Kelas A

LAPORAN PRAKTIKUM
ANALISIS REGRESI TERAPAN
Modul 4 : Pengujian Asumsi dan Pelanggarannya

Nomor Tanggal Tanda Tangan

Nama Praktikan Praktikan
Mahasiswa Kumpul
Freditasari Purwa Hidayat 18611027 17 Oktober 2019

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Ghardapaty Ghaly Ghiffary
Halima Tusyakdiah

Mujiati Dwi Kartikasari,

S.Si., M.Si

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

Tabel 2.1. Data .................................................................................................... 8

Tabel 2.2. Data untuk prediksi ........................................................................... 10
Tabel 3.1. Hasil Prediksi ................................................................................... 26

iii
Daftar Gambar

Gambar 2.1. Menginput data ke dalam Excel. ................................................... 11

Gambar 2.2. Jendela awal R Studio. ................................................................. 11
Gambar 2.3. Syntax input data. ......................................................................... 12
Gambar 2.4. Langkah untuk Menginput Data ................................................... 12
Gambar 2.5. Menampilkan variabel. ................................................................. 12
Gambar 2.6. Syntax regresi berganda 1. ............................................................ 13
Gambar 2.7. Syntax regresi berganda 2. ............................................................ 13
Gambar 2.8. Syntax lillie test. ........................................................................... 13
Gambar 2.9. Syntax durbin Watson. .................................................................. 13
Gambar 2.10. Syntax Breusch Pagan. ............................................................... 13
Gambar 2.11. Syntax multikolinearitas. ............................................................ 13
Gambar 2.12. Syntax prediksi. .......................................................................... 14
Gambar 2.13. Syntax data prediksi. ................................................................... 14
Gambar 3.1. Output dari Input Data ke dalam R................................................ 15
Gambar 3.2. Variabel data fredita. .................................................................... 16
Gambar 3.3. Permisalan data fredita. ................................................................ 16
Gambar 3.4. Output regresi berganda 1. ............................................................ 17
Gambar 3.5. Output regresi berganda 2. ............................................................ 17
Gambar 3.6. Uji Overall. .................................................................................. 18
Gambar 3.7. Uji Parsial. .................................................................................. 19
Gambar 3.8. Koefisien determinasi. .................................................................. 20
Gambar 3.9. Output lillie test. ........................................................................... 21
Gambar 3.10. Output uji auto korelasi. ............................................................. 21
Gambar 3.11. Output uji heteroskedastisitas ..................................................... 22
Gambar 3.12. Output uji multikolinearitas. ....................................................... 23
Gambar 3.13. Model regresi. ............................................................................ 24
Gambar 3.14. Output prediksi. .......................................................................... 26
Gambar 3.15. Output data prediksi. .................................................................. 26

iv
1 Pendahuluan

1.1 Analisis Regresi

Analisis Regresi merupakan alat analisis yang termasuk ke dalam
statistika parametrik. Dengan demikian, untuk menggunakan regresi, harus
melakukan pengujian asumsi terlebih dauulu. Asumsi yang harus terpenuhi,
yaitu:
1. Kenormalan Residual.
2. Tidak ada autokorelasi/residual saling bebas.
3. Homoskedastitas/kehomogenan variansi residual.
4. Tidak ada multikolinieritas (untuk analisis regresi berganda)
(Utari, 2019)
1.2 Uji Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada
analisis regresi linear berganda yang berbasis ordinary least square (OLS). Jadi
analisis regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan
asumsi klasik, misalnya regresi logistik atau regresi ordinal. Demikian juga
tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear,
misalnya uji multikolinearitas tidak dilakukan pada analisis regresi linear
sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional.
Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji
heteroskedastisitas, uji normalitas, uji autokorelasi dan uji linearitas. Tidak ada
ketentuan yang pasti tentang urutan uji mana dulu yang harus dipenuhi.
Analisis dapat dilakukan tergantung pada data yang ada. (Uji Asumsi Klasik,
2009)
1.2.1 Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi
normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang
terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-masing
variabel tetapi pada nilai residualnya. Sering terjadi kesalahan yang jamak
yaitu bahwa uji normalitas dilakukan pada masing-masing variabel. Hal ini

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

2.1 Studi Kasus

Untuk memahami bab Regresi Linear Berganda , maka diperlukan

pemahaman lebih dalam lagi. Berikut adalah soal yang diperlukan untuk
memahami materi tentang pengujian asumsi dan pelanggarannya :
Terdapat data harga minyak kelapa sawit internasional, nilai tukar
rupiah terhadap dollar (Rp/US$), harga minyak subsitusi internasional, dan
ekspor minyak kelapa sawit Indonesia ke India dari tahun 1990 – 2019.
Analisislah permintaan ekspor minyak kelapa sawit Indonesia ke India. apakah
ada pengaruh harga minyak kelapa sawit internasional, nilai tukar rupiah
terhadap dollar (Rp/US$), dan harga minyak subsitusi internasional terhadap
ekspor minyak kelapa sawit Indonesia ke India.
Tabel 2.1. Data
Tahun Y X1 X2 X3
1990 196.8 239.5 1901 447.33
1991 342.3 280.28 1922 453.83
1992 363.4 325.33 2062 428.92
1993 591.9 312.14 2110 480.42
1994 718 437.27 2200 615.58
1995 562.3 537.62 2308 625.08
1996 812.4 467.15 2383 551.5
1997 1709.6 490.43 4650 564.75
1998 1075.44 671.08 8025 625.92
1999 1028 377.28 7100 427.33
2000 1639.1 310.25 9530 338.08
2001 1519.8 285.67 10400 354
2002 1766.6 390.25 8940 454.25
2003 2274.3 443.25 8465 553.92
2004 2761.6 471.33 9290 616
2005 2558.3 422.08 9830 554.92

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.

Gambar 2.1. Menginput data ke dalam Excel.

2. Lalu, praktikan buka aplikasi R Studio, cari shortcut RStudio pada layar
dekstop, atau masuk lewat tombol Start, lalu pilih RStudio. Tamppilan awal
seperti berikut ini

Gambar 2.2. Jendela awal R Studio.

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.

Gambar 2.3. Syntax input data.

4. Kemudian praktikan akan memilih file dengan file nama “laprak 3” dan klik
open.

Gambar 2.4. Langkah untuk Menginput Data

5. Untuk mempermudah praktikan dalam menggunakan variabel-variabel
yang ada pada data tersebut untuk mengetahui variabel dependen dan
independen, maka praktikkan akan mendefenisikan terlebih dahulu ke
dalam bentuk yang sederhana dengan permisalan seperti yang terlihat pada
syntax berikut ini.

Gambar 2.5. Menampilkan variabel.

6. Kemudian untuk melakukan analisis regresi berganda 1 dapat menggunakan
syntax seperti berikut ini.

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.

Gambar 2.7. Syntax regresi berganda 2.

8. Selanjutnya praktikan melakukan uji kenormalan data dengan
menggunakan uji Kolmogorov-Smirnov dengan menggunakan packages
“nortest”. Pertama, install packages “nortest” > menuliskan syntax untuk
uji normalitas menggunkan analisis Kolmogorov-Smirnov.

Gambar 2.8. Syntax lillie test.

9. Melakukan uji autokorelasi dengan menggunakan dursbin-watson.
Sebelumnya telah install packages lmtest.

Gambar 2.9. Syntax durbin Watson.

10. Setelah itu untuk melakukan uji Breusch Pagan tetap menggunakan
library(lmtest)tetapi dengan perintah bptest() .

Gambar 2.10. Syntax Breusch Pagan.

11. Praktikan melakukan uji multikolinieritas dengan sebelumnya telah
melakukan install packages car.

Gambar 2.11. Syntax multikolinearitas.

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.

Gambar 2.12. Syntax prediksi.

13. Selanjutnya praktikan akan membuat sebuah tabel dari hasil prediksi pada
Rstudio dengan memanfaatkan data frame menggunakan syntax sebagai
berikut in.

Gambar 2.13. Syntax data prediksi.

14
3 Pembahasan

Pada bab sebelumnya telah dijelaskan tahapan yang dilakukan praktikan

dalam menyelesaikan studi kasus yang diberikan. Maka, pada bab ini praktikan
akan menjelaskan secara rinci dan membahas hasil dari studi kasus yang telah
dikerjakan.
Pada studi kasus praktikan diminta untuk pertama yaitu mengidentifikasi
mana yang variabel dependendan varibel independenn dari data tersebut, kedua
melakukan analisis regresi linear berganda dengan meggunakan software R,
ketiga melakukan pemeriksaan asusmsi klasik untuk model analisis regresi yang
didapatkan (uji normalitas, uji autokorelasi, uji homoskedastisita, uji
multikolinearitas), keempat menentukan model terbaik dan
menginterpretasikanny, kelima melakukan prediksi untuk data tersebut.
Maka langkah awal yang diambil praktikana dalah dengan menyimpan data
dalam Excel yang kemudian disimpan dalma bentuk .csv, lalu membuka R
Studio dan menulis kan syntax “fredita= read.csv(file.choose(),

header = TRUE, sep = ";")”. Kemudian setelah data dipanggil maka akan

muncul output seperti dibawah ini.

Gambar 3.1. Output dari Input Data ke dalam R.

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

cara memilih data kemudian klik open untuk membukanya, gunakan.

Header=TRUE yang artinya baris pertama pada file csv tersebut akan digunakan

sebagai judul, pilih file yang praktikan simpan dengan nama “laprak3”
kemudian open..

3.1. Identifikasi Variabel Independen dan Dependen

Sebelum melakukan analisis regresi, praktikan menem=ntukan
terlebih dahulu variabel – variabelnya menggunakan syntax
“names(fredita)” seperti gambar berikut ini.

Gambar 3.2. Variabel data fredita.

Kemudian praktikan mengidentifikasi variabel dependen yaitu yang
dipengaruhi atau variabel respon dengan variabel Y (Ekspor Minyak Kelapa
Sawit Indonesia ke India (Ton)), dan variabel independen yaitu yang
mempengaruhi atau variabel predictor dengan variabel X1 (Harga Minyak
Kelapa Sawit Internasional (US$/Ton), X2 (Nilai Tukar Rupiah Terhadap
Dolar (Rp/US$), dan X3 (Harga Minyak Substitusi Internasional (US$/Ton)

Gambar 3.3. Permisalan data fredita.

3.2. Analisis Regresi Berganda

Setelah melakukan analisis regresi berganda menggunakan syntax
“regresi_berganda1= lm (Y~X1+X2+X3, data= fredita)” dan syntax

“summary(regresi_berganda1)” akan didapati output seperti dibawah ini.

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)”.

Gambar 3.5. Output regresi berganda 2.

3.2.1. Estimasi model

Dari output di atas, setelah melakukan analisis regresi sebayak 2
kali, estimasi ini dapat diketahui nilai pada variabel β0 sebesar -2354, β1

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

3.2.2. Uji Overall

Dalam melakukan uji overall atau uji F analisis regresi linear

berganda praktikan akan membuktikan kelayakan model menggunakan uji,
output seperti berikut ini.

Gambar 3.6. Uji Overall.

Menggunakan data fredita dalam melakukan analisis regresi berganda
yang pertama yaitu dengan melakukan uji Overall menggunakan hasil analisis
yang kedua, dalam melakukan uji tersebut berikut hal-hal yang perlu di
perhatikan sebagai berikut.
i. Hipotesis
H0 : β1 = 0 (i=0,1,2) (model regresi tidak layak digunakan)
H1 : β1 ≠ 0, (i = 0,1,2) (model regresi layak digunakan)
ii. Tingkat Signifikansi
α = 5% = 0.05
iii. Daerah Kritis
Jika P-value ≤ α ; Tolak H0

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.

3.2.3. Uji Parsial

Karena uji overall layak digunakan, maka dilanjutkan uji Parsial atau
uji – t menggunakan hasil analsiis yang kedua. Untuk melakukan analisis
regresi berganda, yang perlu di perhatikan sebagai berikut

Gambar 3.7. Uji Parsial.

i. Hipotesis
H0 : β1 = 0, dimana i = (0,1,2) (koefisien regresi tidak signifikan dalam model)
H1 : β1 ≠ 0, dimana i = (0,1,2) (koefisien regresi signifikan dalam model)
ii. Tingkat Signifikansi
α = 5% = 0.05
iii. Daerah Kritis
Jika P-value ≤ α ; Tolak H0
iv. Statistik Uji dan Keputusan

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.

Gambar 3.8. Koefisien determinasi.

Praktikan menggunakan nilai Adjusted R-Squared karena variabel
dependennya lebih dari satu, sehingga nilai Adjusted R-Squared lebih tepat
digunakan pada analisis regresi linier berganda . Output R2 yang didapatkan
menunjukkan bahwa R2 = 0.89. Artinya sebesar 89% keragaman Y mampu
dijelaskan oleh X dalam model, sedangkan sisanya 11% akan dijelaskan oleh
peubah lain diluar model.

3.3. Uji Asumsi Klasik

Uji asumsi ini dilakukan praktikan untuk lebih memastikan bahwa

persamaan regresi yang didapatkan memiliki ketepatan dalam estimasi,
tidak bias dan konsisten.

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.

Gambar 3.9. Output lillie test.

a) Uji Hipotesis
H0 : Data residual berdistribusi normal
H1 : Data residual tidak berdistribusi normal
b) Tingkat Signifikansi
α = 5% = 0.05
c) Daerah Kritis
P-value ≤ α maka tolak H0
d) Statistik Uji
Diperoleh p-value = 0.4688
e) Keputusan
Karena p-value < α atau 0.4688 < α, maka Tolak H0
f) Kesimpulan
Dengan tingkat kepercayaan 95% data yang ada maka keputusan nya adalah
tolak H0, yang artinya data residual tidak berdistribusi normal dan asumsi tidak
terpenuhi.

3.3.2. Uji Auto Korelasi

Gambar 3.10. Output uji auto korelasi.

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.

3.3.3. Uji Heteroskedastisitas

Gambar 3.11. Output uji heteroskedastisitas

Dari output di atas, dapat dilakukan uji hipotesis sebagai berikut.
a) Uji Hipotesis
H0 : Asumsi kehomogenan ragam sisaan terpenuhi.
H1 : Asumsi kehomogenan ragam sisaan tidak terpenuhi.
b) Tingkat Signifikansi
α = 5% = 0.05
c) Daerah Kritis
P-value <α maka tolak H0

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

3.3.4. Uji Multikolinearitas

Gambar 3.12. Output uji multikolinearitas.

Dari output di atas, dapat dilakukan uji hipotesis sebagai berikut.
a) Uji Hipotesis
H0 : Tidak terdapat multikolinearitas.
H1 : Terdapat multikolinearitas.
b) Tingkat Signifikansi
α = 5% = 0.05
c) Daerah Kritis
Tolak H0 jika VIF ≥ 10
d) Statistik Uji
Diperoleh VIF x1= 1.263836 < 10
Diperoleh VIF x2= 1.263836 < 10
e) Keputusan
Karena VIF x1 < 10 adalah gagal tolak H0
Karena VIF x2 <1 0 adalah gagal tolak H0

23
 f) Kesimpulan
Dengan tingkat kepercayaan 95% maka keputusan nya adalah gagal
tolak H0, yang artinya tidak adanya multikolinearitas, yang artinya asumsi
terpenuhi.

3.4. Interpretasi Model

Untuk menampilkan model dari analisis regresi linear berganda
menggunakan data yang disimpan dalam variabel “fredita” dapat
menggunakan model seperti berikut ini.

Gambar 3.13. Model regresi.

Berdasarkan output pada gambar diatas tersebut dapat dilihat nilai
β0 = -2354, β1 = 0.2831, β2 = 40152. Jadi, model yang didapat adalah sebagai
berikut:
𝑦̂𝑙 = β0 + β2 𝑥2 + β3 𝑥3
𝑦̂𝑙 = −2354 + 0.2831𝑥2 + 4.152𝑥3
Berdasarkan model yang telah didapatkan dapat dijelaskan :
- Ketika variabel independent (Harga minyak Kelapa Sawit Internasional,
Nilai Tukar Rupiah Terhadap Dollar, Harga Minyak SubstitusiInternasional
dianggap konstan maka β0 atau konstanta(Y) mempengaruhi Ekspor
Minyak Kelapa Sawit Indonesia ke India sebesar -2354.

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.

3.5. Model Regresi dan Prediksi

Berdasarkan hasil dari output persamaan regresi liner berganda
didapatkan model seperti berikut ini :
𝑦̂𝑙 = β0 + β1 𝑥2 + β2 𝑥3
𝑦̂𝑙 = −2354 + 0.2831𝑥2 + 4.152𝑥3
Setelah melakukan uji overall dan uji parsial serta uji asumsi klasik
yang telah praktikkan lakukan didapatkan keputusan yang menunjukkan
sebagian besar uji menolak H0 atau tolak H0 yang menyatakan bahwa H1
diterima berati model regresi layak digunakan dan koefisien regresi signifikan
untuk dijadikan sebagai pemodelan regresi yang didapatkan dikatakan bahwa
model yang ada dapat digunakan.
Selanjutnya dari model yang diperoleh praktikan akan melakukan
simulasi terhadap model serta melakukan prediksi menggunakan regresi yang
diperoleh. Berdasarkan data pada tabel prediksi, praktikan akan melakukan
prediksi menggunakan syntax “prediksi=predict (regresi_ berganda2
,newdata=data.frame(X1=c(400,500),X2=c(9730,8933),X3=c(900,10

25
27.9)))” dan dilanjutkan dengan memanggil prediksi tersebut dengan

“prediksi” maka akan diperoleh output prediksi seperti gambar dibawah ini.

Gambar 3.14. Output prediksi.

Berdasarkan hasil yang didapat dari output prediksi untuk variabel X1
(400,500), X2 (9730,8933), dan X3 (900,1027.9), maka didaptkan hasil
prediksi yang baru adalah 4137.592 dan 4443.018. Setelah mendapatkan hasil
prediksi maka praktikkan akan menampilkan data dari prediksi menggunakan
syntax “dataprediksi=data.frame (X1=c(400,500), X2=c(9730,8933)
,X3=c(900,1027.9), prediksi)” dan memanggilnya dengan
“dataprediksi” akan menampilkan output seperti dibawah ini.

Gambar 3.15. Output data prediksi.

Tabel 3.1. Hasil Prediksi
Harga Nilai Tukar
Harga Minyak
Minyak rupiah
Substitusi Prediksi
Kelapa Sawit Terhadap
Internasional
Internasional Dollar
400 9730 900 4137.592
500 8933 1027.9 4443.018

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 :

1. Dapat diidentifikasi variabel dependen (Y) yaitu Ekspor Minyak Kelapa

Sawit Indonesia ke India (Ton), dan variabel independen (X1) Harga
Minyak Kelapa Sawit Internasional (US$/Ton), (X2) Nilai Tukar Rupiah
Terhadap Dollar (Rp/US$), dan (X3) Harga Minyak Substitusi Internasional
(US$/Ton).
2. Setelah dilakukan analisis regresi berganda didapatkan hasil dari uji F atau
uji overall yaitu tolak H0, dan pada uji t atau uji parsial yaitu tolak H0 juga.
3. Analisis regresi dilakukan dua kali dikarenakan pada analisis pertama
didapati koefisien yang tidak signifikan maka dilakukan menggunakan
metode backward. Dengan mengurangi variabel yang tidak signfikan
tersebut.
4. Setelah dilakukan beberapa uji asumsi klasik dapat disimpulkan secara
keseluruhan bahwasannya :
Asumsi Kesimpulan
Normalitas Tidak Terpenuhi
Autokorelasi Terpenuhi
Homoskedisitas Tidak Terpenuhi
Multikolinieritas Terpenuhi
5. Karena t tidak semua asumsi terpenuhi maka model regresi tidak dapat
digunakan

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