Anda di halaman 1dari 30

Kelas A

LAPORAN PRAKTIKUM ANALISIS REGRESI TERAPAN

Modul 4

: Pengujian Asumsi dan Pelanggarannya

TERAPAN Modul 4 : Pengujian Asumsi dan Pelanggarannya Nama Praktikan Nomor Tanggal Tanda Tangan

Nama Praktikan

Nomor

Tanggal

Tanda Tangan

Mahasiswa

Kumpul

Praktikan

Freditasari Purwa Hidayat

18611027

17 Oktober 2019

 

Nama Penilai

Tanggal

Nilai

Tanda tangan

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

Uji

1.2.3 Heteroskedastisitas

6

Uji

1.2.4 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 (R 2 )

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

11

Gambar 2.2. Jendela awal R

11

Gambar 2.3. Syntax input

12

Gambar 2.4. Langkah untuk Menginput Data

12

Gambar 2.5. Menampilkan

12

Gambar 2.6. Syntax regresi berganda

13

Gambar 2.7. Syntax regresi berganda

13

Gambar 2.8. Syntax lillie

13

Gambar 2.9. Syntax durbin Watson

13

Gambar 2.10. Syntax Breusch

13

Gambar 2.11. Syntax

13

Gambar 2.12. Syntax

14

Gambar 2.13. Syntax data prediksi

14

Gambar 3.1. Output dari Input Data ke dalam R

15

Gambar 3.2. Variabel data

16

Gambar 3.3. Permisalan data

16

Gambar 3.4. Output regresi berganda 1

17

Gambar 3.5. Output regresi berganda 2

17

Gambar 3.6. Uji

18

Gambar 3.7. Uji

19

Gambar 3.8. Koefisien

20

Gambar 3.9. Output lillie test

21

Gambar 3.10. Output uji auto

21

Gambar 3.11. Output uji heteroskedastisitas

22

Gambar 3.12. Output uji

23

Gambar 3.13. Model

24

Gambar 3.14. Output prediksi

26

Gambar 3.15. Output data

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.

dalam Microsoft Excel dan menyimpannya dalam format csv . Gambar 2.1. Meng input data ke dalam

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

lewat tombol Start , lalu pilih RStudio. Tamppilan awal seperti berikut ini Gambar 2.2. Jendela awal

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.

telah diketik di Excel dan disimpan dalam bentuk csv. Gambar 2.3. Syntax input data. 4. Kemudian

Gambar 2.3. Syntax input data.

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

file dengan file nama “laprak 3” dan klik open . Gambar 2.4. Langkah untuk Meng input

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.

permisalan seperti yang terlihat pada syntax berikut ini. Gambar 2.5. Menampilkan variabel. 6. Kemudian untuk

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

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.

koefisien yang tidak signifikan dengan syntax berikut ini. Gambar 2.7. Syntax regresi berganda 2. 8. Selanjutnya

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.

uji normalitas menggunkan analisis Kolmogorov-Smirnov. Gambar 2.8. Syntax lillie test . 9. Melakukan uji

Gambar 2.8. Syntax lillie test.

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

dursbin-watson. Sebelumnya telah install packages lmtest. Gambar 2.9. Syntax durbin Watson. 10. Setelah itu untuk

Gambar 2.9. Syntax durbin Watson.

10. Setelah

itu

untuk

melakukan

uji

Breusch

Pagan

tetap

menggunakan

library(lmtest)tetapi dengan perintah bptest() .

library(lmtest) tetapi dengan perintah bptest() . Gambar 2.10. Syntax Breusch Pagan. 11. Praktikan melakukan

Gambar 2.10. Syntax Breusch Pagan.

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

uji multikolinieritas dengan sebelumnya telah melakukan install packages car. Gambar 2.11. Syntax multikolinearitas. 13

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.

dibuat yaitu Y, X1, X2, X3 dengan syntax berikut ini. Gambar 2.12. Syntax prediksi. 13. Selanjutnya

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.

Rstudio dengan memanfaatkan data frame menggunakan syntax sebagai berikut in. Gambar 2.13. Syntax data prediksi. 14

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.

data dipanggil maka akan muncul output seperti dibawah ini. Gambar 3.1. Output dari Input Data ke

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.

syntax “names(fredita)” seperti gambar berikut ini. Gambar 3.2. Variabel data fredita. Kemudian praktikan

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)

dan X3 (Harga Minyak Substitusi Internasional (US$/Ton) Gambar 3.3. Permisalan data fredita. 3.2. Analisis Regresi

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

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)”.

mengguankan syntax “ summary(regresi_berganda2 )”. Gambar 3.5. Output regresi berganda 2. 3.2.1. Estimasi

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 β 0 sebesar -2354, β 1

17

0.2831 dan β 2 sebesar 4.152. Maka praktikan dapat membuat pemodelan regresi berganda yaitu

̂ = β 0 + β 2 2 + β 3 3 ̂ = −2354 + 0.2831 2 + 4.152 3

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.

model menggunakan uji, output seperti berikut ini. Gambar 3.6. Uji Overall . Menggunakan data fredita dalam

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 H 0 : β 1 = 0 (i=0,1,2) (model regresi tidak layak digunakan) H 1 : β 1 ≠ 0, (i = 0,1,2) (model regresi layak digunakan)

ii. Tingkat Signifikansi α = 5% = 0.05

iii. Daerah Kritis Jika P-value ≤ α ; Tolak H 0

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 H 0

vi. Kesimpulan Dengan tingkat signifikansi 5% atau tingkat kepercayaan 95% didapatkan keputusan tolak H 0 , 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

regresi berganda, yang perlu di perhatikan sebagai berikut Gambar 3.7. Uji Parsial. i. Hipotesis H 0

Gambar 3.7. Uji Parsial.

i. Hipotesis H 0 : β 1 = 0, dimana i = (0,1,2) (koefisien regresi tidak signifikan dalam model) H 1 : β 1 ≠ 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 H 0

iv. Statistik Uji dan Keputusan

19

No.

Koefisien

P-value

tanda

α

Keputusan

1.

β

0 (Intercept)

4.19x10 -7

 

< 0.05

Tolak H 0

2.

 

β

1

3.63x10 -8

 

< 0.05

Tolak H 0

3.

 

β

2

4.80x10 -9

 

< 0.05

Tolak H 0

v.

Kesimpulan Dengan tingkat signifikansi 5% atau tingkat kepercayaan 95% didapatkan

keputusan Intercept, β 1, β 2, tolak H 0. Maka dapat disimpulkan data yang Tolak H 0 signifikan terhadap model.

3.2.4. Koefisien determinasi (R 2 )

Adjusted R-Squared atau disebut koefisien determinasi (R 2 ) mengukur proporsi variabel respon yang dapat dijelaskan oleh variabel

prediktor dalam model. Menunjukkan kelayakan atau kebaikan model. Semakin besar nilai R 2 semakin baik modelnya. Nilai R 2 berada di antara 0-

100.

baik modelnya. Nilai R 2 berada di antara 0- 100. Gambar 3.8. Koefisien determinasi. Praktikan menggunakan

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 R 2 yang didapatkan menunjukkan bahwa R 2 = 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.

yang dihasilkan output seperti pada gambar di bawah ini. Gambar 3.9. Output lillie test. a) Uji

Gambar 3.9. Output lillie test.

a) Uji Hipotesis H 0 : Data residual berdistribusi normal H 1 : Data residual tidak berdistribusi normal

b) Tingkat Signifikansi α = 5% = 0.05

c) Daerah Kritis P-value ≤ α maka tolak H 0

d) Statistik Uji Diperoleh p-value = 0.4688

e) Keputusan Karena p-value < α atau 0.4688 < α, maka Tolak H 0

f) Kesimpulan Dengan tingkat kepercayaan 95% data yang ada maka keputusan nya adalah tolak H 0 , yang artinya data residual tidak berdistribusi normal dan asumsi tidak terpenuhi.

3.3.2. Uji Auto Korelasi

berdistribusi normal dan asumsi tidak terpenuhi. 3.3.2. Uji Auto Korelasi Gambar 3.10. Output uji auto korelasi.

Gambar 3.10. Output uji auto korelasi.

21

Dari output di atas, dapat dilakukan uji hipotesis sebagai berikut.

a) Uji Hipotesis H 0 : Tidak terdapat autokorelasi. H 1 : Terdapat autokorelasi.

b) Tingkat Signifikansi α = 5% = 0.05

c) Daerah Kritis P-value maka tolak H 0

d) Statistik Uji Diperoleh p-value = 0.209 > α

e) Keputusan

Karena nilai p-value > , maka keputusannya adalah gagal tolak H 0

f) Kesimpulan Dengan tingkat kepercayaan 95% maka keputusan nya adalah gagal tolak H 0 , yang artinya tidak terdapat autokorelasi pada sisaan, dan asumsi terpenuhi.

3.3.3. Uji Heteroskedastisitas

sisaan, dan asumsi terpenuhi. 3.3.3. Uji Heteroskedastisitas Gambar 3.11. Output uji heteroskedastisitas Dari output

Gambar 3.11. Output uji heteroskedastisitas

Dari output di atas, dapat dilakukan uji hipotesis sebagai berikut.

a) Uji Hipotesis H 0 : Asumsi kehomogenan ragam sisaan terpenuhi. H 1 : Asumsi kehomogenan ragam sisaan tidak terpenuhi.

b) Tingkat Signifikansi α = 5% = 0.05

c) Daerah Kritis P-value maka tolak H 0

22

d) Statistik Uji Diperoleh p-value = 0.1282 < α

e) Keputusan Karena nilai p-value < , maka keputusannya adalah tolak H 0

f) Kesimpulan Dengan tingkat kepercayaan 95% maka keputusan nya adalah tolak H 0 , yang artinya asumsi kehomogenan ragam sisaan tidak terpenuhi

3.3.4. Uji Multikolinearitas

ragam sisaan tidak terpenuhi 3.3.4. Uji Multikolinearitas Gambar 3.12. Output uji multikolinearitas. Dari output

Gambar 3.12. Output uji multikolinearitas.

Dari output di atas, dapat dilakukan uji hipotesis sebagai berikut.

a) Uji Hipotesis H 0 : Tidak terdapat multikolinearitas. H 1 : Terdapat multikolinearitas.

b) Tingkat Signifikansi α = 5% = 0.05

c) Daerah Kritis Tolak H 0 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 H 0 Karena VIF x2 <1 0 adalah gagal tolak H 0

23

f)

Kesimpulan

Dengan tingkat kepercayaan 95% maka keputusan nya adalah gagal tolak H 0 , 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.

“fredita” dapat menggunakan model seperti berikut ini. Gambar 3.13. Model regresi. Berdasarkan output pada

Gambar 3.13. Model regresi. Berdasarkan output pada gambar diatas tersebut dapat dilihat nilai β 0 = -2354, β 1 = 0.2831, β 2 = 40152. Jadi, model yang didapat adalah sebagai berikut:

̂ = β 0 + β 2 2 + β 3 3 ̂ = −2354 + 0.2831 2 + 4.152 3 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 β 0 atau konstanta(Y) mempengaruhi Ekspor Minyak Kelapa Sawit Indonesia ke India sebesar -2354.

24

- Setiap peningkatan satu satuan 2 (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 3 (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 1 , 2 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 :

̂ = β 0 + β 1 2 + β 2 3 ̂ = −2354 + 0.2831 2 + 4.152 3 Setelah melakukan uji overall dan uji parsial serta uji asumsi klasik yang telah praktikkan lakukan didapatkan keputusan yang menunjukkan sebagian besar uji menolak H 0 atau tolak H 0 yang menyatakan bahwa H 1 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.

akan diperoleh output prediksi seperti gambar dibawah ini. Gambar 3.14. Output prediksi. Berdasarkan hasil yang

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)

dengan

“dataprediksi” akan menampilkan output seperti dibawah ini.

,X3=c(900,1027.9),

prediksi)”

dan

memanggilnya

ini. , X3=c(900,1027.9), prediksi)” dan memanggilnya Gambar 3.15. Output data prediksi. Tabel 3.1. Hasil

Gambar 3.15. Output data prediksi. Tabel 3.1. Hasil Prediksi

Harga

Nilai Tukar

   

Minyak

rupiah

Harga Minyak

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 H 0, dan pada uji t atau uji parsial yaitu tolak H 0 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