LAPORAN PRAKTIKUM
ANALISIS REGRESI TERAPAN
Modul 4 : Pengujian Asumsi dan Pelanggarannya
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi
Daftar Isi..............................................................................................................ii
Daftar Tabel........................................................................................................iii
Daftar Gambar .................................................................................................... iv
1 Pendahuluan ................................................................................................. 5
1.1 Analisis Regresi ..................................................................................... 5
1.2 Uji Asumsi Klasik.................................................................................. 5
1.2.1 Uji Normalitas ................................................................................ 5
1.2.2 Uji Autokorelasi ............................................................................. 6
1.2.3 Uji Heteroskedastisitas.................................................................... 6
1.2.4 Uji Multikolinearitas ....................................................................... 6
2 Deskripsi Kerja ............................................................................................ 8
2.1 Studi Kasus ............................................................................................ 8
2.2 Langkah Kerja ..................................................................................... 11
3 Pembahasan ............................................................................................... 15
3.1. Identifikasi Variabel Independen dan Dependen .................................. 16
3.2. Analisis Regresi Berganda ................................................................... 16
3.2.1. Estimasi model ................................................................................. 17
3.2.2. Uji Overall ....................................................................................... 18
3.2.3. Uji Parsial ....................................................................................... 19
3.2.4. Koefisien determinasi (R2) ............................................................... 20
3.3. Uji Asumsi Klasik................................................................................ 20
3.3.1. Uji Normalitas Residual ................................................................... 21
3.3.2. Uji Auto Korelasi ............................................................................. 21
3.3.3. Uji Heteroskedastisitas ..................................................................... 22
3.3.4. Uji Multikolinearitas ........................................................................ 23
3.4. Interpretasi Model ............................................................................ 24
3.5. Model Regresi dan Prediksi .............................................................. 25
4. Penutup ...................................................................................................... 27
4.1. Kesimpulan.......................................................................................... 27
5. Daftar Pustaka ............................................................................................ 28
ii
Daftar Tabel
iii
Daftar Gambar
iv
1 Pendahuluan
5
tidak dilarang tetapi model regresi memerlukan normalitas pada nilai
residualnya bukan pada masing-masing variabel penelitian.
1.2.2 Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara
suatu periode t dengan periode sebelumnya (t -1). Secara sederhana adalah
bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas
terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan
data observasi sebelumnya. Sebagai contoh adalah pengaruh antara tingkat
inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data tingkat inflasi
pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh tingkat
inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada model
tersebut. (Huda, 2016)
1.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah terdapat
ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang
lain. Model regresi yang memenuhi persyaratan adalah di mana terdapat
kesamaan varians dari residual satu pengamatan ke pengamatan yang lain tetap
atau disebut homoskedastisitas. (Huda, 2016)
1.2.4 Uji Multikolinearitas
Uji multikolinearitas adalah untuk melihat ada atau
tidaknya korelasi yang tinggi antara variabel-variabel bebas dalam suatu model
regresi linear berganda. Jika ada korelasi yang tinggi di antara variabel-variabel
bebasnya, maka hubungan antara variabel bebas terhadap variabel terikatnya
menjadi terganggu. Sebagai ilustrasi, adalah model regresi dengan variabel
bebasnya motivasi, kepemimpinan dan kepuasan kerja dengan variabel
terikatnya adalah kinerja. Logika sederhananya adalah bahwa model tersebut
untuk mencari pengaruh antara motivasi, kepemimpinan dan kepuasan kerja
terhadap kinerja. Jadi tidak boleh ada korelasi yang tinggi antara motivasi
dengan kepemimpinan, motivasi dengan kepuasan kerja atau antara
kepemimpinan dengan kepuasan kerja. Alat statistik yang sering dipergunakan
untuk menguji gangguan multikolinearitas adalah dengan variance inflation
6
factor (VIF), korelasi pearson antara variabel-variabel bebas, atau dengan
melihat eigenvalues dan condition index (CI). (Huda, 2016)
7
2 Deskripsi Kerja
8
2006 2482 478.35 9020 598.55
2007 3305.7 780.25 9419 881.43
2008 4789.7 638.4 10950 1258.25
2009 5496.3 682.83 9400 848.68
2010 5290.9 847.3 9083 1004.6
2011 4980 1067.5 8774 1299.33
2012 5253.8 898.5 9670 1226.25
2013 5634.1 856.89 12189 1056.67
2014 4867.8 821.43 12440 909.27
2015 5737.7 622.66 13795 756.92
2016 4019.32 614.856 8911 844.772
2017 844.1 562.4 2290 750.74
2018 4633.72 685.636 8753 957.49
2019 4940.92 721.026 8674 1013.849
*merupakan data fiktif
Keterangan:
Y : Ekspor Minyak Kelapa Sawit Indonesia ke India (Ton)
X1 : Harga Minyak Kelapa Sawit Internasional (US$/Ton)
X2 : Nilai Tukar Rupiah Terhadap Dollar (Rp/US$)
X3 : Harga Minyak Subsitusi Internasional (US$/Ton)
a. Identifikasi variabel dependen dan variabel independen dari data
tersebut
b. Lakukan analisis regresi linier berganda dengan menggunakan software
R.
c. Lakukan pemeriksaan asumsi untuk model analisis regresi yang
didapatkan. (uji normalitas, uji autokorelasi, uji homoskedastisitas, uji
mulikolinearitas)
d. Tentukan model terbaik dan interpretasikan
e. Lakukanlah prediksi untuk data tersebut
9
Tabel 2.2. Data untuk prediksi
X1 X2 X3
400 9730 900
500 8933 1027.9
10
2.2 Langkah Kerja
Pada praktikum kali ini, praktikan menggunakan sistem aplikasi R Studio dan
Microsoft Excel untuk membantu menyelesaikan studi kasus. Berikut adalah
langkah kerja yang dilakukan praktikan.
1. Sebelumnya praktikan akan menginputkan data pada Tabel 2.1 ke dalam
Microsoft Excel dan menyimpannya dalam format csv.
11
3. Lalu, praktikan akan menuliskan syntax “fredita=read.csv (file
.choose() ,header=TRUE,sep=";")” untuk menginput data yang
sebelumnya telah diketik di Excel dan disimpan dalam bentuk csv.
4. Kemudian praktikan akan memilih file dengan file nama “laprak 3” dan klik
open.
12
Gambar 2.6. Syntax regresi berganda 1.
7. Praktikan melakukan analisis kembali dengan mengurangi variabel
dikarenakan ada koefisien yang tidak signifikan dengan syntax berikut ini.
13
12. Melakukan perkiraan atau prediksi pada data yang ada dengan
menggunakan variabel permisalan yang telah dibuat yaitu Y, X1, X2, X3
dengan syntax berikut ini.
14
3 Pembahasan
header = TRUE, sep = ";")”. Kemudian setelah data dipanggil maka akan
15
Dari gambar diatas dapat dilihat praktikan memisalkan “Data Penanaman
Modal Asing, Pengeluaran Investasi Pemerintah, Expor, Nilai Tukar, Krisis
Keuangan Dunia 2008” dengan nama “fredita”. Kemudian dilanjutkan syntax
read.csv berarti file yang akan diinput dalam bentukt csv. Lalu,
file.choose() berarti file yang akan dibuka ditentukan oleh praktikan dengan
sebagai judul, pilih file yang praktikan simpan dengan nama “laprak3”
kemudian open..
16
Gambar 3.4. Output regresi berganda 1.
Dapat dilihat pada output diatas merupakan hasil dari regresi yang 1
dengan menggunakan X1, X2, X3 diperoleh hasil yang tidak signifikan pada
variabel X1, maka karena itu praktikan akan melakukan analisis ulang dengan
mengurangi variabel X1, menggunakan syntax “regresi_berganda= lm
(Y~X2+X3, data= fredita)” dan didapati hasil berikut ini dengan
mengguankan syntax “summary(regresi_berganda2)”.
17
0.2831 dan β2 sebesar 4.152. Maka praktikan dapat membuat pemodelan
regresi berganda yaitu
𝑦̂𝑙 = β0 + β2 𝑥2 + β3 𝑥3
𝑦̂𝑙 = −2354 + 0.2831𝑥2 + 4.152𝑥3
18
iv. Statistik Uji
P-value = 4.349x10-14 ; α = 0.05
P-value (4.349x10-14) < α (0.05)
v. Keputusan Uji
P-value (4.349x10-14) < α (0.05) , maka keputusannya adalah tolak H0
vi. Kesimpulan
Dengan tingkat signifikansi 5% atau tingkat kepercayaan 95% didapatkan
keputusan tolak H0 , yang artinya model regresi layak digunakan.
19
No. Koefisien P-value tanda α Keputusan
1. β0(Intercept) 4.19x10-7 < 0.05 Tolak H0
2. β1 3.63x10-8 < 0.05 Tolak H0
3. β2 4.80x10-9 < 0.05 Tolak H0
v. Kesimpulan
Dengan tingkat signifikansi 5% atau tingkat kepercayaan 95% didapatkan
keputusan Intercept, β1, β2, tolak H0. Maka dapat disimpulkan data yang Tolak
H0 signifikan terhadap model.
3.2.4. Koefisien determinasi (R2)
Adjusted R-Squared atau disebut koefisien determinasi (R2)
mengukur proporsi variabel respon yang dapat dijelaskan oleh variabel
prediktor dalam model. Menunjukkan kelayakan atau kebaikan model.
Semakin besar nilai R2 semakin baik modelnya. Nilai R2 berada di antara 0-
100.
20
3.3.1. Uji Normalitas Residual
Praktikan akan menguji kenormalannya dengan menggunakan uji
Kolmogorov-Smirnov yang dihasilkan output seperti pada gambar di bawah
ini.
21
Dari output di atas, dapat dilakukan uji hipotesis sebagai berikut.
a) Uji Hipotesis
H0 : Tidak terdapat autokorelasi.
H1 : Terdapat autokorelasi.
b) Tingkat Signifikansi
α = 5% = 0.05
c) Daerah Kritis
P-value <α maka tolak H0
d) Statistik Uji
Diperoleh p-value = 0.209 > α
e) Keputusan
Karena nilai p-value > 𝛼, maka keputusannya adalah gagal tolak H0
f) Kesimpulan
Dengan tingkat kepercayaan 95% maka keputusan nya adalah gagal tolak
H0, yang artinya tidak terdapat autokorelasi pada sisaan, dan asumsi
terpenuhi.
22
d) Statistik Uji
Diperoleh p-value = 0.1282 < α
e) Keputusan
Karena nilai p-value < 𝛼, maka keputusannya adalah tolak H0
f) Kesimpulan
Dengan tingkat kepercayaan 95% maka keputusan nya adalah tolak
H0, yang artinya asumsi kehomogenan ragam sisaan tidak terpenuhi
23
f) Kesimpulan
Dengan tingkat kepercayaan 95% maka keputusan nya adalah gagal
tolak H0, yang artinya tidak adanya multikolinearitas, yang artinya asumsi
terpenuhi.
24
- Setiap peningkatan satu satuan 𝑥2 (Nilai Tukar Rupiah Terhadap Dollar)
maka akan mempengaruhi Ekspor Minyak Kelapa Sawit Indonesia ke India
sebesar 0.2831. Artinya setiap peningkatan Nilai Tukar Rupiah Terhadap
Dollar maka Ekspor Minyak Kelapa Sawit Indonesia ke India akan naik
sebanyak 0.2831
- Setiap peningkatan satu satuan 𝑥3 (Harga Minyak Subsitusi Internasional)
maka akan mempengaruhi Ekspor Minyak Kelapa Sawit Indonesia ke India
sebesar 4.152. Artinya setiap peningkatan Harga Minyak Subsitusi
Internasional maka Ekspor Minyak Kelapa Sawit Indonesia ke India akan
naik sebanyak 4.152.
- Ketika nilai 𝑥1 , 𝑥2 bernilai nol(0), maka Ekspor Minyak Kelapa Sawit
Indonesia ke India yang diperkirakan berdasarkan model adalah sebesar -
2354.
25
27.9)))” dan dilanjutkan dengan memanggil prediksi tersebut dengan
“prediksi” maka akan diperoleh output prediksi seperti gambar dibawah ini.
26
4. Penutup
4.1. Kesimpulan
Berdasarkan dari berbagai hal yang telah praktikan lakukan dan uraian
pembahasan, maka pratikan dapat menyimpulkan beberapa hal sebagai berikut :
27
5. Daftar Pustaka
Abtohi, S. (2017, Juli 26). Pengenalan Program R Sebagai Alat Analisis Statistik.
Retrieved from Data Analysis: http://www.analisis-
data.com/2017/07/pengantar-program-r.html
Advernesia. (2018). Advernesia. Retrieved from Pengertian SPSS Statistika:
https://www.advernesia.com/blog/spss/pengertian-spss-statistika/
Analisi Regresi. (2018, Desember 6). Retrieved from wikipedia:
https://id.wikipedia.org/wiki/Analisis_regresi
Ardiyanto, R. (2019, June 26). Statistik Deskriptif. Retrieved from rumus.co.id:
https://rumus.co.id/statistik-deskriptif/
Consultant, D. (2018, Oktober Kamis). Analisis Regresi Linier Berganda.
Retrieved from Duwi Consultant:
http://duwiconsultant.blogspot.com/2011/11/analisis-regresi-linier-
berganda.html
Dr. Jaka Nugraha, M., & Mujiati Dwi Kartikasari, M. (2019). Modul Praktikum
Analisis Data Eksploratif. Yogyakarta.
Faisal, M. R. (2016). Seri Belajar Pemrograman Pengenalan BAhasa
Pemrograman R. Banjarmasin.
Hakim, F., & Yotenka, R. (2019). BASIS DATA DENGAN MYSQL. Yogyakarta:
Modul tidak diterbitkan.
Huang, H. (2019, Januari 29). Analisis Regresi Sederhana. Retrieved from
Globalstats Academic: https://www.globalstatistik.com/analisis-regresi-
sederhana-ini-penjelasannya/
Huda, F. A. (2016, Desember 15). Uji Asumsi Klasik. Retrieved from
fatkhan.web.id: http://fatkhan.web.id/uji-asumsi-klasik/
Iman, M. T. (2015). Materi tengtang Microsoft Excel. Retrieved from
mteguhiman: https://mteguhiman.wordpress.com/mata-kuliah-
aplikom/materi-tentang-microsoft-excel/
Irvandi. (2017, Agustus 25). 12 Manfaat Basis Data dalam Kehidupan Sehari
Hari. Retrieved from Dosen.IT.com: https://dosenit.com/kuliah-
it/database/manfaat-basis-data
Johnson, R. A., & Bhattacharyya, G. K. (2010). Statistics Principles & Methods.
USA: John Wiley & Sons.
Li, X. (2013). Comparison and Analysis between Holt Exponential Smoothing
and Brown Exponential Smoothing Used for Freight Turnover Forecast.
Third International Conference on Intelligent System Design and
Engineering Applications (pp. 453-456). IEEE.
Lubis, F. A. (2014, November). Pengertian Microsoft Excel Lengkap Beserta
Ulasan. Retrieved from Pangeran Arti:
http://pangeranarti.blogspot.com/2014/11/pengertian-microsoft-excel-
lengkap.html
Microsoft Office. (2019, Januari 13). Retrieved from Wikipedia:
https://id.wikipedia.org/wiki/Microsoft_Excel
28
Minitab. (2019, Februari 8). Retrieved from Wikipedia:
https://id.wikipedia.org/wiki/Minitab
Modul Praktikum Algoritma Pemrograman. (2017).
Nasution, L. M. (2017). STATISTIK DESKRIPTIF . Jurnal Hikmah, 49.
Nugraha, J., & Dwi Kartikasari, M. (2019). Pengantar Minitab. Yogyakarta:
Modul tidak diterbitkan.
Program R dan Statistika. (2013, June 19). Retrieved from Dataflow:
http://dataflow-stat.blogspot.com/2013/06/program-r-dan-statistika.html
Qurrota, G. (2014, April 14). Artikel Tengtang SPSS. Retrieved from
Assalamualaikum: https://ghoziequrrota.ilearning.me/2014/04/14/artikel-
tentang-spss/
R (bahasa pemrograman). (2017, oktober 4). Retrieved from wikipedia:
https://id.wikipedia.org/wiki/R_(bahasa_pemrograman)
Raharja, H. S. (2017, April 29). PENGERTIAN STATISTIK DESKRIPTIF DAN
STATISTIK INFERENSIA. Retrieved from STATMAT.ID:
https://statmat.id/pengertian-statistik-deskriptif-dan-statistik-inferensia/
Sidik, A. (2011, Februari). Abdulsidik.com. Retrieved from INILAH BEBERAPA
KEUNGGULAN DARI SOFTWARE STATISTIK MINITAB:
http://www.abdulsidik.com/2011/02/inilah-beberapa-keunggulan-dari.html
Sidik, A. (2011, Februari 06). INILAH BEBERAPA KEUNGGULAN DARI
SOFTWARE STATISTIK MINITAB. Retrieved from Abdulsidik.com:
http://www.abdulsidik.com/2011/02/inilah-beberapa-keunggulan-dari.html
Statistika Deskriptif. (2019, May 27). Retrieved from winkonadi:
https://winkonadi.wordpress.com/statistik-deskriptif/
Statistika, B. P. (2015, February). Jumlah Pembangunan DAM Penahan, 2011 -
2016. Retrieved from bps.go.id:
https://www.bps.go.id/dynamictable/2018/05/28%2000:00:00/1381/jumla
h-pembangunan-dam-penahan-2011--2016.html
Suhartono. (2006). Analisis Data Statistik dengan Progrem R. Surabaya.
Uji Asumsi Klasik. (2009, 03). Retrieved from Konsultan Statistik:
http://www.konsultanstatistik.com/2009/03/uji-asumsi-klasik.html
unknown. (2013, Mei 03). PENGERTIAN REGRESI LINEAR SEDERHANA DAN
REGRESI LINER BERGANDA. Retrieved from Jangkrik 2013:
http://jangkrik2011.blogspot.com/2013/05/regresi-linear-sederhana.html
Utari, D. T. (2019). Analisis Regresi Terapan dengan R. Yogyakarta: Universitas
Islam Indonesia.
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability &
Statistics for Engineers & Scientists 9th Ed. USA: Pearson.
Wear, A. (2018, Oktober Kamis). Analisis Regresi Berganda. Retrieved from
Bang Ali Wear: https://alisadikinwear.wordpress.com/2017/01/25/analisis-
regresi-berganda/
Yotenka, R., & Purnama, A. (2017). Modul Praktikum Algoritma Pemrograman .
Yogyakarta: Modul tidak diterbitkan.
29
30