Dosen Pengampu : Prof. Dr. Suhartono, M.Kom

Lembaga : Universitas Islam Negeri Maulana Malik Ibrahim Malang

Fakultas : Sains dan Teknologi

Jurusan : Teknik Informatika

Kelas : (C) Linear Algebra

NIM : 210605110048

Pengertian Regresi Linier

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).

Memanggil Data dari Excel

Excel adalah salah satu jenis file eksternal yang sering digunakan untuk menyimpan data. Kita dapat menggunakan package {readxl} dengan fungsi read_excel() untuk import data dari file Excel. Argumen path = adalah lokasi dan nama file Excel yang akan kita gunakan.

library(readxl)
Meninggal <- read_excel((path = "DataMeninggal.xlsx"))
Meninggal
## # A tibble: 31 x 8
##    Tanggal MENINGGAL retail_and_recreation_pe~ grocery_and_pha~ parks_percent_c~
##      <dbl>     <dbl>                     <dbl>            <dbl>            <dbl>
##  1       1      5528                       -29               -5              -51
##  2       2      5568                       -29               -5              -52
##  3       3      5613                       -27               -5              -49
##  4       4      5657                       -29              -10              -50
##  5       5      5702                       -26               -6              -45
##  6       6      5748                       -26               -2              -45
##  7       7      5790                       -31               -9              -52
##  8       8      5838                       -28               -7              -48
##  9       9      5883                       -29               -9              -49
## 10      10      5923                       -25               -5              -46
## # ... with 21 more rows, and 3 more variables:
## #   transit_stations_percent_change_from_baseline <dbl>,
## #   workplaces_percent_change_from_baseline <dbl>,
## #   residential_percent_change_from_baseline <dbl>

Summary() dari Data

Nilai statistik yang dicari adalah minimum, Q1, median, mean, Q3, dan maximum.

summary(Meninggal)
##     Tanggal       MENINGGAL   
##  Min.   : 1.0   Min.   :5528  
##  1st Qu.: 8.5   1st Qu.:5860  
##  Median :16.0   Median :6062  
##  Mean   :16.0   Mean   :6018  
##  3rd Qu.:23.5   3rd Qu.:6215  
##  Max.   :31.0   Max.   :6341  
##  retail_and_recreation_percent_change_from_baseline
##  Min.   :-31.00                                    
##  1st Qu.:-29.00                                    
##  Median :-27.00                                    
##  Mean   :-27.19                                    
##  3rd Qu.:-26.00                                    
##  Max.   :-21.00                                    
##  grocery_and_pharmacy_percent_change_from_baseline
##  Min.   :-11.000                                  
##  1st Qu.: -8.000                                  
##  Median : -6.000                                  
##  Mean   : -6.032                                  
##  3rd Qu.: -4.500                                  
##  Max.   :  0.000                                  
##  parks_percent_change_from_baseline
##  Min.   :-52.00                    
##  1st Qu.:-46.50                    
##  Median :-44.00                    
##  Mean   :-44.35                    
##  3rd Qu.:-42.00                    
##  Max.   :-34.00                    
##  transit_stations_percent_change_from_baseline
##  Min.   :-51.00                               
##  1st Qu.:-38.50                               
##  Median :-37.00                               
##  Mean   :-36.03                               
##  3rd Qu.:-32.00                               
##  Max.   :-28.00                               
##  workplaces_percent_change_from_baseline
##  Min.   :-66.00                         
##  1st Qu.:-33.00                         
##  Median :-31.00                         
##  Mean   :-29.06                         
##  3rd Qu.:-24.50                         
##  Max.   :-12.00                         
##  residential_percent_change_from_baseline
##  Min.   : 5.000                          
##  1st Qu.: 7.500                          
##  Median :10.000                          
##  Mean   : 9.032                          
##  3rd Qu.:10.000                          
##  Max.   :18.000

Membuat Matriks dengan Fungsi Pairs()

pairs(Meninggal)

pairs(Meninggal, lower.panel=NULL)

Visualisasi Data Menggunakan Fungsi Plot()

plot(Meninggal$MENINGGAL ~ Meninggal$Tanggal, data = Meninggal)

Visualisasikan Data dengan Data Meninggal sebagai Variable Y dan Google Mobility Index sebagai Variable X

plot(Meninggal$MENINGGAL, Meninggal$retail_and_recreation_percent_change_from_baseline+Meninggal$grocery_and_pharmacy_percent_change_from_baseline+Meninggal$parks_percent_change_from_baseline+Meninggal$transit_stations_percent_change_from_baseline+Meninggal$workplaces_percent_change_from_baseline+Meninggal$residential_percent_change_from_baseline, data = Meninggal)
## Warning in plot.window(...): "data" is not a graphical parameter
## Warning in plot.xy(xy, type, ...): "data" is not a graphical parameter
## Warning in axis(side = side, at = at, labels = labels, ...): "data" is not a
## graphical parameter

## Warning in axis(side = side, at = at, labels = labels, ...): "data" is not a
## graphical parameter
## Warning in box(...): "data" is not a graphical parameter
## Warning in title(...): "data" is not a graphical parameter

Korelasi AntarVariable

a.) Korelasi Variable Y dengan X1

cor(Meninggal$MENINGGAL,Meninggal$
      retail_and_recreation_percent_change_from_baseline)
## [1] 0.4032442

b.) Korelasi Variable Y dengan X2

cor(Meninggal$MENINGGAL,Meninggal$
      grocery_and_pharmacy_percent_change_from_baseline)
## [1] 0.2311619

c.) Korelasi Variable Y dengan X3

cor(Meninggal$MENINGGAL,Meninggal$
      parks_percent_change_from_baseline)
## [1] 0.6432437

d.) Korelasi Variable Y dengan X4

cor(Meninggal$MENINGGAL,Meninggal$
      transit_stations_percent_change_from_baseline)
## [1] 0.3405294

e.) Korelasi Variable Y dengan X5

cor(Meninggal$MENINGGAL,Meninggal$
      workplaces_percent_change_from_baseline)
## [1] 0.2016787

f.) Korelasi Variable Y dengan X6

cor(Meninggal$MENINGGAL,Meninggal$
      residential_percent_change_from_baseline)
## [1] -0.1715708

Permodelan Regresi Linier Berganda

model <- lm(Meninggal$MENINGGAL ~ Meninggal$Tanggal, data = Meninggal)
summary(model)
## 
## Call:
## lm(formula = Meninggal$MENINGGAL ~ Meninggal$Tanggal, data = Meninggal)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -99.435 -28.285   5.358  38.215  61.071 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       5601.3806    16.9825  329.83   <2e-16 ***
## Meninggal$Tanggal   26.0548     0.9265   28.12   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 46.14 on 29 degrees of freedom
## Multiple R-squared:  0.9646, Adjusted R-squared:  0.9634 
## F-statistic: 790.9 on 1 and 29 DF,  p-value: < 2.2e-16

Rincian Model dengan Fungsi Summary()

Di atas merupakan rincian dari model yang telah dibuat.

Di posisi paling atas terdapat lm formula adalah Meninggal\(MENINGGAL ~ Meninggal\)Tanggal, data = Meninggal

Lalu di bawahnya terdapat 5 nilai residual, sebelumnya kita perlu tahu bahwa Residual merupakan selisih dari nilai prediksi dan nilai sebenarnya (actual) atau ei =Yi - (a + b Xi ). Jika nilai pengamatan terletak dalam garis regresi maka nilai residunya sama dengan nol. Yang mana semakin kecil nilai residual maka semakin baik atau benar model yang kita buat. Berikut nilai-nilai residual yang dihasilkan:

Nilai minimum = -99.435

Nilai maximum = 61.071

Nilai median = 5.358

Nilai quartil 1 = -28.285

Nilai quartil 3 = 38.215

Dari nilai-nilai tersebut dapat kita lihat bahwa dalam konteks ini berupa nilai minimum, maximum, median, quartil 1 dan quartil 3. Dapat kita simpulkan bahwa model yang telah kita buat belum bisa dikatakan baik atau benar karena nilai-nilai yang dihasilkan tidak mendekati nol.

Di bawah nilai residual terdapat koefisien, yang mana dalam koefisien tersebut terdapat nilai intersep, retail_and_recreation, grocery_and_pharmacy, parks, transit_stations, workplaces dan residential. Selain itu juga terdapat nilai-p dari koefisien

Fungsi Anova()

Uji Anova(Analysis of Variance Table) berfungsi untuk membandingkan rata-rata populasi untuk mengetahui perbedaan signifikan dari dua atau lebih kelompok data.

anova(model)
## Analysis of Variance Table
## 
## Response: Meninggal$MENINGGAL
##                   Df  Sum Sq Mean Sq F value    Pr(>F)    
## Meninggal$Tanggal  1 1683559 1683559  790.88 < 2.2e-16 ***
## Residuals         29   61732    2129                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Plot() Model dari Data Real dengan Data Prediksi

plot(Meninggal$MENINGGAL ~ Meninggal$Tanggal, data = Meninggal, col = "red", pch = 20, cex = 1.5, main = "Data Inflow Covid DKI Jakarta Maret 2021 dan Google Mobility Index")
abline(model)

Titik-titik merah yang ada pada grafik tersebut adalah data real dan garis hitam di dalam kotak adalah data prediksi.

plot(cooks.distance(model), pch = 16, col = "red") #Plot the Cooks Distances.

plot(model)

Penggunaan AIC dan BIC

AIC berarti Kriteria Informasi Akaike dan BIC berarti Kriteria Informasi Bayesian. Meskipun kedua istilah ini membahas pemilihan model, keduanya tidak sama. Seseorang dapat menemukan perbedaan antara dua pendekatan pemilihan model.

AIC(model)
## [1] 329.4681
BIC(model)
## [1] 333.7701

Nilai Predicted dan Visualnya

head(predict(model), n = 11)
##        1        2        3        4        5        6        7        8 
## 5627.435 5653.490 5679.545 5705.600 5731.655 5757.710 5783.765 5809.819 
##        9       10       11 
## 5835.874 5861.929 5887.984
plot(head(predict(model), n = 10))

Nilai Residuals

head(resid(model), n = 11)
##          1          2          3          4          5          6          7 
## -99.435484 -85.490323 -66.545161 -48.600000 -29.654839  -9.709677   6.235484 
##          8          9         10         11 
##  28.180645  47.125806  61.070968  55.016129
coef(model)
##       (Intercept) Meninggal$Tanggal 
##        5601.38065          26.05484

Tabel Data Residuals dan Data Predictied

Meninggal$residuals <- model$residuals
Meninggal$predicted <- model$fitted.values
Meninggal
## # A tibble: 31 x 10
##    Tanggal MENINGGAL retail_and_recreation_pe~ grocery_and_pha~ parks_percent_c~
##      <dbl>     <dbl>                     <dbl>            <dbl>            <dbl>
##  1       1      5528                       -29               -5              -51
##  2       2      5568                       -29               -5              -52
##  3       3      5613                       -27               -5              -49
##  4       4      5657                       -29              -10              -50
##  5       5      5702                       -26               -6              -45
##  6       6      5748                       -26               -2              -45
##  7       7      5790                       -31               -9              -52
##  8       8      5838                       -28               -7              -48
##  9       9      5883                       -29               -9              -49
## 10      10      5923                       -25               -5              -46
## # ... with 21 more rows, and 5 more variables:
## #   transit_stations_percent_change_from_baseline <dbl>,
## #   workplaces_percent_change_from_baseline <dbl>,
## #   residential_percent_change_from_baseline <dbl>, residuals <dbl>,
## #   predicted <dbl>

Visualisasi Data Menggunakan Scatter.Smooth, Boxplot dan Plot

scatter.smooth(x=Meninggal$Tanggal, y=Meninggal$MENINGGAL, main="Tanggal ~ Meninggal")

boxplot(Meninggal$MENINGGAL, main="Meninggal", boxplot.stats(Meninggal$MENINGGAL)$out)

plot(density(Meninggal$MENINGGAL), main="Google Mobility Index : Meninggal", ylab="Frequency")

coefs <- coef(model)
plot(MENINGGAL ~ Tanggal, data = Meninggal)
abline(coefs)
text(x = 12, y = 10, paste('expression = ', round(coefs[1], 2),  '+', round(coefs[2], 2), '*Meninggal'))

Uji Korelasi AntarVariable

Adanya korelasi antar variabel dapat dilakukan melalui visualisasi menggunakan scatterplot dan perhitungan matematis menggunakan metode Pearson untuk metode parametrik dan metode rangking Spearman dan Kendall untuk metode non-parametrik.

a.) Uji Korelasi Variable Y dengan X1

cor.test(Meninggal$retail_and_recreation_percent_change_from_baseline, Meninggal$MENINGGAL)
## 
##  Pearson's product-moment correlation
## 
## data:  Meninggal$retail_and_recreation_percent_change_from_baseline and Meninggal$MENINGGAL
## t = 2.373, df = 29, p-value = 0.02449
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.05705662 0.66286976
## sample estimates:
##       cor 
## 0.4032442

b.) Uji Korelasi Variable Y dengan X2

cor.test(Meninggal$grocery_and_pharmacy_percent_change_from_baseline, Meninggal$MENINGGAL)
## 
##  Pearson's product-moment correlation
## 
## data:  Meninggal$grocery_and_pharmacy_percent_change_from_baseline and Meninggal$MENINGGAL
## t = 1.2795, df = 29, p-value = 0.2109
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.1341679  0.5411745
## sample estimates:
##       cor 
## 0.2311619

c.) Uji Korelasi Variable Y dengan X3

cor.test(Meninggal$parks_percent_change_from_baseline, Meninggal$MENINGGAL)
## 
##  Pearson's product-moment correlation
## 
## data:  Meninggal$parks_percent_change_from_baseline and Meninggal$MENINGGAL
## t = 4.5242, df = 29, p-value = 9.498e-05
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.3741921 0.8124129
## sample estimates:
##       cor 
## 0.6432437

d.) Uji Korelasi Variable Y dengan X4

cor.test(Meninggal$transit_stations_percent_change_from_baseline, Meninggal$MENINGGAL)
## 
##  Pearson's product-moment correlation
## 
## data:  Meninggal$transit_stations_percent_change_from_baseline and Meninggal$MENINGGAL
## t = 1.9504, df = 29, p-value = 0.06086
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.01570588  0.62005201
## sample estimates:
##       cor 
## 0.3405294

e.) Uji Korelasi Variable Y dengan X5

cor.test(Meninggal$workplaces_percent_change_from_baseline, Meninggal$MENINGGAL)
## 
##  Pearson's product-moment correlation
## 
## data:  Meninggal$workplaces_percent_change_from_baseline and Meninggal$MENINGGAL
## t = 1.1089, df = 29, p-value = 0.2766
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.1644107  0.5189343
## sample estimates:
##       cor 
## 0.2016787

f.) Uji Korelasi Variable Y dengan X6

cor.test(Meninggal$residential_percent_change_from_baseline, Meninggal$MENINGGAL)
## 
##  Pearson's product-moment correlation
## 
## data:  Meninggal$residential_percent_change_from_baseline and Meninggal$MENINGGAL
## t = -0.93784, df = 29, p-value = 0.3561
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.4957708  0.1945999
## sample estimates:
##        cor 
## -0.1715708

Referensi

https://rpubs.com/suhartono-uinmaliki/877449

https://accounting.binus.ac.id/2021/08/12/memahami-analisis-regresi-linear-berganda/

PENDITEKSIAN PENCILAN (OUTLIER) DAN RESIDUAL …https://www.litbang.pertanian.go.id

https://www.kompas.com/skola/read/2021/08/05/163826269/uji-anova-pengertian-syarat-fungsi-tujuan-dan-langkahnya?page=all