ANALISIS MODEL TERBAIK REGRESI LINIER BERGANDA DALAM

MASALAH PENGARUH KONGITIF TERHADAP KEMAMPUAN

ANALISIS

Oleh:
Siti Sarah Sobariah Lestari
NPM: 140720190002

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

PROGRAM STUDI STATISTIKA TERAPAN
UNIVERSITAS PADJAJARAN
2019
ANALISIS MODEL TERBAIK REGRESI LINIER BERGANDA DALAM MASALAH
PENGARUH KONGITIF TERHADAP KEMAMPUAN ANALISIS

A. PENDAHULUAN
1.1 Latar Belakang

Kemampuan analitik merupakan salah satu kemapuan yang diperlukan dalam

berbagai biang. Kemampan analitk juga kerap digunakan sebagai salah satu tolak ukur dalam
perkembangan berpikir serta kemampuan dalam menerima informasi dan juga problem
solving. Dalam beberapa bidang ilmu pengetahuan kemampuan analitik menjadi syarat
mutlak sebagai contoh kemampuan analitik kerap digunakan sebagai penilaian dalam
proseses penerimaan mahasiswa baru dan juga untuk beberapa seleksi yang lainnya.
Kemampuan analitik dipengaruhi oleh berbagai faktor. Dalam penelitian ini faktor
yang dipehatikan adalah kemampuan membaca, kemampuan menyusun kalimat, kemampuan
matematis, dan kemampuan geometris. Menurut para ahli, kemampuan berbahasa seseorang
dapat mencerminkan kemampuan analitik. Oleh karenanya penelitian ini dilakukan untuk
membutkan hal tersebut.
Analisis regresi metode untuk menentukan hubungan sebab-akibat antara satu variabel
dengan variabel-variabel yang lain. Analisis regresi dipakai secara luas untuk melakukan
prediksi dan ramalan, dengan penggunaan yang saling melengkapi dengan bidang
pembelajaran mesin. Analisis ini juga digunakan untuk memahami variabel bebas mana saja
yang berhubungan dengan variabel terikat, dan untuk mengetahui bentuk-bentuk hubungan
tersebut.

1.2 Tujuan
Tulisan dari tulisan ini adalah sebagai berikut:
1. Menganalisis faktor-faktor yang mempengaruhi kemampuan analitik.
2. Melakukan analisis pada data outlier dalam model regresi linier berganda.
3. Melakukan transfromasi box-cox
4. Melakukan pemilihan variabel dan model terbaik untuk analisis faktor-faktor yang
memengaruhi kemiskinan di Indonesia tahun 2017.

1
 B. DATA DAN METODOLOGI
2.1 Data
Data yang digunakan dalam analisis ini adalah data sekunder yang bersumber dari
penelitian terdahulu.
Variabel yang digunakan dalam analisis ini sebagai berikut:

Variabel Keterangan

𝑦 Kemampuan Analitik Interval

𝑥1 Kemampuan Membaca Interval

𝑥2 Kemampuan Membentuk Kalimat Interval

𝑥3 Kemampuan Matematis Interval

𝑥4 Kemampuan Geometris Interval

2.2 Metode Analisis Data

Metode analisis yang digunakan dalam makalah ini adalah Regresi Linier Berganda,
dimana tahapan dalam penggunaan metode ini antara lain:
1. Analisis Deskriptif
 Ukuran Pemusatan
 Standar Deviasi dan Boxplot
2. Uji Linieritas
3. Analisis Korelasi
4. Melakukan pemodelan awal
 Uji asumsi klasik
5. Analisis Diagnostik
 Analisis Residual
 Analisis Leverage
 Uji Titik Pencilan
 Pemodelan Dataset Baru
 Uji Asumsi Klasik
6. Transformasi Box-Cox
7. Pemilihan Variabel
8. Pembentukan Model Terbaik

2
 C. HASIL DAN PEMBAHASAN

3.1 Analisis Deskriptif

 Ukuran Pemusatan

Berdasarkan hasil dari output diatas, dapat dijelaskan kedalam beberapa poin berikut :
 Terdapat 86 orang yang dihitung nilai kongitif pada kemampuan membaca,
menyusun kata, kemampuan metematis, dan kemampuan geomtris.
 Nilai rata-rata responden dalam kemampuan membaca sebesar 0.9997, sedangkan
dalam kemampuan menyusun kata nilai rata-rata responden sebesar 1.028, dalam
kemampuan matematis sebesar 1.296 dan kemampuan geometris sebesar 1.160
 Hasil perhitungan simpangan baku, menunjukkan variabel-variabel yang diteliti
memiliki nilai simpangan baku yang berbeda. Sehingga dapat disimpulkan data
yang digunakan bervariasi.
Untuk melihat ukuran pusat dengan lebih jelas, maka ditampilkan Boxplot tiap-tiap variabel
sebagai berikut :
 Boxplot

3
 Dalam box plot di atas, secara ksat mata dapat dilihat terdapat outlier pada variabel
reading, mathematics, dan geometry. Untuk pengamatan lebih jelas, akan dibahas observasi
mana yang meruapakan outlier dalam bagian pendeteksian outlier dengan metode leverage.
3.2 Uji Linieritas

Sebelum dilakukan analissi regresi linier berganda, dilakukan uji linieritas terlabih
dahulu untuk memastikan apakah variabel bebas yang kita miliki membentuk hubungan linier
dengan variabel tak bebasnya. Apabila ditemukan ketidak linieran, maka variabel bebas harus
dilakukan transformasi. Atau pengujian regeresi linier tidak cocok dengan variabel tersebut.
Pengujian linieritas dapat dilakukan dengan melihat plot antara variabel-variabel bebas
dengan variabel tak bebasnya dan melihat korelasi antara variabel bebas dengan tak
bebasnya. Berikut hasil hitung dengan menggunakan R :
 Diagram Pencar

Hasil diagram pencar (scatter plot) di atas menggambarkan hubungan antara variabel
𝑦 dan 𝑥. Terlihat bahwa seluruh variabel bebas, mengikuti garis linier dan tidak membentuk
suatu pola. Sehingga secara kasat mata, dapat kita asumsikan bahwa seluruh variabel bebas
linier dengan variabel tak bebasnya. Uji linieritas lebih lanjut dilakukan secara eksak dengan
melihat nilai p-value dari setiap model.

4
 Uji Linieritas 𝒚 (Kemampuan Analitik) dan 𝒙𝟏 (Kemampuan Membaca)

Pada tulisan ini digunakan α = 5% (tingkat kekeliruan). Hasil output R menunjukkan

bahwa p-value = 0.000003 (nilainya kurang dari α = 0,05), artinya hubungan antara variabel
membaca dengan kemampuan analitik adalah linier.

 Uji Linieritas 𝒚 (Kemampuan Analitik) dan 𝒙𝟐 (Kemampuan Meyusun Kata)

Hasil output R menunjukkan bahwa p-value = 0,001662 (nilainya lebih kecil dari α =
0,05), artinya hubungan antara variabel menyusun kata dengan kemampuan analitik adalah
linier.

5
 Uji Linieritas 𝒚 (Kemampuan Analitik) dan 𝒙𝟑 (Kemampuan Matematis)

Hasil output R menunjukkan bahwa p-value = 0.000000001 (nilainya kurang dari α =

0,05), artinya hubungan antara variabel kemampuan matematis dengan kemampuan analitik
adalah linier.
.
 Uji Linieritas 𝒚 (Kemampuan Analitik) dan 𝒙𝟒 (Kemampuan Geometris)

Hasil output R menunjukkan bahwa p-value = 0,00000007 (nilainya kurang dari α =

0,05), artinya hubungan antara variabel kemampuan geometris dengan kemampuan analitik adalah
linier.
Dengan demikian, hasil eksak dengan uji p-value dari model menunjukkan seluruh variabel
bebas linier dengan variabel tak bebas yang akan diteliti pada makalah ini. Pengujian lain dapat dilihat
dengan analisis korelasi

6
 Analisis Korelasi
3.3

Analisis korelasi ini bertujuan untuk melihat keeratan hubungan linier di antara semua
variabel yang akan dilakukan pengujian. Output R dari korelasi secara grafik dapat
ditampilkan pada gambar berikut ini.

Pada gambar di atas, disimpulkan bawasanya variabel kemampuan membaca,

kemampuan menyusun kata, kemampuan matematis, dan kemampuan geometris keseluruhan
memiliki korelasi positif terhadap variabel kemampuan analitik. Nilai korelasi setiap variabel
bebas dengan variabel tak bebas dapat di lihatberdasarkan warna plot. Dapat dilihat bahwa
nilai korelasi antar variabel bebas dengan tak bebas adalah sebesar 0.4 hingga 0.6. dengan
demikian dapat disimpulkan terdapat hubungan korelasi yang cukup berarti antara seluruh
variabel bebas dengan variabel tak beabas. Sehingga berdasarkan analisis korelasi, seluruh
variabel tak bebas dinyatakan linier terhadap variabel tak bebasnya.
Dengan demikian asumsi linieritas pada seluruh variabel bebasterhadap variabel tak
bebas dengan pengujian scatter plot, eksak, dan analisis korelasi terpenuhi. Sehingga tidak
perlu dilakukan transformasi pada variabel bebas, dan dapat dilakukan analisis regresi linnier

3.4 Pemodelan Regresi Linier Berganda

7
Berdasarkan pemodelan di atas, didapatkan model regresi sebagai berikut:

𝑦̂ = 0.8727 + 0.1550 𝑥1 + 0.0446 𝑥2 + 0.2348 𝑥3 + 0.1851 𝑥4

Setelah melakukan pemodelan awal, diperoleh nilai R 2 adjusted sebesar 41,24%.

Nilai ini cukup baik untuk kasus data sosial, maka model yang didapat dapat dikatakan baik
karena koefisien determinasi (R2) merupakan suatu ukuran kebaikan “Goodness of Fit”
model regresi. R2 mengukur prosentase total variansi dalam variabel tak bebas yang
dijelaskan oleh model regresi. Dari model regresi di atas juga terlihat jika semua variabel 𝑥
dimasukkan dalam model, semua variable bebas, memiliki koefisien bernilai positif.
Sehingga setiap kenaikan 1 satuan variabel bebas, akan meningkatkan variabel tak bebas.
Hal ini sesuai dengan teori bawasanya kemampuan analitik dapat dipengaruhi secara
positif oleh kemampuan membaca, kemampuan menyusun kalimat, kemampuan matematis,
dan kemampuan geometris. Dimana apabila semua koefisien sebesar nol dan koefisein
variabel kemampuan membaca naik sebesar 1 satuan, maka variabel kemampuan analitik
akan naik sebesar 0.8727. kemudian apabila semua koefisien sebesar nol dan koefisein
variabel kemampuan membentuk kalimat naik sebesar 1 satuan, maka variabel kemampuan
analitik akan naik sebesar 0.1550, lalu apabila semua koefisien sebesar nol dan koefisein
variabel kemampuan matematis naik sebesar 1 satuan, maka variabel kemampuan analitik
akan naik sebesar 0.0446, apabila semua koefisien sebesar nol dan koefisein variabel
kemampuan geometris naik sebesar 1 satuan, maka variabel kemampuan analitik akan naik
sebesar 0.1851. dan apabila variabel bebas konsatan, maka nilai rata-rata kemampuan analitik
sebesar 0.8727.

 Uji Simultan
 Hipotesis :
H0 : Variabel independen secara simultan tidak berpengaruh terhadap variabel
dependen
H1 : Variabel independen secara simultan berpengaruh terhadap variabel dependen

8
  Statistik Uji
P-Value
 Nilai Kritis
𝛼 = 0.05
 Kriteria Uji
Tolak H0 Jika, P-Value<Nilai kritis

Untuk uji signifikansi model secara simultan, didapat nilai p-value 0.0000000001 <
0,05 sehingga H0 ditolak, artinya variabel-variabel bebas secara simultan berpengaruh secara
signifikan terhadap variabel tak bebas dengan kata lain model layak/diterima.

 Uji Parsial

 Hipotesis :
H0 : Variabel 𝑥𝑖 secara parsial tidak berpengaruh terhadap variabel Kemampuan
analitik
H1 : Variabel 𝑥𝑖 secara parsial berpengaruh terhadap variabel dependen Kemampuan
analitik
 Statistik Uji
P-Value
 Nilai Kritis
𝛼 = 0.05
 Kriteria Uji
Tolak H0 Jika, P-Value<Nilai kritis

Hasil output pada R-Console disajikan dalam tabel sebagai berikut :

Variabel 𝒙𝒊 Nilai P-Value Kriteria Uji Keterangan

Kemampuan
0.0382 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 H0 ditolak
Membaca (𝑥1 )
Kemampuan
0.5304 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼 H0 diterima
Menyusun Kata (𝑥2 )
Kemampuan
0.0017 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 H0 ditolak
Matematis (𝑥3 )
Kemampuan
0.0037 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 H0 ditolak
Geometris (𝑥4 )

9
 Berdasarkan tabel rangkuman di atas, dapat dlihat variabel kemampuan membaca,
matematis, dan geometris masing-masing memiliki pengaruh yang signifikan terhadap
variabel kemampuan analitik. Sedangakan variabel kemampuan menyusun kata, tidak
berpengaruh signifikan.
 Uji Asumsi Klasik
 Normalitas
Regresi Linier klasik mengasumsikan sisaan model (i) didistribusikan secara normal
dengan Rata-rata : E(i) = 0 dan Varians : V(i2) = 2, untuk melihat apakah sisaan suatu
model berdistribusi normal iiid N (0,2) dapat dilakukan dengan melihat Normal QQ Plot.
Berdasarkan hasil R-Graphic, diperoleh Normal QQ Plot yang berada pada garis normal
sehingga secara kasat mata, dapat dikatakan bahwa data berdistribusi normal. Untuk
meyakinkan hal ini, dilakukan dengan uji Saphiro Wilk.

 Uji Shapiro Wilks

 Hipotesis
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
 Statistik uji
Dari perhitungan dengan R didapat hasil statistik uji sebagai berikut:

Uji normalitas dengan Shapiro wilks test diperoleh nilai p-value sebesar 0,5669 lebih
besar dari α = 0,05. Maka, H0 diterima, sehingga dapat disimpulkan berdasarkan nilai eksak,
residual berdistribusi normal. Dengan demikian dapat dilakukan analisis selanjutnya.

10
  Homoskedastisitas
Untuk menguji asumsi linieritas dan varians konstan (homoskedastisitas) dapat juga
dilihat dari plot antara residual 𝜀̂ dengan 𝑦̂. Apabila plot menyebar di sekitar titik nol maka
asumsi linieritas dan homoskedastisitas terpenuhi.

Pada plot di atas terlihat plot tidak menyebar di antara titik nol, sehingga dapat
disimpulkan bahwa asumsi homoskedastisitas tidak terpenuhi.

Selain plot, teknik lain untuk melihat terjadi atau tidak heteroskedastisitas dapat
dilakukan dengan Breusch-Pagan test dengan hipotesis:
 Uji Hipotesis
H0 : Tidak tejadi heteroskedastisitas (homoskedastisitas)
H1 : Terjadi heteroskedastisitas
 Statistik Uji
Dari perhitungan dengan program R didapat hasil sebagai berikut:

Dari output diatas didapat nilai p-value untuk Breusch-Pagan test adalah 0,04393 >
0,05 artinya H0 ditolak dengan kata terjadi heteroskedastisitas atau residual memiliki nilai
varians yang sama.

11
  Non Autokorelasi
Ukuran dalam menentukan ada tidaknya masalah autokorelasi dapat dilakukan dengan
uji Durbin-Watson (DW). Uji ini biasa dilakukan untuk data yang bersifat time series atau
terikat dengan waktu tertetu.

Uji Durbin Watson

 Hipotesis
Ho : residual tidak berkorelasi
H1 : residual berkorelasi
 Statistik Uji
Dari perhitungan dengan program R didapat hasil sebagai berikut :

Berdasarkan ouput di atas diperoleh nilai p-value uji Durbin-Watson sebesar 0.7091
yang lebih besar dari α = 0,05. Sehingga H0 diterima, artinya residual tidak berkorelasi (non
autokorelasi).

 Non Multikolinieritas

Uji tidak adanya multikolinieritas di antara variabel bebas dapat dilakukan dengan
melihat nilai VIF (Variance Inflation Factor) dimana jika nilai VIF lebih dari 10 maka dapat
dikatakan terjadi multikolinieritas pada variabel 𝑥. Dari perhitungan nilai VIF dengan
program R didapat hasil sebagai berikut:

Hasil output diatas menunjukkan bahwa VIF pada semua variabel bebas bernilai
kurang dari 10 sehingga tidak terjadi multikolinearitas.

3.5 Diagnostik

Sebelum dilakukan pemilihan variabel untuk model terbaik, maka akan dilakukan
diagnostik residu dan pencilan. Diagnostik dalam analisis regresi berguna untuk mendeteksi
permasalahan-permasalahan terkait model dan menemukan tindakan apa yang harus
dilakukan sebagai perbaikan kecocokan model. Pada tahap awal diagnostik ini, dilakukan
analisis residual dan lavarage.

12
 Residual
Deteksi residual dapat dilihat melalui plot residual

Berdasarkan output tersebut terlihat bahwa observasi ke-69 memiliki nilai residual
tertinggi dan observasi ke-27 memiliki nilai residual terendah.
 Leverage

Bila diketahui taksiran variabel terikat dengan menggunakan matriks adalah

𝑦̂ = 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ 𝑦 = 𝐻𝑦
Dimana H adalah matriks topi (hat matrix).
𝐻 = 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′
ℎ𝑖𝑖 = 𝑥𝑖′ (𝑋 ′ 𝑋)−1 𝑥𝑖
Elemen diagonal matriks topi disebut leverage dan sangat bermanfaat dalam
diagnostik model. Deteksi keberadaan high leverage point dimana satu pengamatan ke-i
apabila:
ℎ𝑖𝑖 > 2𝑝/𝑛, dengan p jumlah variabel bebas dan n jumlah observasi.

13
 Berdasarkan output di atas, dapat dilhat observasi ke-69, 37, dan 41 berada di atas
garis leverage. Akan tetapi titik-titik tersebut belum pasti outlier karena bisa saja titik dengan
residual yang besar namun bukan sesuatu yang luar biasa.

3.6 Transformasi Box-Cox

Transformasi box cox, dilakukan untuk mentransformasi data. Transformasi

dilakukan apabila data tidak berdistribusi normal dan tidak linier, dengan menggunakan
box-cox, akan didapat nilai rounded value atau lamda yang digunakan dalam
mentransformasi data. Dengan plot diata, diperoleh nilai rounded value sebesar -0.5.
sehingga untk transformasi data dapat dilakukan sebagai berikut.

14
 Sehingga diperoleh model hasil transformasi sebagai berikut :

Setelah dilakukan transformasi Box Cox terlihat bahwa variabel bebas yang signifikan
secara parsial menjadi berkurang, meski standar error menjadi lebih kecil daripada
pemodelan yang belum ditransformasi.

3.7. Pembentukan Model Terbaik

Berdasarkan variabel yang sudah diseleksi dengan metode Best Subset diperoleh nilai
Adj.R-Square, CP-Melow, dan nilai MSE sebagai berikut

15
Hasil analisis dengan best subset, diperoleh model terbaik adalah :

𝑦̂ = 0.8727 + 0.1550 𝑥1 + 0.0446 𝑥2 + 0.2348 𝑥3 + 0.1851 𝑥4

Model tersebut merupakan model terbaik, hal ini dilihat berdasarkan nilai Adj.R-
Square terbesar, nilai CP-Melow yang mendekati parameter, dan nilai MSE yang paling
kecil. model regresi dengan memasukkan semua variabel bebasnya merupakan model terbaik,
hal ini ditunjukka denga nilai nilai Adj.R-Square terbesar yakni sebesar 0.4124 atau 41.24%,
nilai CP-Melow yang mendekati parameter sebesar 5, dan nilai MSE yang paling kecil yakni
sebesar 0.14836.

D. KESIMPULAN

1. Kemampuan analitik, dapat dipengaruhi oleh berbagai faktor, dalam maklah ini
ditetapkan 5 variabel sebagai faktor yang diasumsikan dapat mempengaruhi kemampuan
anlitik. Hasil pengujian linieritas dengan menggunakan analisis korelasi, terbukti bahwa
kelima variabel yang di tetapka linier terhadap kemampuan analitik. Tahap selanjutnya
melihat linieritas variabel y dan x juga memberikan kesimpulan yang sama.
2. Hasil pemodelan regresi linier berganda, secara simultan seluruh variabel memberikan
pengaruh yang signifikan secara bersamaan serta berpengaruh positif. Sedangkan secara
parsial haya terdapat 4 variabel yang memberikan pengaruh secara signifikan yakni
kemampuan membaca, kemampuan matematis, dan kemampuan geometris. Sedangkan
kemampuan menysusun kata, tidak memberika pengaruh yang signifikan.
3. Berdasarkan hasil analisis residual dan leverage, serta analisis box plot, diperoleh nilai
outlier yang terletak pada observasi ke 69.
4. Hasil transformasi box-cox tidak memberikan model yang begitu baik. Karena hanya ada
dua variabel bebas yang mempengaruhi model serta terjadi penurunan pada nilai R-
Square. Sehingga model transformasi box-cox tidak digunakan.
5. Penentuan model terbaik dilakukan dengan menggunakan metode best subset. Diperoleh
nilai Adj.R-Square tertinggi, nilai cp melow yang mendekati parameter, dan ilia mse
terendah pada model regresi awal. Sehingga model yang akan digunakan untuk analisis
selanjutnya adalah model regresi

𝑦̂ = 0.8727 + 0.1550 𝑥1 + 0.0446 𝑥2 + 0.2348 𝑥3 + 0.1851 𝑥4

16
 LAMPIRAN

1. Data yang dianalisis

Tabel 1. Data Kemampuan Kongitif Pada Siswa SMA Kota Sukabumi
reading sentcomp mathmtcs geometry analyrea
1.67 1.46 0.9 0.49 1.65
1.11 2.25 1.4 1.85 2.04
1.25 1.23 0.98 0.9 1.16
0.35 0.4 0.75 1.62 1.14
0.03 0.16 0.84 1 2.25
0.79 0.02 0.02 0.09 1.09
1.52 1.73 0.66 1.05 1.02
0.2 0.14 2.05 1.52 1.29
1.63 1.06 1.99 1.18 2.00
0.81 1.36 1.41 0.23 1.67
1.15 0.68 0.82 1.46 1.06
1.2 0.83 1.48 0.55 1.43
0.54 0.23 0.79 0.32 1.02
0.99 1.64 0.08 1.54 1.35
0.65 0.72 1.46 1.76 1.06
1.91 0.76 1.12 0.33 1.69
1.41 0.18 1.57 1.15 2.03
0.99 0.5 1.79 0.19 2.13
0.79 1.46 0.55 1.48 1.97
0.99 1.44 1.39 1.31 1.74
0.11 0.58 0.91 1.31 1.29
0.82 1.49 1.55 0.98 1.57
0.54 2.3 1.57 1.45 1.68
0.87 0.24 1.08 0.84 1.34
1.38 0.8 1.25 0.95 1.81
0.97 0.44 0.9 0.43 1.37
1.21 0.91 2.38 1.64 1.04
0.69 1.34 1.16 1.42 1.38
0.72 1.06 1.89 2.86 2.15
0.39 0.74 1.44 0.18 1.16
2.01 0.91 1.09 1.26 1.95
1.77 1.42 2.8 3.32 2.83
0.27 0.28 1.05 0.2 1.30
0.11 0.14 1.54 0.38 1.59
1.73 1.42 0.6 0.92 1.33
1.31 0.11 0.35 1.65 1.12
2.47 2.47 3.71 2.59 2.67
0.58 1.64 1.71 1.1 1.67
0.81 1.86 1.95 1.25 1.57
0.41 0.35 0.21 0.01 1.15

17
0.63 2.28 0.15 0.16 1.31
0.77 0.8 1 1.99 1.12
2.14 0.97 1.51 1.39 1.62
1.98 1.2 1.41 1.41 1.99
0.63 0.16 1.86 0.69 1.62
0.29 0.96 0 0.26 1.10
0.07 0.03 0.92 0.92 1.05
0.06 1.41 1.56 1.44 1.33
0.84 1.3 1.97 1.31 1.38
0.68 0.12 1.1 0.88 1.19
0.6 0.16 1.38 0.11 1.99
0.2 1.97 1.25 0.62 1.02
1.51 0.22 1.13 0.37 1.88
0.78 1.33 1.02 0.49 1.14
1.26 1.78 1.41 1.04 1.59
1.09 1.82 2.27 2.08 2.38
0.45 1.46 1.05 1.62 1.97
0.86 2.31 0.76 1.58 1.49
1.27 0.43 0.74 0.92 2.00
0.49 0.48 0.55 0.02 1.01
1.06 1.37 2.21 1.7 2.77
0.78 0.85 1.22 0.96 1.91
0.01 0.59 1.45 1.94 1.19
0.32 0.31 1.24 2.29 1.67
2.27 2.17 1.97 0.98 2.39
2.7 2.01 1.95 0.84 1.50
0.23 0.55 0.02 0.48 1.20
0.48 1.03 1.41 2.34 1.38
2.23 2.55 1.38 3.86 3.50
0.23 0.08 1.34 2.01 1.10
1.86 1.85 1.9 0.53 1.71
0.88 0.66 0.99 0.2 1.03
0.77 0.55 2.4 2.07 2.09
2.01 1.58 0.92 1.6 1.04
2.02 0.97 2.21 1.26 1.91
0.58 0.79 0.44 0.88 1.19
1.1 1.49 2.7 1.81 2.49
0.88 1.54 1.17 0.25 1.22
0.02 0.18 0.83 0.42 1.37
0.93 0.99 1.4 1.51 1.88
2.64 1.52 3.06 2.6 2.35
2.24 2.14 1.82 0.31 1.15
1.4 1.03 0.18 0.26 1.14
0.56 0.18 1 2.08 1.07

18
 1.88 0.84 1.76 1.82 2.11
0.14 0.63 0.22 0.68 1.65

2. Syntax R

1. library(readxl)
2. library(corrplot)
3. library(lmtest)
4. library(car)
5. library(leaps)
6. library(MASS)
7. library(dvmisc)
8.
9. ##Membangkitkan data
10. data=read_excel("D:/LN/s2/Materi kuliah/Anreg/UTS ARA/Data.xlsx")
11. x=as.matrix(data)
12. df=data.frame((data[,-1]))
13. summary(df)
14.
15. #Simpangan Baku
16. x1=sd(data$reading)
17. x2=sd(data$sentcomp)
18. x3=sd(data$mathmtcs)
19. x4=sd(data$geometry)
20. y=sd(data$analyrea)
21. SD=matrix(c(x1,x2,x3,x4,y),nrow=5,ncol=1,byrow=TRUE,dimnames =
list(c("SD_Reading","SD_Sentcomp","SD_Math","SD_Geometry","Analyrea"),c("Standar_Deviasi")))
22. SD
23.
24. #Box Plot
25. scale_data<-df
26. par(mfrow=c(3,3))
27. boxplot(scale_data$reading,col="grey",main="reading")
28. boxplot(scale_data$sentcomp,col="grey",main="sentcomp")
29. boxplot(scale_data$mathmtcs,col="grey",main="mathmtcs")
30. boxplot(scale_data$geometry,col="grey",main="geometry")
31. boxplot(scale_data$analyrea,col="grey",main="analyrea")
32.
33. #Variabel
34. OBS<-data$OBS
35. y<-data$analyrea
36. x1<-data$reading
37. x2<-data$sentcomp
38. x3<-data$mathmtcs
39. x4<-data$geometry
40.
41. #Uji Linearitas reading dengan analyrea
42. par(mfrow=c(2,3))
43. plot(y~x1,pch=19,col=1,data=data)
44. reg_1<-lm(y~x1,data=data)
45. abline(reg_1,lty=1,col="red")
46. summary(reg_1)
47.

19
48. #Uji Linearitas sentcomp dengan analyrea
49. plot(y~x2,pch=19,col=1,data=data)
50. reg_2<-lm(y~x2,data=data)
51. abline(reg_2,lty=1,col="red")
52. summary(reg_2)
53.
54. #Uji Linearitas math dengan analyrea
55. plot(y~x3,pch=19,col=1,data=data)
56. reg_3<-lm(y~x3,data=data)
57. abline(reg_3,lty=1,col="red")
58. summary(reg_3)
59.
60. #Uji Linearitas geometry dengan analyrea
61. plot(y~x4,pch=19,col=1,data=data)
62. reg_4<-lm(y~x4,data=data)
63. abline(reg_4,lty=1,col="red")
64. summary(reg_4)
65.
66. #-----PLOT KORELASI-----
67. par(mfrow=c(1,1))
68. corrplot(cor(data[,-1]), type="upper", method="ellipse", tl.cex=0.9)
69.
70. #-----PEMODELAN analyrea VS reading sentcomp math geometry------
71. MF=lm(y~x1+x2+x3+x4,data=data)
72. summary(MF)
73. s15=get_mse(MF)
74.
75. #----UJI ASUMSI KLASIK-----
76. #A. Normalitas
77. qqnorm(MF$res,ylab="Raw Residuals",main="Normal Q-Q Plot",pch=19, col=1)
78. qqline(MF$res,col=2,lwd=2)
79. shapiro.test(MF$res)
80.
81. #B. Homoskedastis
82. plot(MF$fit,MF$res,xlab="Fitted",ylab="Residuals",main="Plot Residual dengan Nilai Prediksi",pch=19, col=1)
83. abline(h=0,col=2,lwd=2)
84. plot(MF$fit,abs(MF$res),xlab="Fitted",ylab="|Residuals|",main="Plot ABS_Residual dengan Nilai
Prediksi",pch=19, col=1)
85. abline(h=0,col=2,lwd=2)
86. library(lmtest)
87. bptest(MF,studentize=F,data=data)
88.
89. #C. Multikolinearitas
90. vif(MF)
91.
92. #D. Residual Diagnostik
93. plot(MF$res,ylab="Residuals",main="Indeks Plot of Residuals",pch=19, col=1)
94. names(MF$res)<-data$OBS
95. sort(MF$res)[c(1,86)]
96. identify(1:86,MF$res,names(MF$res))
97.
98. #Leverage Diagnostik
99. x <- model.matrix(MF)
100. lev <- hat(x)

20
101. plot(lev,ylab="Leverages",main="Index plot of Leverages",pch=19, col=1)
102. abline(h=2*5/86,col=2,lwd=2)
103. sum(lev)
104. names(lev) <- data$OBS
105. lev[lev > 0.47]
106. identify(1:86,lev,data$OBS)
107.
108. #Residual Jacknife
109. jack <- rstudent(MF)
110. names(jack) <- data$OBS
111. jack[which.max(abs(jack))]
112. qt(.05/(34*2),26)
113.
114. #Cook Distance
115. cook <- cooks.distance(MF)
116. cook
117. qf(0.05,5,86)
118. plot(cook,ylab="Cooks distances",pch=19, col=1, main="Cook Distance")
119. identify(1:86,cook,data$OBS)
120.
121.
122. #Box-Cox
123. par(mfrow=c(1,2))
124. BC <-boxcox(MF,plotit=T,main="Box-Cox Transformation")
125. bc= boxCox(MF,lambda=seq(-2,2,by=0.01),plotit=T)
126. bc
127.
128. #Transformasi Box-Cox
129. lambda= bc$x[which.max(bc$y)]
130. lambda
131. Z= y^lambda-1/lambda
132. Z
133. Mbc=lm(Z~x1+x2+x3+x4, data=data)
134. summary(Mbc)
135. MSE_Mbc=get_mse(Mbc)
136. MSE_Mbc
137.
138. #-----PEMODELAN analyrea VS reading------
139. M1=lm(y~x1, data=data)
140. summary(M1)
141. s1=get_mse(M1)
142.
143. #-----PEMODELAN analyrea VS sentcomp------
144. M2=lm(y~x2, data=data)
145. summary(M2)
146. s2=get_mse(M2)
147.
148. #-----PEMODELAN analyrea VS mathmtcs------
149. M3=lm(y~x3, data=data)
150. summary(M3)
151. s3=get_mse(M3)
152.
153. #-----PEMODELAN analyrea VS geometry------
154. M4=lm(y~x4, data=data)

21
155. summary(M4)
156. s4=get_mse(M4)
157.
158. #-----PEMODELAN analyrea VS reading sentcomp------
159. M5=lm(y~x1+x2, data=data)
160. summary(M5)
161. s5=get_mse(M5)
162.
163. #-----PEMODELAN analyrea VS reading math------
164. M6=lm(y~x1+x3, data=data)
165. summary(M6)
166. s6=get_mse(M6)
167.
168. #-----PEMODELAN analyrea VS reading geometry------
169. M7=lm(y~x1+x4, data=data)
170. summary(M7)
171. s7=get_mse(M7)
172.
173. #-----PEMODELAN analyrea VS sentcomp math------
174. M8=lm(y~x2+x3, data=data)
175. summary(M8)
176. s8=get_mse(M8)
177.
178. #-----PEMODELAN analyrea VS sentcomp geometry------
179. M9=lm(y~x2+x4, data=data)
180. summary(M9)
181. s9=get_mse(M9)
182.
183. #-----PEMODELAN analyrea VS math geometry------
184. M10=lm(y~x3+x4, data=data)
185. summary(M10)
186. s10=get_mse(M10)
187.
188. #-----PEMODELAN analyrea VS reading sentcomp mathmtcs------
189. M11=lm(y~x2+x3+x4, data=data)
190. summary(M11)
191. s11=get_mse(M11)
192.
193. #-----PEMODELAN analyrea VS reading math geometry------
194. M12=lm(y~x1+x3+x4, data=data)
195. summary(M12)
196. s12=get_mse(M12)
197.
198. #-----PEMODELAN analyrea VS reading sentcomp geometry------
199. M13=lm(y~x1+x2+x4, data=data)
200. summary(M13)
201. s13=get_mse(M13)
202.
203. #-----PEMODELAN analyrea VS reading sentcomp mathmtcs------
204. M14=lm(y~x1+x2+x3, data=data)
205. summary(M14)
206. s14=get_mse(M14)
207.
208. #-----BEST SUBSET-----

22
209. models = regsubsets(y~x1+x2+x3+x4, data,nbest=6, nvmax = 4)
210. sum.models = summary(models)
211. sum.models
212. Model =
c('y~x3','y~x4','y~x1','y~x2','y~x3+x4','y~x1+x3','y~x1+x4','y~x2+x3','y~x2+x4','y~x1+x2','y~x1+x3+x4','y~x2+x
3+x4','y~x1+x2+x3','y~x1+x2+x4','y~x1+x2+x3+x4')
213. Adj.R2 = sum.models$adjr2
214. MSE = c(s1,s2,s3,s4,s5,s6,s7,s8,s9,s10,s11,s12,s13,s14,s15)
215. CP = sum.models$cp
216. data.frame(Model, Adj.R2, MSE, CP)

23