Kelas D

LAPORAN PRAKTIKUM
Analisis Regresi Terapan
Modul 5 : Regresi Nonlinier

Nomor Tanggal Tanda Tangan

Nama Praktikan
Mahasiswa Kumpul Praktikan
Nanda Lailatul Humairoh 18611097 25/10/19

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Alfazrin Banapon
Matiin Laugiwa Prawira P

M. Hasan Sidiq K, S.Si., M.Sc.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019

i
Daftar Isi

1 Pendahuluan .................................................................................................... 5
2 Deskripsi Kerja................................................................................................ 6
2.1 Studi Kasus ............................................................................................. 6
2.2 Langkah Kerja ......................................................................................... 6
3 Pembahasan ................................................................................................... 13
3.1 Kasus Pertama ........................................Error! Bookmark not defined.
3.1.1 Identifikasi..................................................................................... 14
3.1.2 Estimasi Parameter ........................................................................ 15
3.1.3 Validasi atau Pengujian Asumsi Klasik ........................................ 19
3.1.4 Interpretasi..................................................................................... 22
3.2 Kasus Kedua.......................................................................................... 23
3.2.1 Identifikasi..................................................................................... 24
4 Penutup.......................................................................................................... 27
4.1 Kesimpulan ........................................................................................... 27
4.2 Saran ...................................................................................................... 27
5 Daftar Pustaka ............................................................................................... 28

ii
Daftar Gambar
Gambar 2.1. Tampilan klik R pada desktop .......................................................... 7
Gambar 2.2. Tampilan awal program RStudio ...................................................... 7
Gambar 2.3. Sintaks input data kasus 1 dari clipboard ......................................... 7
Gambar 2.4. Sintaks statistic deskriptif kasus 1 .................................................... 8
Gambar 2.5. Sintaks membuat plot dan garis regresinya ...................................... 8
Gambar 2.6. Sintaks untuk analisis regresi linier sederhana ................................. 8
Gambar 2.7. Sintaks untuk analisis regresi kuadratik ........................................... 9
Gambar 2.8. Sintaks untuk analisis regresi polynomial berderjat tiga .................. 9
Gambar 2.9. Sintaks untuk analisis regresi polynomial berderjat tiga .................. 9
Gambar 2.10. Sintaks untuk melihat data residual ................................................ 9
Gambar 2.11. U Sintaks uji kenormalan residual ................................................ 10
Gambar 2.12. Sintaks uji kebebasan residual ...................................................... 10
Gambar 2.13. Sintaks uji kehomogenan variansi residual................................... 10
Gambar 2.14. Sintaks input data kasus 2 dari clipboard ..................................... 10
Gambar 2.15. Sintaks statistic deskriptif kasus 2 ................................................ 11
Gambar 2.16. Sintaks membuat plot dan garis regresinya .................................. 11
Gambar 2.17. Sintaks untuk analisis regresi linier sederhana ............................. 11
Gambar 2.18. Sintaks untuk analisis regresi kuadratik ....................................... 12
Gambar 2.19. Sintaks untuk analisis regresi polynomial berderjat tiga .............. 12
Gambar 3.1. Output importing data dari clipboard ............................................. 13
Gambar 3.2. Output plot data kasus 1 ................................................................. 14
Gambar 3.3. Ouput statistic deskriptif untuk kasus 1.......................................... 15
Gambar 3.4. Output analisis regresi .................................................................... 17
Gambar 3.5. Residual data kasus 1 ...................................................................... 19
Gambar 3.6. Output Kolmogorov Smirnov test .................................................. 20
Gambar 3.7. Output bptest................................................................................... 20
Gambar 3.8. Output dwtest .................................................................................. 21
Gambar 3.8. Output importing data kasus 2 ........................................................ 23
Gambar 3.8. Output statistics deskriptif kasus 2 ................................................. 24
Gambar 3.8. Plot dan garis regresinya ................................................................. 25

iii
Daftar Tabel

Tabel 3.1. Perbandingan Empat Model Regresi ................................................... 16

Tabel 3.2. Perbandingan Tiga Model Regresi ...................................................... 25

iv
1 Pendahuluan

Regresi non linier adalah suatu metode untuk mendapatkan model non linier
yang menyatakan veriabel dependen dan independen. Apabila hubungan fungsi
antara variabel bebas X dan variabel tidak bebas Y bersifat non linier, tansformasi
bentuk nonlinier ke bentuk linier. Untuk mendapatkan linieritas dari hubungan non
linier, dapat dilakukan transformasi pada variabel dependen atau variabel
independen atau keduanya.
Dalam kasus regresi non linier, yang banyak digunakan yaitu model regresi
eksponensial dan regresi geometri. Regresi non linier dimaksudkan sebagai satu
bentuk regresi yang melihat hubungan antara variabel predictor (X) dengan variabel
respon (Y), yang tidak bersifat linier. Kemudahan model regresi non linier tersebut
karena dapat ditransformasikan ke model regresi linier.
Penggunaan regresi non linier telah banyak dikaji sebelumnya diantaranya oleh
A.Donny Harhara (2003), yang mengkaji pengujian selang kepercayaan parameter
regresi non linier dengan OLS, dan kajian-kajian tersebut hanya penekanan pada
model regresi non linier untuk satu populasi saja. Sedangkan permasalahan-
permasalahan yang sama pada beberapa populasi juga sangat penting diteliti,
termasuk kesamaan parameternya. Seperti halnya yang telah dilakukan oleh Budi
Barmana (2008) yang menguji kesamaan parameter beberapa populasi dengan
regresi linier. (Yanti L, 2019).

5
2 Deskripsi Kerja

Pada bab sebelumnya telah dijelaskan tentang regresi nonlinier. Pada bagian
deskripsi kerja praktikan akan mempraktikkan langkah-langkah melakukan
analisis regresi nonlinier dari data dengan program R agar dapat menyelesaikan
persoalan pada studi kasus.

2.1 Studi Kasus

1. Download dataset yang disediakan di classroom. Lakukan Analisis regresi

sederhana dari tahap indentifikasi hingga interpretasi terhadap variabel
Lung Capacity dan Height. Bandingkan antara model regresi linier
sederhana, polynomial berderajat dua, polynomial berderajat tiga, dan
polynomial berderajat 4. Tentukan model terbaik yang direkomendasikan
oleh peneliti.
2. Berdasarkan dataset yang ada metode apa yang peneliti gunakan untuk
mendapatkan model terbaik.

2.2 Langkah Kerja

Berikut adalah langkah-langkah yang dilakukan oleh praktikan dalam

menyelesaikan persoalan pada studi kasus sebelumnya menggunakan program R.
1. Buka aplikasi program RStudio dengan cara double click icon R pada
desktop seperti pada Gambar 2.1.

6
 Gambar 2.1. Tampilan klik R pada desktop
2. Maka akan muncul tampilan awal program RStudio seperti pada Gambar
2.2.

Gambar 2.2. Tampilan awal program RStudio

3. Praktikan meng-input data kasus 1 dengan cara menuliskan sintaks
lung=read.delim ("clipboard") praktikan memberi nama objek lung
lalu meng-copy data pada clipboard dan klik run.

Gambar 2.3. Sintaks input data kasus 1 dari clipboard

7
4. Praktikan melakukan analisis regresi linier sederhana untuk data kasus 1
dengan tahap awal yaitu identifikasi. Tahap ini meliputi statistic deskriptif
yaitu dengan sintaks stat.desc(produksi).

Gambar 2.4. Sintaks statistic deskriptif kasus 1

5. Lalu praktikan membuat plot untuk menduga model regresinya dengan
sintaks plot(lung$Height,lung$LungCap) serta garis regresinya dengan
sintaks lines(smooth.spline(lung$Height,predict(linier)),col=
"blue",lwd=2) untuk model linier, lines(smooth.spline

(lung$Height,predict(kuadrat)),col="red", lwd=2) untuk model

kuadratik, lines(smooth.spline(lung$Height,predict(kubik)),

col="green", lwd=2) untuk model polynomial berderajak tiga,

lines(smooth.spline(lung$Height,predict(der4)),col="cyan",
lwd=2) untuk model polynomial berderajat empat.

Gambar 2.5. Sintaks membuat plot dan garis regresinya

6. Selanjutnya praktikan melakukan analisis regresi linier sederhana untuk
variable lung capacity dan height menggunakan sintaks
linier=lm(LungCap~Height,data=lung) untuk melihat ringkasan dari
output linier menggunakan perintah summary(linier).

Gambar 2.6. Sintaks untuk analisis regresi linier sederhana

7. Lalu praktikan melakukan analisis regresi nonlinier untuk model kuadratik
pada variable lung capacity dan height menggunakan sintaks

8
 kuadrat=lm(LungCap~Height +I(Height^2),data=lung) untuk melihat
ringkasan dari output kuadrat menggunakan perintah summary(kuadrat).

Gambar 2.7. Sintaks untuk analisis regresi kuadratik

8. Begitu juga dengan analisis regresi nonlinier untuk model kubik atau
berderajat tiga pada variable lung capacity dan height menggunakan sintaks
kubik=lm(LungCap~Height+I(Height^2)+I(Height^3),data=lung)
untuk melihat ringkasan dari output kubik menggunakan perintah
summary(kubik).

Gambar 2.8. Sintaks untuk analisis regresi polynomial berderjat tiga

9. Setelah itu praktikan membuat analisis regresi nonlinier untuk model
polynomial berderajat tiga pada variable lung capacity dan height
menggunakan sintaks der4=lm(LungCap~Height+I(Height^2)+

I(Height^3)+I(Height^4),data=lung) untuk melihat ringkasan dari

output reglin menggunakan perintah summary(der4).

Gambar 2.9. Sintaks untuk analisis regresi polynomial berderjat tiga

10. Tahap selanjutnya adalah tahap validasi dengan pengujian asumsi klasik
namun menggunakan data residual, maka untuk melihat data residual
dengan sintaks resid=jerman$Pendidikan-reg$fitted.values,

Gambar 2.10. Sintaks untuk melihat data residual

11. Selanjutnya praktikan menguji kenormalan residual dengan perintah pada
library nortest yaitu library(nortest) dan ls(2) lalu praktikan memilih

9
 metode Kolmogorov Smirnov test karena jumlah sampel lebih dari 50
dengan sintaks Lillie.test(resid).

Gambar 2.11. U Sintaks uji kenormalan residual

12. Kemudian praktikan menguji kebebasan residual atau NoAutokorelasi
dengan sintaks dwtest(linier) pada library(lmtest).

Gambar 2.12. Sintaks uji kebebasan residual

13. Lalu praktikan melakukan uji homoskedastisitas dengan sintaks
bptest(linier) pada library(lmtest).

Gambar 2.13. Sintaks uji kehomogenan variansi residual

14. Selanjutnya praktikan melakukan interpretasi dari hasil yang diperoleh
dengan menghitung koefisien detrminasi dan menentukan persamaan
regresi.
15. Untuk kasus kedua, langkah pertama yang praktikan lakukan yaitu import
data dengan sintaks kasus2=read.delim("clipboard"), praktikan
memberi nama objek kasus2 lalu meng-copy data pada clipboard dan klik
run.

Gambar 2.14. Sintaks input data kasus 2 dari clipboard

16. Lalu praktikan melakukan identifikasi yaitu yang pertama dengan membuat
statistika deskriptif dari data kasus2 dengan sintaks stat.desc(kasus2)
pada library(pastecs).

10
 Gambar 2.15. Sintaks statistic deskriptif kasus 2
17. Lalu praktikan membuat plot untuk menduga model regresinya dengan
sintaks plot(kasus2$Permintaan_Minyak,kasus2$Jumlah_Pendapatan
)) serta garis regresinya dengan sintaks lines(smooth.spline
(kasus2$Permintaan_Minyak,predict(linier)),col="blue",lwd=2)
untuk model linier, lines(smooth.spline(kasus2$Permintaan_
Minyak+I(Permintaan_Minyak^2),predict(kuadrat)),col="red",lw
d=2) untuk model kuadratik, lines(smooth.spline(kasus2
$Permintaan_Minyak+I(Permintaan_Minyak^2)+I(Permintaan_Minya
k^3),predict(derajat3)),col="red",lwd=2)) untuk model
polynomial berderajak tiga.

Gambar 2.16. Sintaks membuat plot dan garis regresinya

18. Selanjutnya praktikan melakukan analisis regresi linier sederhana untuk
variable harga minyak dan permintaan minyak menggunakan sintaks
linier=lm(Jumlah_Pendapatan~Permintaan_Minyak,data=kasus2))
untuk melihat ringkasan dari output linier menggunakan perintah
summary(linier).

Gambar 2.17. Sintaks untuk analisis regresi linier sederhana

19. Lalu praktikan melakukan analisis regresi nonlinier untuk model kuadratik
pada variable harga minyak dan permintaan minyak menggunakan sintaks
kuadratik=lm(lm(Jumlah_Pendapatan~Permintaan_Minyak+I(Permin
taan_Minyak^2),data=kasus2)) untuk melihat ringkasan dari output
kuadrat menggunakan perintah summary(kuadratik).

11
 Gambar 2.18. Sintaks untuk analisis regresi kuadratik
20. Begitu juga dengan analisis regresi nonlinier untuk model kubik atau
berderajat tiga pada variable harga minyak dan permintaan minyak
menggunakan sintaks kubik= lm(Jumlah_Pendapatan~Permintaan_
Minyak+I(Permintaan_Minyak^2)+I(Permintaan_Minyak^3),data=ka
sus2), untuk melihat ringkasan dari output reglin menggunakan perintah
summary(kubik).

Gambar 2.19. Sintaks untuk analisis regresi polynomial berderjat tiga

12
3 Pembahasan

Pada bab sebelumnya praktikan telah menjelaskan langkah-langkah bekerja

dengan R untuk mengerjakan persoalan pada studi kasus, pada bab ini praktikan
akan menjelaskannya dengan lebih rinci.
Regresi non linier adalah suatu metode untuk mendapatkan model non linier
yang menyatakan veriabel dependen dan independen. Apabila hubungan fungsi
antara variabel bebas X dan variabel tidak bebas Y bersifat non linier, tansformasi
bentuk nonlinier ke bentuk linier. Untuk mendapatkan linieritas dari hubungan non
linier, dapat dilakukan transformasi pada variabel dependen atau variabel
independen atau keduanya.
3.1 Kasus Pertama

Gambar 3.1. Output importing data dari clipboard

Gambar 3.1. merupakan hasil dari importing data kasus 1 yang akan
dianalisis menggunakan analisis regresi sederhana. Variable pada data tersebut
yang akan dianalisis hanya dua yaitu variable lung capacity dan height. Praktikan
13
telah menentukan bahwa yang menjadi variable independen ialah height dan
sebagai variable dependennya yaitu lung capacity.
3.1.1 Identifikasi
Pada tahap identifikasi paraktikan menduga model yang akan terbentuk pada
analisis regresi sederhana dari data pada kasus 1. Model dapat diduga melalui grafik
atau scatterplot dari data tersebut seperti pada gambar di bawah.

Gambar 3.2. Output plot data kasus 1

Dari gambar plot data kasus 1 untuk melihat ada tidaknya pengaruh dari
height (tinggi badan) terhadap lung capacity (kapaistas paru-paru). Dapat dilihat
pada gambar di atas titik-titik yang ada di dalam plot tersebut jelas membentuk garis
miring ke atas dan didukung dengan garis regresinya, artinya terdapat hubungan
antara variable height terhadap lung capacity. Berikut model dugaan yang
didapatkan :
y = b0 + b1X1
Selanjutnya statistika deskriptif dari data pada kasus 1 yaitu seperti pada gambar di
bawah.

14
 Gambar 3.3. Ouput statistic deskriptif untuk kasus 1
Pada output statistic deskriptif di atas dapat dilihat bahwa kapasitas paru-
paru yang terendah yaitu sebesar 0.507cc dan tinggi badan yang terendah sebesar
45.3 cm sedangkan kapasitas paru-paru yang tertinggi yaitu sebesar 14.675 cc
dan tinggi badan yang tertinggi sebesar 81.8 cm. Pada rentang jarak antara
terendah dan tertinggi kapasitas paru-paru sebesar 14.1680000 cc sedangkan
rentang jarak antara terendah dan tertinggi pada tinggi badan sebesar 36.50000
cm. Jumlahan semua data pada kapasitas paru-paru sebesar 5700.782cc dan
jumlahan semua data tinggi badan sebesar 47006.30 cm. Rata-rata kapasitas paru-
paru sebesar 7.8631476 cc sedangkan rata-rata tinggi badan sebesar 64.83628 cm.
Variansi atau sebaran data kapasitas paru-paru sebesar 7.0862879 sedangkan
variansi dari tinggi badan sebesar 51.87088.
3.1.2 Estimasi Parameter
Estimasi parameter adalah estimasi yang digunakan untuk menduga suatu
populasi dari sampel. Pada analisis regresi linier tahap estimasi parameter meliputi
Uji overall atau uji F dan uji parsial atau uji t. Pada pembahasan ini parktikan akan
melakukan uji F dari data pada kasus 1 yaitu sebagai berikut :

15
 Tabel 3.1 Perbandingan Empat Metode Regresi
Parameter
𝟐
Metode 𝑹 Error P-value Signifikan
Linier 83.21% 1.092 2.2𝑒 −16 Semua
Kuadratik 83.28% 1.09 2.2𝑒 −16 Dua
Kubik (derajat 3) 83.29% 1,091 2.2𝑒 −16 Tidak ada
Derajat 4 83.29% 1.091 2.2𝑒 −16 Tidak ada
Dari table di atas dapat dilihat bahwa metode dengan koefisien determinasi
terbesar yaitu model regresi polynomial berderajat 4 namun semua parameternya
tidak signifikan, begitu juga dengan polinomial berderajat dua dan tiga tidak semua
parameternya signifikan.oleh karena itu praktikan memilih metode regresi linier
sederhana karena pada metode ini signifikan pada setiap parameternya dan
didukung oleh model plot yang terbentuk serta garis regresinya. Maka untuk
menyelesaikan permasalahan kasus 1 adalah dengan metode regresi linier
sederhana.
Uji Overall
Uji kelayakan model atau yang lebih populer disebut sebagai uji overall atau
uji F merupakan tahapan awal mengidentifikasi model regresi yang diestimasi layak
atau tidak. Layak disini maksudnya adalah model yang diestimasi layak digunakan
untuk menjelaskan pengaruh variabel-variabel bebas terhadap variabel terikat.
Nama uji ini disebut sebagai uji F, karena mengikuti mengikuti distribusi F yang
kriteria pengujiannya seperti One Way Anova. Tampilan hasil yang telah dicari
menggunakan R Studio sebagai berikut :

16
 Gambar 3.4. Output analisis regresi
Pada Gambar 3.3 tersebut terdapat output dari analisis regresi linier untuk
permasalahan pada kasus 1. Untuk melihat ada tidaknya pengaruh (signifikan)
antara variable height (tinggi badan) terhadap variable lung capacity (kapasitas
paru-paru). Berikut ini hasil pengujian hipotesisnya :
(i) Hipotesis :
H0 : 𝛽𝑖 = 0 (i=0,1) (model regresi tidak layak digunakan)
H1 : 𝛽𝑖 ≠ 0 (i=0,1) (model regresi layak digunakan)
(i) 𝛼 = 0,05 (5%)
(ii) Daerah Kritis :
Tolak H0 jika p-value ≤ α
(iv) Statistik Uji :
Diperoleh p-value = 2.2𝑒 −16
(v) Keputusan :
Karena nilai p-value < α yaitu 2.9𝑒 −09 < 0.05, maka tolak H0
(vi) Kesimpulan :
Dengan menggunakan tingkat kepercayaan 95% data yang ada mendukung
untuk tolak hipotesis H0 yang artinya model regresi tidak layak untuk digunakan.

17
 Karena model tersebut layak digunakan maka dapat dilanjutkan ke tahap
selanjutnya yakni uji parsial.
Uji Parsial
Langkah selanjutnya setelah melakukan uji overall adalah uji parsial atau
uji t. Uji parsial atau uji t digunakan untuk menguji bagaimana pengaruh masing-
masing variabel bebas secara sendiri-sendiri terhadap variabel terikatnya. Uji ini
dapat membandingkan t-hitung dengan t-tabel. Hasil uji t dapat dilihat pada tabel
coefficients pada kolom Pr(>|t|). Jika probabilitas nilai t atau signifikansi < 0,05,
maka dapat dikatakan bahwa terdapat pengaruh antara variabel bebas terhadap
variabel terikat secara parsial. Namun, jika probabilitas nilai t atau signifikansi >
0,05, maka dapat dikatakan bahwa tidak terdapat pengaruh yang signifikan antara
masing-masing variabel bebas terhadap variabel terikat. Tampilan hasil uji t dari
data pada kasus 1 menggunakan R Studio seperti pada Gambar 3.4.
Uji t (Uji parsial) digunakan untuk menguji parameter secara parsial,
dengan kata lain untuk mengetahui apakah variable height (tinggi badan)
berpengaruh secara signifikan terhadap variable lung capacity (kapasitas paru-
paru). Berikut ini hasil pengujian hipotesisnya :
(i) Hipotesis :
H0 : 𝛽𝑖 = 0 (i=0,1) (Koefisien regresi tidak signifikan dalam model)
H1 : 𝛽𝑖 ≠ 0 (i=0,1) (Koefisien regresi signifikan dalam model)
(ii) 𝛼 = 0,05 (5%)
(iii) Daerah Kritis :
Tolak H0 jika p-value ≤ α
(iv) Statistik Uji dan keputusan
No Koefisien P-value Tanda α Keputusan
1 β0 (intercept) 2𝑒 −12 < 0.05 Tolak H0
2 β1 2𝑒 −12 < 0.05 Tolak H0
(v) Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% data yang ada menyatakan
bahwa intercept serta koefisien X1 signifikan terhadap model maka artinya variable
18
height (tinggi badan) secara masing-masing memberikan pengaruh terhadap
variable lung capacity (kapasitas paru-paru).
3.1.3 Validasi atau Pengujian Asumsi Klasik
Berdasarkan metode yang peneliti gunakan dalam hal ini regresi linear
sederhana, terdapat beberapa asumsi yang harus dipenuhi agar model yang
didapatkan bersifat BLUE (Best Linear Unbiased Estimator), asumsinya antara
lain:
Kenormalan Residual
Residual adalah selisih antara nilai duga (predicted value) dengan nilai
pengamatan sebenarnya apabila data yang digunakan adalah data sampel . Resisual
untuk data Kecelakaan di Indonesia tahun 1992-2017 yaitu sebegai berikut :

Gambar 3.5. Residual data kasus 1

Praktikan menggunakan Kolmogorov Smirnov test untuk menguji
kenormalan dari residual, karena apabila sampel observasi lebih dari 50 sampel
maka dianjurkan untuk menggunakan Kolmogorov Smirnov test. Hasil dari uji
Kolmogorov Smirnov test untuk data kasus 1 yaitu sebagai berikut :
19
 Gambar 3.6. Output Kolmogorov Smirnov test
Uji hipotesis untuk kenormalan data residual dari kasus 1 yaitu :
(i) Hipotesis :
H0 : Residual terdistribusi normal.
H1 : Residual tidak terdistribusi normal
(ii) 𝛼 = 0,05 (5%)
(iii) Daerah Kritis :
Tolak H0 jika p-value < α
(iv) Statistik Uji :
Diperoleh p-value = 0.811
(v) Keputusan :
Karena nilai p-value > α yaitu 0.811 > 0.05, maka gagal tolak H0
(vi) Kesimpulan :
Dengan menggunakan tingkat kepercayaan 95%, residual terdistribusi
normal. sehingga asumsi normalitas residual terpenuhi.
Homoskedastisitas
Uji Homoskedastisitas merupakan uji yang digunakan untuk menguji
apakah model regresi tersebut residual memiliki variansi yang homogen. Praktikan
menggunakan Breusch-Pagan test untuk menguji kehomogenan residual. Hasil dari
uji Breusch-Pagan test untuk data kasus 1 yaitu sebagai berikut :

Gambar 3.7. Output bptest

20
Uji hipotesis untuk kehomogenan residual dari kasus 1 yaitu :
(i) Hipotesis :
H0 : Asumsi kehomogenan ragam sisaan terpenuhi
H1 : Asumsi kehomogenan ragam sisaan tidak terpenuhi
(ii) 𝛼 = 0,05 (5%)
(iii) Daerah Kritis :
Tolak H0 jika p-value < α
(iv) Statistik Uji :
Diperoleh p-value = 0.0187
(v) Keputusan :
Karena nilai p-value < α yaitu 0.1938 > 0.05, maka tolak H0
(vi) Kesimpulan :
Dengan menggunakan tingkat kepercayaan 95%, disimpulkan bahwa
asumsi kehomogenan ragam sisaan tidak terpenuhi atau dengan kata lain terjadi
heteroskedastisitas.
NoAutokorelasi
Uji autokorelasi adalah untuk melihat apakah residual dari pengamatan
saling berkorelasi. Jadi residual yang diharapkan untuk memenuhi asumsi yaitu
residual yang no autokorelasi atau residual saling bebas. Uji yang digunakan untuk
uji noautokorelasi yaitu uji Durbin-Watson. Hasil dari uji Durbin-Watson untuk
data Kecelakaan di Indonesia tahun 1992-2017 yaitu sebagai berikut :

Gambar 3.8. Output dwtest

Uji hipotesis untuk kebebasan residual dari data kasus 1 yaitu :
(i) Hipotesis :
H0 : Asumsi autokorelasi terpenuhi
21
 H1 : Asumsi autokorelasi tidak terpenuhi
(ii) 𝛼 = 0,05 (5%)
(iii) Daerah Kritis :
Tolak H0 jika p-value < α
(iv) Statistik Uji :
Diperoleh p-value = 0.0655
(v) Keputusan :
Karena nilai p-value > α yaitu = 0.0655 > 0.05, maka tolak H0
(vi) Kesimpulan :
Dengan menggunakan tingkat kepercayaan 95%, disimpulkan bahwa
asumsi kebebasan residual terpenuhi atau dengan kata lain tidak terjadi
autokorelasi.
3.1.4 Interpretasi
Interpretasi atau tafsiran untuk regresi linier sederhana dapat dengan
membentuk persamaan regreasinya dan menghitung koefisien determinasinya jika
semua asumsi telah terpenuhi. Untuk data kasus 1 maka interpretasi yang diperoleh
yaitu :
Persamaan Regresi
Berdasarkan hasil uji F dan uji t telah signifikan dan tidak terjadi
pelanggaran asumsi maka model regresi dapat dibentuk untuk memprediksi
kerugian materi akibat kecelakaan, model yang didapatkan adalah sebagai berikut
Y= -13.996829 + 0.337157*X1
LungCap= -13.996829 + 0.337157*Height
Berdasarkan model, peneliti dapat menginterpretasikan beberapa hal berikut :
a. Nilai konstan sebesar -13.996829 cc memeiliki arti, apabila variable height
(tinggi badan) bernilai 0 (konstan), maka variable lung capacity (kapasitas
paru-paru) akan bernilai -13.996829 cc.
b. Apabila variable height (tinggi badan) mengalami perubahan sebesar satu
cm dan faktor lain diasumsikan konstan, maka lung capacity (kapasitas
paru-paru) akan meningkat sebesar 0.337157 cc.
22
Koefisien Determinasi
Interpretasi selanjutnya adalah dengan melihat seberapa besar sumbangan
persentase variabel independen terhadap variabel dependen secara serentak, dilihat
dari koefisien determinasi. Koefisien determinasi dapat dilihat pada nilai R square
atau adjust R square. Salah satu kelemahan R square adalah bahwa besarnya
dipengaruhi oleh banyaknya peubah bebas dalam model. Suatu cara mengatasi
kelemahan R square adalah dengan menggunakan adjust R square atau R yang
telah disesuaikan
Ukuran dari kebaikan model ditunjukkan oleh adjust R-square (R2) atau
koefisien determinasi. Dari data kasus no 1 didapatkan nilai adjust R2 atau koefisien
determinasi sebesar 0.8321 atau sama dengan 83.21% yang artinya, sebesar 83.21%
tinggi badan (height) mampu memprediksikapasitas paru-paru (lung capacity).
Sedangkan 16.79% lainnya diprediksi oleh faktor lain yang tidak dimasukkan
didalam model untuk memprediksi kapasitas paru-paru.
3.2 Kasus Kedua

Gambar 3.9. Output importing data kasus 2

Gambar 3.1. merupakan hasil dari importing data kasus 2 yang akan dianalisis.
Praktikan memilihi dua variable saja untuk di uji karena variable jumlah merupakan
derajat tiga dari permintaan, maka praktikan mengabaikan variable tersebut.
Praktikan telah menentukan bahwa yang menjadi variable independen ialah
permintaan minyak dan sebagai variable dependennya yaitu harga minyak.

23
3.2.1 Identifikasi

Gambar 3.10. Output statistics deskriptif kasus 2

Pada output statistic deskriptif di atas dapat dilihat bahwa data permintaan
minyak yang terendah yaitu sebesar 3.00, data harga minyak yang terendah yaitu
sebesar 5.00, dan data jumlah pendapatan yang terendah yaitu sebesar 27.00 .
sedangkan data permintaan minyak yang tertinggi yaitu sebesar 10.00, data harga
minyak yang tertinggi yaitu sebesar 7.00, dan data jumlah pendapatan yang
tertinggi yaitu sebesar 1000.00 . Pada rentang jarak antara terendah dan tertinggi
permintaan minyak adalah sebesar 7.00, rentang jarak antara terendah dan tertinggi
harga minyak adalah sebesar 2.00, dan rentang jarak antara terendah dan tertinggi
jumlah pendapatan adalah sebesar 973.00 . rata-rata permintaan minyak sebesar
6.800, rata-rata harga minyak sebesar 6.100, dan rata-rata jumlah pendapatan
sebesar 423.20 . Variansi dari pendapatan minyak sebesar 5.9555556, Variansi dari
harga minyak sebesar 0.5444444, dan Variansi dari jumlah pendapatan sebesar
137112.6 .

24
 Gambar 3.11. Plot dan garis regresinya
Dari gambar di atas dapat dilihat bahwa garis regresi dengan model
kuadratik dan derajat tiga lebih mendekati titik-titik data tersebut. Maka model yang
akan digunakan adalah regresi non linier.
Tabel 3.1 Perbandingan Tiga Model Regresi
Parameter
𝟐
Metode 𝑹 Error P-value Signifikan
Linier 92.8% 105.4 7.589𝑒 −06 Semua
Kuadratik 99.94% 9.859 3.936𝑒 −12 Semua
Kubik (derajat 3) 100% 3.662𝑒 −15 2.2𝑒 −16 Satu
Berdasarkan perbandingan tiga model regresi di atas, praktikan memilih model
kuadratik sebagai model terbaik, meskipun koefisien determinasi model
polynomial berderajat tiga lebih besar namun parameternya hanya satu yang
signifikan sedangkan pada model kuadratik semua model signifikan. Kemudian
praktikan tidak memilih linier karena sepert pada grafik, model linier masih belum
mendekati titik-titik sebaran data tersebut dan koefisien determinasi kuadratik lebih

25
tinggi daripada model linier. Dengan kata lain model kuadratik lebih memenuhi
persyaratan daripada dua model lainnya.

26
4 Penutup

4.1 Kesimpulan
1. Model untuk data pada kasus 1 yang cocok adalah model analisis regresi linier
sederhana.
2. Nilai konstan sebesar -13.996829 memeiliki arti, apabila variable height
(tinggi badan) bernilai 0 (konstan), maka variable lung capacity (kapasitas
paru-paru) akan bernilai -13.996829 cc.
3. Apabila variable height (tinggi badan) meningkat sebesar satu cm dan faktor
lain diasumsikan konstan, maka lung capacity (kapasitas paru-paru) akan
meningkat sebesar 0.337157 cc.
4. Model yang dipilih dan terbaik untuk kasus kedua yaitu model regresi nonlinier
kuadratik.

4.2 Saran
Praktikan harus teliti dalam menentukan variable mana yang akan menjadi
variable independen dan mana yang akan menjadi variable dependen.

27
5 Daftar Pustaka

Yanti L. (2019). Pengujian Kesamaan Beberapa ModelL Regresi Non Linier

Geometri. Diperoleh dari :
http://repository.unhas.ac.id/bitstream/handle/123456789/9940/jurnal.pdf?
sequence=1 (Diakses pada 16 Oktober 2019).

Utari, Tri Dina. (2019). Analisis Regresi dengan R. Yogyakarta: Universitas Islam
Indonesia.

28