1 Pendahuluan

1.1 Latar Belakang

Indomaret merupakan minimarket yang menyediakan segala kebutuhan pokok dan kebutuhan sehari-hari. Indomaret mempunyai sistem penjualan yang didukung databse tapi sistem penjualannya tidak bisa memprediksi nominal pembelian perhari sehingga pemilik dan karyawan indomaret harus menghitung pendapatan, rugi/bala secara berkala. Jika pemilik indomaret dapat memprediksi nominal pembelian perhari, maka pemilik indomaret dapat memprediksi pendapatan tiap hari.

Oleh karena itu, Analisis Regresi sangat direkomendasikan untuk memprediksi pendapatan tiap hari dengan menghitung pengunjung dan pembeli setiap hari. Pada kasus ini, digunakan data dari Indomaret Kedungmundu Semarang

1.2 Analisis Regresi Linier Berganda

Analisis regresi berganda digunakan untuk memprediksi berubahnya nilai variabel tertendu bila variabel lain berubah.Dikatakan regresi berganda, karena jumlah variabel bebas sebagai prediktor terdapat lebih dari satu.Hubungan antara satu variabel dependen dengan satu atau lebih variabel independen dapat dinyatakan regresi linier berganda (Draper & H. Smith, 1992) Pada umumnya analisis regresi linier berganda dapat dinyatakan dengan rumus, sebagai berikut : \[ Y = α_0 + α_1x_1 +...+ α_kx_k +\epsilon_i \] Dengan
\(Y\) = Variabel tidak bebas
\(α_k\) = Koefisien regresi
\(x_k\) = Variabel bebas
\(\epsilon_i\) = Error

1.3 Data

Data yang digunakan adalah data yand diambil dengan hasil survey yaitu mennghitung pengunjung, pembeli, dan nominal pembelian tiap hari selama 30 hari.

2 Source Code

2.1 Library yang dibutuhkan

> library(lmtest)
> library(tseries)
> library(car)

2.2 Mengambil data

> setwd("D:/__Kuliah/__Tugas/Semester 4/PRAK KOMSTAT/Tugas2")
> Data=read.csv("DataIndomaret.csv",header=T,sep=",")

2.3 Membentuk fungsi LM

> reg=lm(Nominal.Pembelian.dlm.jutaan.~Pengunjung+Pembeli,data=Data)

2.4 Plot

> par(mfrow=c(2,2))
> plot(reg)

## Uji homogenitas

> bptest(reg)

    studentized Breusch-Pagan test

data:  reg
BP = 4.0268, df = 2, p-value = 0.1335

2.5 Uji autokorelasi

> dwtest(reg)

    Durbin-Watson test

data:  reg
DW = 1.9114, p-value = 0.3677
alternative hypothesis: true autocorrelation is greater than 0

2.6 Uji multikolinieritas

> vif(reg)
Pengunjung    Pembeli 
  3.002117   3.002117

2.7 Uji normalitas

> sisa=residuals(reg)
> jarque.bera.test(sisa)

    Jarque Bera Test

data:  sisa
X-squared = 22.787, df = 2, p-value = 1.127e-05
> shapiro.test(sisa)

    Shapiro-Wilk normality test

data:  sisa
W = 0.86634, p-value = 0.00139