Data Pembangunan Manusia Kabupaten Bandung 2010-2019

DESKRIPSI DATA

Data Yang Saya Gunakan Di Ambil Dari https://bandungkab.bps.go.id/statictable/2020/03/09/35/indeks-pembangunan-manusia-kabupaten-bandung-2010-2019.html Dan Saya Ubah Sesuai Dengan Kolom Yang Akan Saya Predisikan https://drive.google.com/file/d/1wU8U8RWfiQnFng2FVU235dIpYw7G0qgE/view?usp=sharing Penjelasan Data Y = IPM X1 = Angka Harapan Hidup Tahun X2 = Rata Rata Lama Sekolah Tahun X3 = Harapan Lama Sekolah Tahun X4= Pengeluaran per kapita per tahun yang disesuaikan Ribu Rp

library("readxl")

## Warning: package 'readxl' was built under R version 4.0.3

Data_Pembangunan = read_xlsx("Data Pembangunan Manusia Kabupaten Bandung 2010-2019.xlsx")
Data_Pembangunan

## # A tibble: 10 x 6
##    Tahun     Y    X1    X2    X3        X4
##    <chr> <dbl> <dbl> <dbl> <dbl>     <dbl>
##  1 2010   67.3  72.9  7.98  10.8  8740070.
##  2 2011   67.8  72.9  8.14  11.0  8797011.
##  3 2012   68.1  73.0  8.16  11.3  8845583.
##  4 2013   68.6  73.0  8.18  11.5  8977740.
##  5 2014   69.1  73.0  8.34  11.7  8998573.
##  6 2015   70.0  73.1  8.41  12.1  9375209.
##  7 2016   70.7  73.1  8.5   12.4  9580000 
##  8 2017   71.0  73.1  8.51  12.4  9854000 
##  9 2018   71.7  73.3  8.58  12.6 10203000 
## 10 2019   72.4  73.4  8.79  12.7 10502000

MENGURANGI KOLOM TAHUN

## # A tibble: 10 x 5
##        Y    X1    X2    X3        X4
##    <dbl> <dbl> <dbl> <dbl>     <dbl>
##  1  67.3  72.9  7.98  10.8  8740070.
##  2  67.8  72.9  8.14  11.0  8797011.
##  3  68.1  73.0  8.16  11.3  8845583.
##  4  68.6  73.0  8.18  11.5  8977740.
##  5  69.1  73.0  8.34  11.7  8998573.
##  6  70.0  73.1  8.41  12.1  9375209.
##  7  70.7  73.1  8.5   12.4  9580000 
##  8  71.0  73.1  8.51  12.4  9854000 
##  9  71.7  73.3  8.58  12.6 10203000 
## 10  72.4  73.4  8.79  12.7 10502000

MENGECEK VARIABEL

pengujian model ini menggunakan regresi linear ganda yang membandingan pada variabel X1,X2,X3,x4

names(Data_Pembangunan)

## [1] "Y"  "X1" "X2" "X3" "X4"

Data_Pembangunan$Y

##  [1] 67.28079 67.77781 68.13114 68.58001 69.06165 70.04803 70.69233 71.02252
##  [9] 71.74806 72.41000

lm(data = Data_Pembangunan,Y~ X1+X2+X3+X4)

## 
## Call:
## lm(formula = Y ~ X1 + X2 + X3 + X4, data = Data_Pembangunan)
## 
## Coefficients:
## (Intercept)           X1           X2           X3           X4  
##   1.881e+01    2.308e-01    1.253e+00    1.137e+00    1.069e-06

PENGUJIAN MODEL

dari perhitungan di atas dapat di ketahui Y = 1.881e+01 + 1.881e+01 * X1 - 1.253e+00 * X2 1.137e+00 * X3 1.069e-06 * X4

model = lm(data = Data_Pembangunan,Y~ X1+X2+X3+X4)
data_prediksi = data.frame(X1=73.60000,X2=8.960000,X3=13.96,X4=11008000)
predict(model,data_prediksi)

##        1 
## 74.66632

KESIMPULAN

Jadi Dengan menggunakan Model Ini Dapat mendapatkan Hasil Prediksi Yang Agak Tepat Yaitu 74.66632