LAPORAN ANALISIS DATA
Mengatur package yang digunakan
library(readxl)
library(plm)
library(kableExtra)
library(lmtest)Penelitian ini menggunakan metode pendekatan kuantitatif. Data yang digunakan merupakan data sekunder yang diperoleh dari situs resmi Badan Pusat Statistik, dan situs resmi Badan Meteorologi, Klimatologi, dan Geofisika, yaitu angka tingkat inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY), serta data rata-rata suhu, kelembapan rata-rata, jumlah curah hujan, dan kecepatan angin rata-rata di Kota Makassar selama tahun 2018-2022.
Variabel yang digunakan meliputi variabel prediktor dan variabel respon. Secara rinci, terdapat 5 variabel yang terdiri dari 4 variabel prediktor dan 1 variabel respon. Variabel tersebut antara lain yaitu :
Tingkat inflasi berdasarkan kelompok makana, minuman, dan tembakau (Y)
Rata-rata suhu (X1)
Kelembapan rata-rata (X2)
Curah Hujan (X3)
Kecepatan angin rata-rata (X4)
Mengatur Dataset
setwd("E:/UNHAS/SEMESTER 5/MAGANG (BMKG)")
data <- read_excel("Data Panel FIX.xlsx")
dataMelihat Deskripsi Data
str(data)## tibble [60 x 7] (S3: tbl_df/tbl/data.frame)
## $ Bulan : chr [1:60] "Januari" "Januari" "Januari" "Januari" ...
## $ Tahun : num [1:60] 2018 2019 2020 2021 2022 ...
## $ Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y): num [1:60] 1.28 1.1 2.41 1.45 1.05 1.89 1.04 3.68 2.36 0.62 ...
## $ Rata-Rata Suhu (Tavg) (X1) : num [1:60] 27.4 27.5 28.3 26.8 26.9 ...
## $ Kelembapan Rata-Rata (RH_avg) (X2) : num [1:60] 86.5 83.7 83.1 87.5 85 ...
## $ Curah Hujan (RR) (X3) : num [1:60] 846 672 637 1237 792 ...
## $ Kecepatan Angin Rata-Rata (ff_avg) (X4) : num [1:60] 2.16 2.55 2.23 2.26 2.26 ...summary(data)## Bulan Tahun
## Length:60 Min. :2018
## Class :character 1st Qu.:2019
## Mode :character Median :2020
## Mean :2020
## 3rd Qu.:2021
## Max. :2022
## Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)
## Min. :0.620
## 1st Qu.:1.990
## Median :3.400
## Mean :3.139
## 3rd Qu.:4.093
## Max. :6.230
## Rata-Rata Suhu (Tavg) (X1) Kelembapan Rata-Rata (RH_avg) (X2)
## Min. :26.80 Min. :69.26
## 1st Qu.:27.55 1st Qu.:76.61
## Median :28.11 Median :80.12
## Mean :28.08 Mean :79.48
## 3rd Qu.:28.49 3rd Qu.:82.94
## Max. :29.35 Max. :87.45
## Curah Hujan (RR) (X3) Kecepatan Angin Rata-Rata (ff_avg) (X4)
## Min. : 0.00 Min. :1.387
## 1st Qu.: 44.63 1st Qu.:1.895
## Median : 169.73 Median :2.000
## Mean : 326.84 Mean :1.988
## 3rd Qu.: 618.77 3rd Qu.:2.064
## Max. :1237.13 Max. :2.548Penelitian ini akan menggunakan metode regresi data panel. Regresi data panel digunakan ketika peneliti ingin mengetahui sebuah hubungan antar variabel dimana data yang pengamatan yang didapatkan terdiri dari data time series dan data cross section.
Penggunakan regresi data panel pada penelitian ini akan dilakukan dengan melewati beberapa tahapan. Tahapan pertama ialah menentukan model estimasi terbaik. Terdapat tiga model yang akan diuji mana yang terbaik yakni: (1) Common Effect Model, (2) Fixed Effect Model, dan (3) Random Effect Model. Ketiga model ini akan ditentukan melalui pengujian berikut ini.
PENENTUAN MODEL ESTIMASI
1. Uji Chow
Pengujian ini dilakukan untuk menentukan model terbaik antara CEM dan FEM.
Hipotesis:
H0 = Common Effect Model (CEM)
H1 = Fixed Effect Model (FEM)
H0 ditolak jika p-value lebih kecil dari nilai alpha. Nilai alpha yang digunakan yakni sebesar 5%.
common <- plm(data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~
data$`Rata-Rata Suhu (Tavg) (X1)`+
data$`Kelembapan Rata-Rata (RH_avg) (X2)`+
data$`Curah Hujan (RR) (X3)`+
data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)`,
data=data,
model="pooling")
fixed <- plm(data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~
data$`Rata-Rata Suhu (Tavg) (X1)`+
data$`Kelembapan Rata-Rata (RH_avg) (X2)`+
data$`Curah Hujan (RR) (X3)`+
data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)`,
data=data,
model="within")
uji_chow <- pooltest(common,fixed)
uji_chow##
## F statistic
##
## data: data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~ ...
## F = 2.3455, df1 = 11, df2 = 44, p-value = 0.02247
## alternative hypothesis: unstabilityDari pengujian di atas didapatkan nilai p-value sebesar 0,02247, dimana nilai tersebut lebih kecil dari nilai alpha (0,05).
Dengan demikian, H0 ditolak dan H1 diterima. Artinya dengan tingkat keyakinan 95%, dapat diyakini bahwa Fixed Effect Model lebih baik digunakan daripada menggunakan Common Effect Model.
2. Uji Hausman
Pengujian ini dilakukan untuk mengecek mana model terbaik antara Random Effect Model dan Fixed Effect Model
Hipotesis:
H0 = Random Effect Model (REM)
H1 = Fixed Effect Model (FEM)
H0 ditolak jika p-value lebih kecil dari nilai alpha. Nilai alpha yang digunakan yakni sebesar 5%.
fixed <- plm(data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~
data$`Rata-Rata Suhu (Tavg) (X1)`+
data$`Kelembapan Rata-Rata (RH_avg) (X2)`+
data$`Curah Hujan (RR) (X3)`+
data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)`,
data=data,
model="within", index = c("Bulan", "Tahun"))
random <- plm(data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~
data$`Rata-Rata Suhu (Tavg) (X1)`+
data$`Kelembapan Rata-Rata (RH_avg) (X2)`+
data$`Curah Hujan (RR) (X3)`+
data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)`,
data=data,
model="random", index = c("Bulan", "Tahun"))
uji_hausman <- phtest(random, fixed)
uji_hausman##
## Hausman Test
##
## data: data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~ ...
## chisq = 11.224, df = 4, p-value = 0.02416
## alternative hypothesis: one model is inconsistentDari pengujian di atas didapatkan nilai p-value sebesar 0,02416, dimana nilai tersebut lebih kecil dari nilai alpha (0,05).
Dengan demikian, H0 ditolak dan H1 diterima. Artinya dengan tingkat keyakinan 95%, dapat diyakini bahwa Fixed Effect Model lebih baik digunakan daripada menggunakan Random Effect Model.
3. Uji Breusch Pagan
Setelah diperoleh model yang terbaik yaitu Fixed Effect Model, selanjutnya dilakukan pengujian Breuch Pagan. Uji Breuch Pagan digunakan untuk menentukan apakah ada efek time maupun individu atau bahkan tidak ada pada model. Ketika nilai p-value kurang dari alpha 5% maka dapat disimpulkan terdapat efek.
#Uji Breusch Pagan
ubp <- plm(data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~
data$`Rata-Rata Suhu (Tavg) (X1)`+
data$`Kelembapan Rata-Rata (RH_avg) (X2)`+
data$`Curah Hujan (RR) (X3)`+
data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)`,
data=data,
model="within")
#Efek Dua Arah
uji_bp <- plmtest(ubp, effect="twoways", type="bp")
uji_bp##
## Lagrange Multiplier Test - two-ways effects (Breusch-Pagan)
##
## data: data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~ ...
## chisq = 3.6367, df = 2, p-value = 0.1623
## alternative hypothesis: significant effects#Efek Individu/Cross Section
uji_ind <- plmtest(ubp, effect="individual", type="bp")
uji_ind##
## Lagrange Multiplier Test - (Breusch-Pagan)
##
## data: data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~ ...
## chisq = 3.4202, df = 1, p-value = 0.0644
## alternative hypothesis: significant effects#Efek Waktu/Time
uji_time <- plmtest(ubp, effect="time", type="bp")
uji_time##
## Lagrange Multiplier Test - time effects (Breusch-Pagan)
##
## data: data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~ ...
## chisq = 0.21645, df = 1, p-value = 0.6418
## alternative hypothesis: significant effectsDari pengujian Breusch-Pagan didapatkan nilai p-value sebesar 0,1623, dimana nilai tersebut lebih besar dari nilai alpha (0,05). Artinya, pada Fixed Model Effect yang dipilih tidak terdapat efek dua arah atau dapat dikatakan bahwa model ini hanya memiliki efek satu arah.
Dari pengujian selanjutnya didapatkan nilai p-value sebesar 0,0644 dan 0,6418, dimana nilai tersebut lebih besar dari nilai alpha (0,05). Artinya pada model yang dipilih tidak terdapat efek individu maupun efek time.
PEMBUATAN MODEL
Dari uji Hausman dan uji Breusch-Pagan disimpulkan bahwa model yang akan diestimasi adalah Fixed Effect Model dengan efek satu arah. Kemudian dilakukan uji signifikansi variabel pada model sebagai berikut:
model1 <- plm(data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~
data$`Rata-Rata Suhu (Tavg) (X1)`+
data$`Kelembapan Rata-Rata (RH_avg) (X2)`+
data$`Curah Hujan (RR) (X3)`+
data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)`,
data=data,
model="within", index = c("Bulan", "Tahun"))
summary(model1)## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~
## data$`Rata-Rata Suhu (Tavg) (X1)` + data$`Kelembapan Rata-Rata (RH_avg) (X2)` +
## data$`Curah Hujan (RR) (X3)` + data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)`,
## data = data, model = "within", index = c("Bulan", "Tahun"))
##
## Balanced Panel: n = 12, T = 5, N = 60
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -1.92650 -0.82960 0.11494 0.60553 2.04122
##
## Coefficients:
## Estimate Std. Error t-value
## data$`Rata-Rata Suhu (Tavg) (X1)` -0.30178004 0.53774815 -0.5612
## data$`Kelembapan Rata-Rata (RH_avg) (X2)` -0.01377856 0.09203052 -0.1497
## data$`Curah Hujan (RR) (X3)` -0.00080703 0.00132030 -0.6112
## data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)` 1.29958914 1.31881795 0.9854
## Pr(>|t|)
## data$`Rata-Rata Suhu (Tavg) (X1)` 0.5775
## data$`Kelembapan Rata-Rata (RH_avg) (X2)` 0.8817
## data$`Curah Hujan (RR) (X3)` 0.5442
## data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)` 0.3298
##
## Total Sum of Squares: 64.79
## Residual Sum of Squares: 62.191
## R-Squared: 0.04012
## Adj. R-Squared: -0.28711
## F-statistic: 0.45976 on 4 and 44 DF, p-value: 0.76479fixef(model1)## Agustus April Desember Februari Januari Juli Juni Maret
## 8.5951 9.1629 9.5920 10.8298 11.0300 11.2088 11.2774 10.5052
## Mei November Oktober September
## 10.0873 10.1207 10.4915 11.7552PENGUJIAN MODEL
1. Uji Autokorelasi
Pengujian ini dilakukan untuk mengetahui apakah terdapat korelasi variabel yang ada di dalam model prediksi dengan perubahan waktu.
Hipotesis:
H0 = Tidak ada korelasi serial pada komponen galat
H1 = Terdapat korelasi serial pada komponen galat
H0 ditolak jika p-value lebih kecil dari nilai alpha. Nilai alpha yang digunakan yakni sebesar 5%.
#Uji Autokorelasi
uji_autokor <- pbgtest(model1)
uji_autokor##
## Breusch-Godfrey/Wooldridge test for serial correlation in panel models
##
## data: data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~ ...
## chisq = 40.247, df = 5, p-value = 1.332e-07
## alternative hypothesis: serial correlation in idiosyncratic errorsDari pengujian di atas didapatkan nilai p-value sebesar 1,332e-07 dimana nilai tersebut lebih kecil dari nilai alpha (0,05).
Dengan demikian, H0 ditolak dan H1 diterima. Artinya dengan tingkat keyakinan 95%, dapat diyakini bahwa terdapat korelasi serial pada komponen galat.
2. Uji Homoskedastisitas
Pengujian ini dilakukan untuk menguji error atau galat dalam model statistik untuk melihat apakah varians atau keragaman dari erro terpengaruh oleh faktor lain atau tidak.
Hipotesis:
H0 = Homoskedastisitas
H1 = Tidak homoskedastisitas atau heterokedastisitas
H0 ditolak jika p-value lebih kecil dari nilai alpha. Nilai alpha yang digunakan yakni sebesar 5%.
uji_homos <- bptest(model1)
uji_homos##
## studentized Breusch-Pagan test
##
## data: model1
## BP = 5.149, df = 4, p-value = 0.2723Dari pengujian di atas didapatkan nilai p-value sebesar 0,2723 dimana nilai tersebut lebih besar dari nilai alpha (0,05).
Dengan demikian, H0 diterima dan H1 ditolak. Artinya dengan tingkat keyakinan 95%, dapat diyakini bahwa tidak terjadi gejala heteroskedastisitas atau data yang digunakan homoskedastisitas.
3. Uji Overall
Pengujian ini dilakukan untuk mengetahui apakah terdapat pengaruh variabel prediktor terhadap variabel respon secara simultan.
Hipotesis:
H0 = Tidak terdapat pengaruh
H1 = Terdapat pengaruh
H0 ditolak jika p-value lebih kecil dari nilai alpha. Nilai alpha yang digunakan yakni sebesar 5%.
summary(model1)## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = data$`Inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) (Y)` ~
## data$`Rata-Rata Suhu (Tavg) (X1)` + data$`Kelembapan Rata-Rata (RH_avg) (X2)` +
## data$`Curah Hujan (RR) (X3)` + data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)`,
## data = data, model = "within", index = c("Bulan", "Tahun"))
##
## Balanced Panel: n = 12, T = 5, N = 60
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -1.92650 -0.82960 0.11494 0.60553 2.04122
##
## Coefficients:
## Estimate Std. Error t-value
## data$`Rata-Rata Suhu (Tavg) (X1)` -0.30178004 0.53774815 -0.5612
## data$`Kelembapan Rata-Rata (RH_avg) (X2)` -0.01377856 0.09203052 -0.1497
## data$`Curah Hujan (RR) (X3)` -0.00080703 0.00132030 -0.6112
## data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)` 1.29958914 1.31881795 0.9854
## Pr(>|t|)
## data$`Rata-Rata Suhu (Tavg) (X1)` 0.5775
## data$`Kelembapan Rata-Rata (RH_avg) (X2)` 0.8817
## data$`Curah Hujan (RR) (X3)` 0.5442
## data$`Kecepatan Angin Rata-Rata (ff_avg) (X4)` 0.3298
##
## Total Sum of Squares: 64.79
## Residual Sum of Squares: 62.191
## R-Squared: 0.04012
## Adj. R-Squared: -0.28711
## F-statistic: 0.45976 on 4 and 44 DF, p-value: 0.76479Dari pengujian di atas didapatkan nilai p-value sebesar 0,76479 dimana nilai tersebut lebih besar dari nilai alpha (0,05).
Dengan demikian, H0 diterima dan H1 ditolak. Artinya dengan tingkat keyakinan 95%, dapat diyakini bahwa tidak terdapat pengaruh variabel prediktor terhadap variabel respon secara simultan.
Dalam pengujian di atas juga didapatkan nilai R Square sebesar 0,04012. Hal ini berarti variabel prediktor yakni rata-rata suhu, kelembapan rata-rata, jumlah curah hujan, dan kecepatan angin rata-rata dapat menjelaskan variabilitas atau keragaman variabel respon tingkat inflasi berdasarkan kelompok makanan, minuman, dan tembakau (YoY) sebesar 4% sedangkan 96% dijelaskan oleh faktor lain di luar model.
INTERPRETASI
Berdasarkan model terbaik yang dipilih yakni Fixed Effect Model didapatkan persamaan
## [1] "Y = -0.30178004X1 - 0.01377856X2 - 0.00080703X3 + 1.29958914X4 + d + e"dengan nilai d adalah
## Agustus April Desember Februari Januari Juli Juni Maret
## 8.5951 9.1629 9.5920 10.8298 11.0300 11.2088 11.2774 10.5052
## Mei November Oktober September
## 10.0873 10.1207 10.4915 11.7552Keterangan:
Setiap kenaikan suhu rata rata sebesar 1 derajat Celcius menyebabkan tingkat inflasi menurun sebesar 0,3% dengan menganggap variabel lain konstan.
Setiap kenaikan kelembapan rata-rata sebesar 1 gram per meter kubik menyebabkan tingkat inflasi menurun sebesar 0,013% dengan menganggap variabel lain konstan.
Setiap kenaikan jumlah curah hujan sebesar 1 mm menyebabkan tingkat inflasi menurun sebesar 0,0008% dengan menganggap variabel lain konstan.
Setiap kenaikan kecepatan angin rata rata sebesar 1 meter per detik menyebabkan tinglat inflasi meningkat sebesar 1,299% dengan menganggap variabel lain konstan.