REGRESI LINEAR GANDA PADA DATA GOOGLE MOBILITY INDEX dan DATA COVID-19 DI DKI JAKARTA BULAN JULI 2021

Lembaga : UIN Maulana Malik Ibrahim Malang
Jurusan : Teknik Informatika

1. Pendahuluan

Analisis regresi digunakan untuk mengukur seberapa besar pengaruh antara variabel bebas dan variabel terikat. Apabila hanya terdapat satu variabel bebas dan satu variabel terikat, maka regresi tersebut dinamakan regresi linear sederhana (Juliandi, Irfan, & Manurung, 2014). Sebaliknya, apabila terdapat lebih dari satu variabel bebas atau variabel terikat, maka disebut regresi linear berganda. Regresi linear berganda merupakan model regresi yang melibatkan lebih dari satu variabel independen. Analisis regresi linear berganda dilakukan untuk mengetahui arah dan seberapa besar pengaruh variabel independen terhadap variabel dependen (Ghozali, 2018).

2. Data Covid-19 Di DKI Jakarta Bulan Juli 2020

library(readxl)

## Warning: package 'readxl' was built under R version 4.1.3

Data <- read_excel(path = "LA.xlsx")
Data

## # A tibble: 1,048,551 x 13
##    Tanggal             Kota    Positif Dirawat Sembuh Meninggal `Self Isolation`
##    <dttm>              <chr>     <dbl>   <dbl>  <dbl>     <dbl>            <dbl>
##  1 2020-07-01 00:00:00 Jakarta  551009   24184 468461      8528            49836
##  2 2020-07-02 00:00:00 Jakarta  560408   25380 473467      8547            53014
##  3 2020-07-03 00:00:00 Jakarta  570110   27442 479150      8577            54941
##  4 2020-07-04 00:00:00 Jakarta  580595   27687 484949      8652            59307
##  5 2020-07-05 00:00:00 Jakarta  591498   28290 491556      8779            62873
##  6 2020-07-06 00:00:00 Jakarta  600937   29136 497492      8861            65448
##  7 2020-07-07 00:00:00 Jakarta  610303   30418 501199      9042            69644
##  8 2020-07-08 00:00:00 JAKARTA   13069     417   8429       667             3556
##  9 2020-07-09 00:00:00 JAKARTA   13359     451   8647       677             3584
## 10 2020-07-10 00:00:00 JAKARTA   13598     476   8825       684             3613
## # ... with 1,048,541 more rows, and 6 more variables:
## #   retail_and_recreation_percent_change_from_baseline <dbl>,
## #   grocery_and_pharmacy_percent_change_from_baseline <dbl>,
## #   parks_percent_change_from_baseline <dbl>,
## #   transit_stations_percent_change_from_baseline <dbl>,
## #   workplaces_percent_change_from_baseline <dbl>,
## #   residential_percent_change_from_baseline <dbl>

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.1.3

library(reshape2)

## Warning: package 'reshape2' was built under R version 4.1.3

x <- Data$Dirawat
retail <- Data$retail_and_recreation_percent_change_from_baseline
grocery <- Data$grocery_and_pharmacy_percent_change_from_baseline
park <- Data$parks_percent_change_from_baseline
station <- Data$transit_stations_percent_change_from_baseline
workplace <- Data$workplaces_percent_change_from_baseline
residental <- Data$residential_percent_change_from_baseline
df <- data.frame(x, retail, grocery, park, station, workplace, residental  )

# melt the data to a long format
df2 <- melt(data = df, id.vars = "x")

# plot, using the aesthetics argument 'colour'
ggplot(data = df2, aes(x = x, y = value, colour = variable))+
  geom_point() +
  geom_line() + 
  theme(legend.justification = "top") +
  labs(title = "Google Mobility Index", 
         subtitle = "Provinsi DKI Jakarta Indonesia Bulan Juli 2020", 
         y = "Mobility", x = "Data Positif") +
theme(axis.text.x = element_text(angle = -90))

## Warning: Removed 6291120 rows containing missing values (geom_point).

## Warning: Removed 6291120 row(s) containing missing values (geom_path).

3. Regresi Linear Berganda

model <- lm(Data$Dirawat~Data$retail_and_recreation_percent_change_from_baseline+Data$grocery_and_pharmacy_percent_change_from_baseline+Data$parks_percent_change_from_baseline+Data$transit_stations_percent_change_from_baseline+Data$workplaces_percent_change_from_baseline+Data$residential_percent_change_from_baseline)
model

## 
## Call:
## lm(formula = Data$Dirawat ~ Data$retail_and_recreation_percent_change_from_baseline + 
##     Data$grocery_and_pharmacy_percent_change_from_baseline + 
##     Data$parks_percent_change_from_baseline + Data$transit_stations_percent_change_from_baseline + 
##     Data$workplaces_percent_change_from_baseline + Data$residential_percent_change_from_baseline)
## 
## Coefficients:
##                                             (Intercept)  
##                                              -194297.32  
## Data$retail_and_recreation_percent_change_from_baseline  
##                                                -3199.28  
##  Data$grocery_and_pharmacy_percent_change_from_baseline  
##                                                 4280.28  
##                 Data$parks_percent_change_from_baseline  
##                                                 -442.73  
##      Data$transit_stations_percent_change_from_baseline  
##                                                -2698.23  
##            Data$workplaces_percent_change_from_baseline  
##                                                  -83.58  
##           Data$residential_percent_change_from_baseline  
##                                                   24.55

4. Uji Asumsi Klasik (Normalitas)

Uji normalitas pada model regresi digunakan untuk menguji apakah nilai residual yang dihasilkan dari regresi terdistribusi secara normal atau tidak. Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi secara normal.Pada contoh berikut akan dilakukakan uji normalitas menggunakan metode One-sample Kolmogorov-Smirnov

ks.test(model$residuals, ecdf(model$residuals))

## 
##  One-sample Kolmogorov-Smirnov test
## 
## data:  model$residuals
## D = 0.032258, p-value = 1
## alternative hypothesis: two-sided

Berdasarkan dasar teori atau syarat dari uji normalitas adalah jika nilai p-value > 0.05 maka data berdistribusi normal. Namun apabila sebaliknya maka data tidak berdstribusi normal. Sehingga dapat disimpulkan bahwa model regresi diatas berdistribusi normal dikarenakan nilai p-value sama dengan 1 dimana > 0.05

5. Interpretasi Data

Dalam menampilkan hasil regresi kita dapat menggunakan fungsi summary.

summary(model)

## 
## Call:
## lm(formula = Data$Dirawat ~ Data$retail_and_recreation_percent_change_from_baseline + 
##     Data$grocery_and_pharmacy_percent_change_from_baseline + 
##     Data$parks_percent_change_from_baseline + Data$transit_stations_percent_change_from_baseline + 
##     Data$workplaces_percent_change_from_baseline + Data$residential_percent_change_from_baseline)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -10165  -6055  -1358   3557  17141 
## 
## Coefficients:
##                                                           Estimate Std. Error
## (Intercept)                                             -194297.32   60712.93
## Data$retail_and_recreation_percent_change_from_baseline   -3199.28    1074.59
## Data$grocery_and_pharmacy_percent_change_from_baseline     4280.28     954.92
## Data$parks_percent_change_from_baseline                    -442.73     326.68
## Data$transit_stations_percent_change_from_baseline        -2698.23     772.92
## Data$workplaces_percent_change_from_baseline                -83.58     304.16
## Data$residential_percent_change_from_baseline                24.55     182.38
##                                                         t value Pr(>|t|)    
## (Intercept)                                              -3.200 0.003838 ** 
## Data$retail_and_recreation_percent_change_from_baseline  -2.977 0.006551 ** 
## Data$grocery_and_pharmacy_percent_change_from_baseline    4.482 0.000155 ***
## Data$parks_percent_change_from_baseline                  -1.355 0.187960    
## Data$transit_stations_percent_change_from_baseline       -3.491 0.001884 ** 
## Data$workplaces_percent_change_from_baseline             -0.275 0.785822    
## Data$residential_percent_change_from_baseline             0.135 0.894040    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 8433 on 24 degrees of freedom
##   (1048520 observations deleted due to missingness)
## Multiple R-squared:  0.5527, Adjusted R-squared:  0.4409 
## F-statistic: 4.943 on 6 and 24 DF,  p-value: 0.002017

Nilai Minimum adalah -10165

Nilai Quartal ke-1 adalah -6055

Nilai Tengah adalah -1358

Nilai Quartal ke-3 adalah 3557

Nilai Maksimum adalah 17141

Dasar teori yang digunakan dalam interpretasi hasil regresi adalah apabila nilai signifikansi (Pr(>|t|)) < 0.05 maka variabel independent (variabel x) secara parsial berpengaruh terhadap variable dependent (variable y). Sehingga dapat disimpulkan :

Variable retail_and_recreation_percent_change_from_baseline signifikan berpengaruh terhadap variable Dirawat

Variable grocery_and_pharmacy_percent_change_from_baseline signifikan berpengaruh terhadap variable Dirawat

Variable parks_percent_change_from_baseline tidak signifikan berpengaruh terhadap variable Dirawat

Variable transit_stations_percent_change_from_baseline signifikan berpengaruh terhadap variable Dirawat

Variable workplaces_percent_change_from_baseline tidak signifikan berpengaruh terhadap variable Dirawat

Variable residential_percent_change_from_baseline tidak signifikan berpengaruh terhadap variable Dirawat.

Selain itu kita dapat disimpulkan apakah seluruh variable independent berpengaruh secara simultan terhadap variable dependent dimana dasar dari penentuan tersebut yaitu apabila nilai p-value dari F-statistic < 0.05 maka keseluruahan variable independent signifikan berpengaruh secara simultan (bersama-sama) terhadap variable dependent (variable Dirawat). Besar pengaruh tersebut dapat dilihat dari nilai R-squared dimana pada model diatas bernilai 0.5527. Sehingga dapat disimpulkan variable independent signifikan berpengaruh terhadap variable dependent sebesar 55.27 %.

6. Plot Regresi Linear Berganda

6.1 Plot Pengaruh Variable Retail and Recreation Percent Change From Baseline terhadap Variable Dirawat

plot(Data$retail_and_recreation_percent_change_from_baseline, Data$Dirawat, col = "dodgerblue")

6.2 Plot Pengaruh Variable Grocery and Pharmacy Percent Change From Baseline terhadap Variable Dirawat

plot(Data$grocery_and_pharmacy_percent_change_from_baseline, Data$Dirawat, col = "red")

6.3 Plot Pengaruh Variable Parks Percent Change From Baseline terhadap Variable Dirawat

plot(Data$parks_percent_change_from_baseline, Data$Dirawat, col = "darkorange")

6.4 Plot Pengaruh Variable Stations Percent Change From Baseline terhadap Variable Dirawat

plot(Data$transit_stations_percent_change_from_baseline, Data$Dirawat, col = "darkgreen")

6.5 Plot Pengaruh Variable Workplaces Percent Change From Baseline terhadap Variable Dirawat

plot(Data$workplaces_percent_change_from_baseline, Data$Dirawat, col = "blueviolet")

6.6 Plot Pengaruh Variable Residential Percent Change From Baseline terhadap Variable Dirawat

plot(Data$residential_percent_change_from_baseline, Data$Dirawat, col = "darkcyan")

7. Plot Hasil Regresi Linear Berganda

plot(model)

## Warning in sqrt(crit * p * (1 - hh)/hh): NaNs produced

## Warning in sqrt(crit * p * (1 - hh)/hh): NaNs produced

Daftar Pustaka

https://accounting.binus.ac.id/2021/08/12/memahami-analisis-regresi-linear-berganda/#:~:text=Regresi%20linear%20berganda%20merupakan%20model,dependen%20(Ghozali%2C%202018).
https://bookdown.org/moh_rosidi2610/Metode_Numerik/
https://rpubs.com/suhartono-uinmaliki/877449
https://duwiconsultant.blogspot.com/2011/11/uji-normalitas-regresi.html