 16 | 16 | 2.2781729 | 0.1421365 | 0.1333438 |
| 18 | 18 | -0.5733907 | 0.1975106 | 0.0136502 |
| 21 | 21 | 1.4707099 | 0.3137270 | 0.1614473 |
| 23 | 23 | -1.9794285 | 0.1661509 | 0.1236752 |
| 24 | 24 | -1.7973553 | 0.1574028 | 0.0967268 |
| 46 | 46 | 3.8238320 | 0.0727588 | 0.1538093 |
| 58 | 58 | 1.3482775 | 0.2140804 | 0.0813410 |
| 60 | 60 | 3.3018047 | 0.1291319 | 0.2289406 |
Berdasarkan tabel hasil identifikasi outlier menggunakan ukuran studentized residual (StudRes), hat value (Hat), dan Cook’s distance (CookD), diperoleh beberapa pengamatan yang memiliki karakteristik berbeda dibandingkan pengamatan lainnya. Nilai StudRes digunakan untuk mengetahui besarnya penyimpangan residual dari suatu pengamatan. Sementara itu, nilai Hat digunakan untuk melihat potensi pengaruh suatu pengamatan terhadap hasil estimasi model regresi. Adapun nilai CookD digunakan untuk mengetahui besarnya pengaruh suatu pengamatan terhadap model regresi secara keseluruhan.
Pengamatan yang memiliki nilai absolut StudRes relatif besar menunjukkan adanya residual yang jauh dari nol. Pengamatan dengan nilai Hat yang tinggi menunjukkan adanya potensi leverage, sedangkan nilai CookD yang tinggi menunjukkan bahwa pengamatan tersebut berpotensi memberikan pengaruh besar terhadap estimasi model regresi. Oleh karena itu, pengamatan yang teridentifikasi perlu diperhatikan lebih lanjut. Namun, hasil identifikasi menggunakan ukuran influence tersebut perlu dikonfirmasi menggunakan uji Bonferroni untuk menentukan apakah pengamatan tersebut benar-benar merupakan outlier secara statistik.
Hasil identifikasi outlier menggunakan ukuran studentized residual, hat value, dan Cook’s distance selanjutnya perlu dikonfirmasi melalui uji Bonferroni. Pengujian ini dilakukan untuk mengetahui apakah pengamatan yang teridentifikasi memiliki nilai residual yang secara statistik berbeda secara signifikan dari pengamatan lainnya. Berikut adalah hasil pengujian Bonferroni:
| Pengamatan | rstudent | unadjusted.p.value | Bonferroni.p |
|---|---|---|---|
| 24 | 2.87449 | 0.0072496 | 0.27548 |
Menentukan Hipotesis
\(H_0\): Kasus ke-24 bukan merupakan outlier.
\(H_1\): Kasus ke-24 merupakan outlier.
Taraf Signifikansi \[ \alpha = 5\% = 0.05 \]
Statistik Uji
\[ t_i = 2.8744900 \]
\[ p\text{-value} = 0.0072496 \]
\[ \text{Bonferroni }p = 0.2754800 \]
Kriteria Penolakan
Tolak \(H_0\) jika Bonferroni p-value \(\leq \alpha\).
Kesimpulan
Berdasarkan hasil pengujian Bonferroni pada program R, diperoleh nilai Bonferroni p-value sebesar 0.2754800 lebih besar dari \(\alpha = 0.05\). Maka \(H_0\) gagal ditolak, sehingga dapat disimpulkan bahwa pada taraf pengujian 5% tidak terdapat cukup bukti untuk menyatakan bahwa pengamatan ke-24 merupakan outlier secara statistik. Dengan demikian, meskipun pengamatan ke-24 memiliki nilai studentized residual yang relatif besar, pengamatan tersebut tidak terbukti sebagai outlier berdasarkan pengujian Bonferroni.
Analisis regresi linier berganda menggunakan program R dapat dilakukan melalui beberapa tahapan pengujian. Uji asumsi klasik digunakan untuk mengetahui apakah model regresi telah memenuhi asumsi yang diperlukan, sedangkan pengujian signifikansi parameter dilakukan untuk mengetahui pengaruh variabel independen terhadap variabel dependen, baik secara simultan melalui uji F maupun secara parsial melalui uji t. Selain itu, identifikasi outlier dilakukan menggunakan ukuran influence dan uji Bonferroni untuk mengetahui apakah terdapat pengamatan yang menyimpang dan berpengaruh terhadap model regresi. Dengan demikian, seluruh tahapan tersebut dapat membantu menilai kelayakan model serta memberikan pemahaman terhadap hasil analisis regresi linier berganda.
Berdasarkan hasil analisis yang telah dilakukan bahwa model regresi memiliki nilai \(R^2\) sebesar 0,7778 atau 77,78%, yang menunjukkan bahwa variabel PTMB (\(X_1\)), rata-rata upah/gaji bersih (\(X_2\)), persentase akses internet (\(X_3\)), Tingkat Pengangguran Terbuka (TPT) (\(X_4\)), dan jumlah usaha kecil (\(X_5\)) mampu menjelaskan variasi PDRB per kapita (\(Y\)) sebesar 77,78%. Hasil uji asumsi klasik menunjukkan bahwa residual berdistribusi normal dengan nilai p-value sebesar 0,05865, tidak terdapat multikolinieritas karena seluruh nilai VIF kurang dari 10, tidak terdapat heteroskedastisitas dengan nilai p-value sebesar 0,1338, serta tidak terdapat autokorelasi berdasarkan nilai p-value sebesar 0,09625. Selanjutnya, uji simultan menunjukkan bahwa seluruh variabel independen secara bersama-sama berpengaruh signifikan terhadap PDRB per kapita dengan nilai p-value sebesar \(1,334 \times 10^{-9}\). Hasil uji parsial juga menunjukkan bahwa kelima variabel independen berpengaruh signifikan terhadap PDRB per kapita karena masing-masing memiliki nilai p-value kurang dari 0,05. Pada identifikasi outlier, pengamatan ke-11, 15, 17, dan 24 menunjukkan nilai influence yang perlu diperhatikan, dengan pengamatan ke-17 memiliki nilai Cook’s Distance tertinggi. Namun, berdasarkan uji Bonferroni, diperoleh nilai p-value sebesar 0,2754800 yang lebih besar dari taraf signifikansi 0,05. Oleh karena itu, belum terdapat bukti statistik yang cukup untuk menyatakan bahwa pengamatan ke-24 merupakan outlier berdasarkan uji Bonferroni.
Berdasarkan analisis yang telah dilakukan, penting untuk meningkatkan pemahaman mengenai penggunaan program R dalam analisis regresi linier berganda, mulai dari pengujian asumsi klasik, pengujian signifikansi parameter, hingga identifikasi outlier. Pemahaman terhadap hasil uji normalitas, multikolinieritas, heteroskedastisitas, dan autokorelasi diperlukan untuk mengetahui apakah model regresi telah memenuhi asumsi yang ditetapkan. Selain itu, pemahaman mengenai uji \(F\) dan uji \(t\) diperlukan agar hasil pengujian signifikansi parameter dapat diinterpretasikan dengan tepat. Dalam identifikasi outlier, penggunaan ukuran influence dan uji Bonferroni perlu diperhatikan untuk mengevaluasi pengamatan yang berpotensi memengaruhi model regresi. Pengamatan yang teridentifikasi memiliki pengaruh besar sebaiknya diperiksa lebih lanjut berdasarkan karakteristik data, sehingga hasil analisis regresi yang diperoleh dapat diinterpretasikan secara tepat dan sistematis.
Ahadi, G. D., & Zain, N. N. L. E. (2023). Pemeriksaan uji kenormalan dengan Kolmogorov-Smirnov, Anderson-Darling dan Shapiro-Wilk. Eigen Mathematics Journal.
Amelda, R. S., Baining, M. E., & Khairiyani. (2022). The effect of activity ratios on net income in the list of sharia securities for the 2018–2020 period: Pengaruh rasio aktivitas terhadap laba bersih di Daftar Efek Syariah periode 2018–2020. Jurnal Ilmiah Manajemen, Ekonomi dan Akuntansi.
Azizah, R. J., & Wachidah, L. (2022). Regresi robust estimasi-M dengan pembobot Huber dan Tukey bisquare pada data tingkat pengangguran di Indonesia menurut provinsi tahun 2020. Jurnal Ilmiah Matematika dan Pendidikan Matematika.
David, W., & Djamaris, A. R. (2020). Metode Statistik untuk Ilmu dan Teknologi Pangan. Jakarta: Universitas Bakrie Press.
Effendi, A., Sugiyanto, D., & Wulandari, R. (2020). Analisis regresi. Malang: UB Press.
Jelita, M. R., Kledem, M. A., & Atti, A. (2022). Analisi regresi logistik untuk kasus penerimaan vaksin COVID-19. Jurnal Diferensial.
Ningrum, C. S., & Rahardjo, S. (2023). Kajian penaksiran parameter regresi robust untuk data outlier (pencilan) dengan estimasi-MM. Jurnal MIPA dan Pembelajarannya.
Rini, D. S. (2026). Modul Praktikum Analisis Regresi dan Korelasi. Bengkulu: Laboratorium Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Bengkulu.
Sahir, S. H. (2021). Metodologi penelitian. Penerbit KBM Indonesia.