1.1 Latar Belakang

Untuk memenuhi kebutuhannya, salah satu cara yang ditempuh manusia adalah dengan berdagang. Dalam kamus besar bahasa Indonesia (KBBI) arti perdagangan berawal dari kata dagang yang berarti pekerjaan yang berhubungan dengan menjual dan membeli barang untuk memperoleh keuntungan; jualbeli, niaga. Sedangkan perdagangan menurut KBBI adalah perihal dagang; urusan dagang; perniagaan. Sedangkan Oxford Dictionary, Trade (dagang) memiliki beberapa arti yaitu the action of buying and selling goods and services (kegiatan jual-beli barang dan jasa) atau Exchange (something) for something else, typically as a commerical transaction (Menukarkan sesuatu untuk sesuatu yang lain), secara umum seperti suatu transaksi perdagangan). Definisi tersebut disimpulkan sebagai kegiatan tukar menukar atau jual-beli barang dan jasa untuk mendatangkan keuntungan/pendapatan. Munandar (2006) menjelaskan pendapatan sebagai suatu penambahan asset perusahaan yang berdampak pada peningkatan kekayaan pemilik perusahaan, yang bertujuan untuk meningkatkan kinerja perusahaan serta kesejahteraan karyawan. Peningkatan pendapatan berpengaruh besar bagi kelangsungan perusahaan, sebab pendapatan digunakan dalam kegiatan perusahaan (Olaitan, 2011). Dalam menentukan pendapatan pedagang atau pengusaha dapat dipengaruhi beberapa faktor, diantaranya umur, modal, lama kerja, dan tanggungan keluarga. Umur merupakan salah satu faktor yang mempengaruhi pendapatan (Cahyono, 1998). Umur produktif berkisar antara 15-64 tahun yang merupakan umur ideal bagi para pekerja. Di masa produktif, secara umum semakin bertambahnya umur maka pendapatan akan semakin meningkat, yang tergantung juga pada jenis pekerjaan yang dilakukan. Kekuatan fisik seseorang untuk melakukan aktivitas sangat erat kaitannya dengan umur karena bila umur seseorang telah melewati masa produktif, maka semakin menurun kekuatan fisiknya sehingga produktivitasnya pun menurun dan pendapatan juga ikut turun. Sumber modal berasal dari pribadi, kredit bank, campuran antara keduanya, atau kredit informal lain (Struyk, 2011). Modal usaha digunakan untuk menunjang kelancaran operasional perusahaan (Ahiawodzi, 2012). Riyanto (2002) menambahkan bahwa modal sebagai barang nyata yang dimiliki oleh perusahaan yang terdapat di buku neraca rumah tangga perusahaan. Dalam menjalankan usaha perdagangan, lama kerja memegang peranan penting dalam proses melakukan usaha perdagangan (Utama, 2012). Lamanya suatu usaha dapat menciptakan pengalaman bekerja, melalui pengalaman pedagang secara langsung mengetahui selera yang diinginkan oleh relasi bisnis (Asmie, 2008). Jangka waktu pembukaan usaha perdagangan mempengaruhi tingkat pendapatan, karena berpengaruh terhadap peningkatan produktivitas dan kinerja pedagang sehingga menambah efisiensi dan menekan biaya produksi (Firdausa, 2013). Tanggungan keluarga merupakan salah satu faktor penyebab wanita secara sukarela mengambil keputusan untuk keluar rumah bekerja bagi mendapatkan pendapatan lebih bagi keluarganya agar kebutuhan hidup keluarganya terpenuhi (Shamsiah, 2002 dalam http://ikim.gov.my). Adapun yang dimaksud dengan tanggungan keluarga secara umum dapat diartikan sebagai angka yang menunjukkan banyaknya penduduk pada usia tidak produktif (0-14 tahun dan > 65 tahun) yang harus ditanggung oleh setiap 100 penduduk usia produktif (BPS Jateng, 2004 : 4). Berdasarkan paparan pustaka di atas, maka ingin dimodelkan pengaruh variabel yang ada (umur, modal, lama kerja, dan tanggungan keluarga) terhadap pendapatan per bulan menggunakan metode Analisis Regresi Berganda. Sampel penelitian ini diambil dari populasi pedagangan perempuan di Pasar Barongan Bantul tahun 2017.

1.2 Regresi Linier Berganda

Analisis Regresi Linier Berganda adalah metode analisis statistik yang melibatkan lebih dari satu variabel prediktor (X). Analisis ini digunakan untuk mengetahui pengaruh variabel-variabek prediktor terhadap variabel respon (Y). Bentuk persamaan umum dari regresi linear berganda dituliskan sebagai berikut: \[ Y = \beta _{0} + \beta _{1} X_{1} + \beta _{2} X_{2} + ... + \beta _{k} X_{k} + \epsilon \]

1.3 Pengujian Model Terbaik

1. Metode All Possible Regression Menurut Draper dan Smith (1998), pada prosedur ini variabel independen diregresikan sesuai model yang mungkin. Apabila terdapat q variabel independen, maka kemungkinan model yang didapatkan adalah sebanyak 2^q-1. Dalam Johnson dan Winchern (2007), kriteria AIC ini merupakan penentuan model yang mudah tetapi cukup baik pada regresi linier multivariat. Kriteria pemilihan model adalah dengan menggunakan nilai AIC terkecil.

2. Metode Forward Selection Prosedur forward merupakan salah satu bagian dari stepwise procedure. Dalam prosedur forward, pada langkah pertama untuk setiap variabel independen (X) dibuat model regresi linier multivariat dengan variabel dependen (Y). Pada metode ini, variabel independen dimasukan satu persatu menurut urutan besar pengaruh terhadap variabel dependen. Metode ini dimulai dengan menghitung koefisien korelasi variabel independen dengan variabel dependen. Variabel independen yang memiliki koefisien korelasi terbesar (tanpa memperhatikan tanda korelasi + atau -) dimasukkan pertama kali ke dalam model.

3. Metode Backward Selection Metode ini adalah kebalikan dari metode forward selection. Langkah pertama adalah masukkan semua variabel independen ke dalam model. Selanjutnya lakukan uji hipotesis untuk keseluruhan model. Jika terima \(H_{0}\) maka proses analisis selesai dan dapat disimpulkan bahwa tidak ada variabel independen yang dapat menjelaskan Y secara signifikan. Namun, jika tolak \(H_{0}\) maka perhatikan koefisien regresi atau besarnya pengaruh setiap variabel independen. Misalkan variabel independen yang memiliki pengaruh paling kecil adalah \(X_{3}\), ujilah apakah pengaruh variabel tersebut signifikan atau tidak. Jika pengaruhnya signifikan maka proses analisis selesai dan model awal diatas merupakan model terpilih. Namun jika pengaruhnya tidak signifikan maka \(X_{3}\) harus dikeluarkan dari model.

1.4 Pengujian Asumsi Klasik Regresi

1. Uji Normalitas Pengujian ini untuk mengetahui apakah nilai residual data terdistribusi secara normal atau tidak. Model regresi yang baik adalah yang memiliki nilai residual yang terdistribusi secara normal. Uji yang digunakan bisa berupa uji Shapiro-Wilk, uji Anderson-Darling, dan uji Kolmogorov-Smirnov.

2. Uji Homoskedatisitas Heteroskedastisitas merupakan keadaan dimana terjadi ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Uji yang dapat digunakan adalah uji Breusch-Pagan

3. Uji Non-Autokorelasi Autokorelasi merupakan keadaan dimana pada model regresi ada korelasi antara residual pada periode t dengan residual pada periode sebelumnya (t-1). Model regresi yang baik adalah yang tidak adanya autokorelasi.Ujiautokorelasi dapat dilakukan dengan pengujian Durbin Watson(DW)

4. Uji Linieritas Uji linearitas adalah salah satu uji asumsi klasik yang dilakukan untuk mengetahui sifat linear pada sebaran data antara variabel X dan Y. Perlunya mengetahui adakah sifat linear pada hubungan X dan Y mempengaruhi tingkat valid atau tidaknya model regresi yang dihasilkan. Uji yang digunakan adalah uji harvey-collier dan uji reset.

5. Uji Non-Multikolinieritas Multikolinearitas merupakan keadaan dimana terjadi hubungan linear yang sempurna atau mendekati antar variabel independen dalam model regresi. Suatu model regresi dikatakan mengalami multikolinearitas jika ada fungsi linear yang sempurna pada beberapa atau semua independen variabel dalam fungsi linear. Gejala adanya multikoliniearitas antara lain dengan melihat nilai Variance Inflation Factor(VIF) dan Tolerancenya.Jika nilai VIF< 10 dan Tolerance> 0,1 maka dinyatakan tidak terjadi multikolinearitas.

1.5 Pengujian Hipotesis

1. Uji Simultan Uji simultan atau uji F digunakan untuk menguji pengaruh secara bersama-sama seluruh variabel prediktor yang diuji terhadap variabel respons. Hipotesis yang digunakan adalah sebagai berikut: \[ H _{0}: \beta _{1} = \beta _{2} = ... = \beta _{k-1} = 0 \]

\[ H _{1}: \beta _{k} ≠ 0 \] 2. Uji Parsial Uji t digunakan untuk pengujian koefisien regresi secara parsial. Masing-masing variabel prediktor diuji untuk diketahui pengaruhnya terhadap variabel respons. Hipotesis yang digunakan sebagai berikut: \[ H _{0}: \beta _{i} = 0 \]

\[ H _{1}: \beta _{i} ≠ 0 \]

1.6 Data

Data yang digunakan adalah data sekunder yang diambil dari Skripsi Ervin Suprapti dengan judul yang sama tahun 2017. Data terdiri dari 50 pengamatan dengan 4 variabel prediktor dan 1 variabel respon. Y = Pendapatan pedagang per bulan (juta rupiah) X1 = Umur pedagang (tahun) X2 = Modal per bulan (juta rupiah) X3 = Lama kerja per minggu (jam) X4 = Banyaknya tanggungan keluarga (orang)

2.1 Library yang Dibutuhkan

> #
> library(readxl)
> library(olsrr)
> library(car)
> library(nortest)
> library(lmtest)

2.2 Pembangkitan Data

Data dibangkitkan/dipanggil dari direktori yang sesuai.

> library(readxl)
> data1 <- read_excel("KomstatPrak.xlsx")
> knitr::kable(data1, caption="Data yang Digunakan")

Karena ekstensi file yang tertera adalah excel, maka digunakan perintah ‘readxl’. Selain ‘readxl’, dapat digunakan perintah atau package lain, disesuaikan dengan data impor yang akan dipanggil/dibangkitkan

2.3 Pengujian

> reg1<-lm(Y~X1+X2+X3+X4,data=data1)
> summary(reg1)

Call:
lm(formula = Y ~ X1 + X2 + X3 + X4, data = data1)

Residuals:
    Min      1Q  Median      3Q     Max 
-5.5930 -1.2664 -0.0719  0.9922  7.4615 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) -8.06224    2.40766  -3.349  0.00165 ** 
X1           0.06879    0.03168   2.172  0.03518 *  
X2           0.25276    0.05176   4.883 1.36e-05 ***
X3           0.21091    0.04270   4.939 1.13e-05 ***
X4          -0.24803    0.23763  -1.044  0.30217    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.553 on 45 degrees of freedom
Multiple R-squared:  0.8555,    Adjusted R-squared:  0.8426 
F-statistic: 66.58 on 4 and 45 DF,  p-value: < 2.2e-16

> library(car)
> library(nortest)
> 
> ##Uji Asumsi##
> #Normalitas
> shapiro.test(data1$Y)

    Shapiro-Wilk normality test

data:  data1$Y
W = 0.91669, p-value = 0.001793
> nortest::ad.test(data1$Y)

    Anderson-Darling normality test

data:  data1$Y
A = 1.4358, p-value = 0.0009175
> nortest::lillie.test(data1$Y)

    Lilliefors (Kolmogorov-Smirnov) normality test

data:  data1$Y
D = 0.15528, p-value = 0.004105
> 
> #Non Multikol
> cor(data1,method="pearson")
             Y          X1          X2         X3          X4
Y   1.00000000  0.32153403  0.86845765 0.86508733 -0.06150015
X1  0.32153403  1.00000000  0.20041579 0.21229698 -0.03550113
X2  0.86845765  0.20041579  1.00000000 0.79703215 -0.04969867
X3  0.86508733  0.21229698  0.79703215 1.00000000  0.05533516
X4 -0.06150015 -0.03550113 -0.04969867 0.05533516  1.00000000
> car::vif(reg1)
      X1       X2       X3       X4 
1.051881 2.815617 2.836477 1.029655 
> 
> #Homoskedastisitas
> lmtest::bptest(reg1)

    studentized Breusch-Pagan test

data:  reg1
BP = 4.3703, df = 4, p-value = 0.3582
> 
> #linieritas
> lmtest::resettest(reg1,power=2)

    RESET test

data:  reg1
RESET = 3.3867, df1 = 1, df2 = 44, p-value = 0.07248
> lmtest::harvtest(reg1)

    Harvey-Collier test

data:  reg1
HC = 3.1111, df = 44, p-value = 0.003268
> 
> #Non Autokor
> lmtest::dwtest(reg1)

    Durbin-Watson test

data:  reg1
DW = 1.4934, p-value = 0.02462
alternative hypothesis: true autocorrelation is greater than 0

> ##Pemilihan Model Terbaik##
> #All Possible
> olsrr::ols_step_all_possible(reg1)#RSquare, Rsquare adjusted terbesar, Cp Mallow terkecil
   Index N  Predictors    R-Square Adj. R-Square Mallow's Cp
2      1 1          X2 0.754218683    0.74909824   30.516302
3      2 1          X3 0.748376087    0.74313392   32.335211
1      3 1          X1 0.103384132    0.08470463  233.133220
4      4 1          X4 0.003782268   -0.01697227  264.141135
8      5 2       X2 X3 0.836178348    0.82920721    7.000731
5      6 2       X1 X2 0.776879660    0.76738518   25.461518
6      7 2       X1 X3 0.768283839    0.75842358   28.137557
10     8 2       X3 X4 0.760374600    0.75017777   30.599850
9      9 2       X2 X4 0.754555833    0.74411140   32.411341
7     10 2       X1 X4 0.105895837    0.06784885  234.351279
11    11 3    X1 X2 X3 0.851954066    0.84229890    4.089457
14    12 3    X2 X3 X4 0.840303302    0.82988830    7.716556
13    13 3    X1 X3 X4 0.778856993    0.76443462   26.845937
12    14 3    X1 X2 X4 0.777088096    0.76255036   27.396628
15    15 4 X1 X2 X3 X4 0.855453557    0.84260498    5.000000
> 
> #Forward Selection
> olsrr::ols_step_forward_p(reg1)

                            Selection Summary                             
-------------------------------------------------------------------------
        Variable                  Adj.                                       
Step    Entered     R-Square    R-Square     C(p)        AIC        RMSE     
-------------------------------------------------------------------------
   1    X2            0.7542      0.7491    30.5163    262.9082    3.2238    
   2    X3            0.8362      0.8292     7.0007    244.6250    2.6598    
   3    X1            0.8520      0.8423     4.0895    241.5622    2.5558    
-------------------------------------------------------------------------
> 
> #Backward Selection
> olsrr::ols_step_backward_p(reg1)

                          Elimination Summary                            
------------------------------------------------------------------------
        Variable                  Adj.                                      
Step    Removed     R-Square    R-Square     C(p)       AIC        RMSE     
------------------------------------------------------------------------
   1    X4             0.852      0.8423    4.0895    241.5622    2.5558    
------------------------------------------------------------------------

3.1 Persamaan Regresi

Call:
lm(formula = Y ~ X1 + X2 + X3 + X4, data = data1)

Residuals:
    Min      1Q  Median      3Q     Max 
-5.5930 -1.2664 -0.0719  0.9922  7.4615 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) -8.06224    2.40766  -3.349  0.00165 ** 
X1           0.06879    0.03168   2.172  0.03518 *  
X2           0.25276    0.05176   4.883 1.36e-05 ***
X3           0.21091    0.04270   4.939 1.13e-05 ***
X4          -0.24803    0.23763  -1.044  0.30217    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.553 on 45 degrees of freedom
Multiple R-squared:  0.8555,    Adjusted R-squared:  0.8426 
F-statistic: 66.58 on 4 and 45 DF,  p-value: < 2.2e-16

Melalui perintah fungsi lm yang dijalankan, didapatkan persamaan regresi sebagai berikut: \[ Y = -8.06224 + 0.06879 X_{1} + 0.25276 X_{2} + 0.21091 X_{3} - 0.24803 X_{4} \]

3.2 Pengujian Signifikansi

1. Uji Simultan \[ H _{0}: \beta _{1} = \beta _{2} = ... = \beta _{k-1} = 0 \]

\[ H _{1}: \beta _{k} ≠ 0 \] Jika dilihat pada output yang diperoleh, p-value (2.2e-16) < (0.05) yang artinya H₀ ditolak. Sehingga dapat disimpulkan bahwa semua variabel prediktor (umur, modal, lama kerja, dan jumlah tanggungan keluarga) secara bersamaan (simultan) mempunyai pengaruh signifikan terhadap pendapatan

2. Uji Parsial

\[ H _{0}: \beta _{i} = 0 \]

\[ H _{1}: \beta _{i} ≠ 0 \]

+ X1 terhadap Y
Berdasarkan output yang diperoleh, nilai p-value 0.03518 < α (0.05). Maka H~0~ ditolak. Dapat disimpulkan bahwa secara parsial, umur mempengaruhi pendapatan secara signifikan.

+ X2 terhadap Y
Berdasarkan output yang diperoleh, nilai p-value 1.36e-05 < α (0.01). Maka H~0~ ditolak. Dapat disimpulkan bahwa secara parsial, modal mempengaruhi pendapatan secara signifikan.

+ X3 terhadap Y
Berdasarkan output yang diperoleh, nilai p-value 1.13e-05 < α (0.01). Maka H~0~ ditolak. Dapat disimpulkan bahwa secara parsial, lama kerja mempengaruhi pendapatan secara signifikan. 

+ X4 terhadap Y
Berdasarkan output yang diperoleh, nilai p-value 0.30217 > α (0.05). Maka H~0~ diterima. Dapat disimpulkan bahwa secara parsial, jumlah tanggungan anggota keluarga tidak mempengaruhi pendapatan secara signifikan

3.3 Pengujian Asumsi

> ##Uji Asumsi
> #Normalitas
> shapiro.test(data1$Y)

    Shapiro-Wilk normality test

data:  data1$Y
W = 0.91669, p-value = 0.001793

> nortest::ad.test(data1$Y)

    Anderson-Darling normality test

data:  data1$Y
A = 1.4358, p-value = 0.0009175

> nortest::lillie.test(data1$Y)

    Lilliefors (Kolmogorov-Smirnov) normality test

data:  data1$Y
D = 0.15528, p-value = 0.004105

> #Non Multikolinieritas
> cor(data1,method="pearson")
             Y          X1          X2         X3
Y   1.00000000  0.32153403  0.86845765 0.86508733
X1  0.32153403  1.00000000  0.20041579 0.21229698
X2  0.86845765  0.20041579  1.00000000 0.79703215
X3  0.86508733  0.21229698  0.79703215 1.00000000
X4 -0.06150015 -0.03550113 -0.04969867 0.05533516
            X4
Y  -0.06150015
X1 -0.03550113
X2 -0.04969867
X3  0.05533516
X4  1.00000000
> car::vif(reg1)
      X1       X2       X3       X4 
1.051881 2.815617 2.836477 1.029655 
> #Homoskedastisitas
> lmtest::bptest(reg1)

    studentized Breusch-Pagan test

data:  reg1
BP = 4.3703, df = 4, p-value = 0.3582

> #Linieritas
> lmtest::resettest(reg1,power=2)

    RESET test

data:  reg1
RESET = 3.3867, df1 = 1, df2 = 44, p-value =
0.07248

> lmtest::harvtest(reg1)

    Harvey-Collier test

data:  reg1
HC = 3.1111, df = 44, p-value = 0.003268

> #Non Autokorelasi
> lmtest::dwtest(reg1)

    Durbin-Watson test

data:  reg1
DW = 1.4934, p-value = 0.02462
alternative hypothesis: true autocorrelation is greater than 0

1. Uji Normalitas

\(H_{0}\) : Data berdistribusi normal

\(H_{1}\) : Data berdistribusi tidak normal

Ketiga metode uji menunjukkan nilai p-value yang kurang dari nilai α = 0.05. Sehingga dapat disimpulkan bahwa nilai pengamatan tidak menyebar secara normal

2. Uji Non-Multikolinieritas

Berdasarkan output yang diperoleh, masing-masing variabel memiliki nilai VIF < 10. Sehingga dapat disimpulkan bahwa tidak terjadi multikolinieritas antar variabel yang ada.

3. Uji Homoskedastisitas

\(H_{0}\) : Variansi galat bersifat homoskedastisitas

\(H_{1}\) : Variansi galat bersifat heteroskedastisitas

Berdasarkan output yang diperoleh, p-value yang diperoleh lebih dari nilai α = 0.05. Sehingga dapat disimpulkan bahwa variansi galat bersifat homoskedastik

4. Uji Linieritas

\(H_{0}\) : Model linier

\(H_{1}\) : Model non-linier

Berdasarkan uji Reset, didapati bahwa nilai p-value lebih besar dari = 0.05 sehingga dapat disimpulkan bahwa model bersifat linier

5. Uji Non-Autokorelasi

\(H_{0}\) : Tidak terjadi autokorelasi

\(H_{1}\) : Terjadi autokorelasi

Berdasarkan uji Durbin-Watson, didapati nilai statistik uji DW sebesar 1.4934 yang berada di antara dL = 1.3778 dan dU = 1.7214. Maka disimpulkan bahwa tidak dapat diputuskan ada atau tidaknya autokorelasi pada model

3.4 Pemilihan Model Terbaik

> ##pemilihan model terbaik##
> #all possible
> olsrr::ols_step_all_possible(reg1)#RSquare, Rsquare adjusted terbesar, Cp Mallow terkecil
   Index N  Predictors    R-Square Adj. R-Square
2      1 1          X2 0.754218683    0.74909824
3      2 1          X3 0.748376087    0.74313392
1      3 1          X1 0.103384132    0.08470463
4      4 1          X4 0.003782268   -0.01697227
8      5 2       X2 X3 0.836178348    0.82920721
5      6 2       X1 X2 0.776879660    0.76738518
6      7 2       X1 X3 0.768283839    0.75842358
10     8 2       X3 X4 0.760374600    0.75017777
9      9 2       X2 X4 0.754555833    0.74411140
7     10 2       X1 X4 0.105895837    0.06784885
11    11 3    X1 X2 X3 0.851954066    0.84229890
14    12 3    X2 X3 X4 0.840303302    0.82988830
13    13 3    X1 X3 X4 0.778856993    0.76443462
12    14 3    X1 X2 X4 0.777088096    0.76255036
15    15 4 X1 X2 X3 X4 0.855453557    0.84260498
   Mallow's Cp
2    30.516302
3    32.335211
1   233.133220
4   264.141135
8     7.000731
5    25.461518
6    28.137557
10   30.599850
9    32.411341
7   234.351279
11    4.089457
14    7.716556
13   26.845937
12   27.396628
15    5.000000
> #forward
> olsrr::ols_step_forward_p(reg1)

                            Selection Summary                             
-------------------------------------------------------------------------
        Variable                  Adj.                                       
Step    Entered     R-Square    R-Square     C(p)        AIC        RMSE     
-------------------------------------------------------------------------
   1    X2            0.7542      0.7491    30.5163    262.9082    3.2238    
   2    X3            0.8362      0.8292     7.0007    244.6250    2.6598    
   3    X1            0.8520      0.8423     4.0895    241.5622    2.5558    
-------------------------------------------------------------------------
> #backward
> olsrr::ols_step_backward_p(reg1)


                          Elimination Summary                            
------------------------------------------------------------------------
        Variable                  Adj.                                      
Step    Removed     R-Square    R-Square     C(p)       AIC        RMSE     
------------------------------------------------------------------------
   1    X4             0.852      0.8423    4.0895    241.5622    2.5558    
------------------------------------------------------------------------

1. Metode All Possible Regression Berdasarkan metode ini, model regresi dengan X1, X2, dan X3 memiliki nilai Cp Mallow terkecil dan R-Square Adj. terbesar, sehingga model tersebut menjadi model terbaik

2. Metode Forward Selection Berdasarkan metode ini, variabel X1, X2, dan X3 masuk ke dalam kolom Variable Entered yang artinya layak masuk ke dalam model terbaik

3. Metode Backward Selection Berdasarkan metode ini, variabel X4 masuk ke dalam Variable Removed yang artinya tidak layak masuk ke dalam model terbaik

Melalui 3 metode pemilihan model regresi terbaik, didapatkan bahwa model terbaik regresi adalah model yang terdiri dari variabel X1, X2, dan X3. Setelah didapatkan model regresi terbaik, maka dibentuk kembali persamaan regresi yang baru dengan cara yang sama seperti persamaan pertama.

> #model regresi final
> reg2<-lm(Y~X1+X2+X3,data=data1)
> summary(reg2)

Call:
lm(formula = Y ~ X1 + X2 + X3, data = data1)

Residuals:
   Min     1Q Median     3Q    Max 
-5.836 -1.130 -0.347  1.197  8.026 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) -8.75565    2.31644  -3.780  0.00045 ***
X1           0.07014    0.03168   2.214  0.03183 *  
X2           0.26105    0.05120   5.099 6.31e-06 ***
X3           0.20376    0.04219   4.830 1.55e-05 ***
---
Signif. codes:  
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.556 on 46 degrees of freedom
Multiple R-squared:  0.852, Adjusted R-squared:  0.8423 
F-statistic: 88.24 on 3 and 46 DF,  p-value: < 2.2e-16  

Model terbaik yang diperoleh adalah sebagai berikut: \[ Y = -8.75565 + 0.07014 X_{1} + 0.26105 X_{2} + 0.20376 X_{3} \] Dengan interpretasi sebagai berikut

• Setiap pertambahan 1 tahun umur pedagang, akan menambah pendapatan sebesar Rp70.140
• Setiap pertambahan 1 juta rupiah modal, akan menambah pendapatan sebesar Rp261.050
• Setiap pertambahan 1 jam kerja, akan menambah pendapatan sebesar Rp203.760
• Data telah memenuhi seluruh asumsi-asumsi klasik sehingga informasi yang diperoleh tidak bias