NAMA : BAGAS ANDRIATA PRATAMA

NIM : 112111945

KELAS : 2D32

TUGAS ANAREG PERTEMUAN 6

Penugasan

Berdasarkan file Data_LatihanRLB.xlsx, lakukan beberapa pekerjaan berikut

menggunakan perangkat lunak SPSS:

Tabel output Variables Entered/Removed di atas memberikan informasi bahwa variabel tidak
bebas yang digunakan dalam penelitian ini adalah variabel X1 dan X2, sedangkan variabel bebas
penelitian adalah variabel Y. Analisis regresi menggunakan metode Enter. Pada kolom Variables
Removed tidak ada angkanya atau kosong, ini menunjukkan bahwa tidak ada variabel yang
dibuang.

1. Pendugaan terhadap model regresi linier berganda (RLB)

 Estimasi masing-masing parameter yaitu 𝛽̂0 = 138.075, 𝛽̂1= 0.003 dan 𝛽̂2 =0.52, atau dalam
persamaan regresi dapat ditulis sebagai berikut:

𝑌̂ = 138,075 + 0,003𝑋1 + 0,520𝑋2

2. Interpretasikan makna dari setiap koefisien regresi

Berdasarkan persamaan regresi diatas diperoleh makna:
a. Setiap kenaikan 1 satuan variabel X1 akan meningkatkan Y sebesar 0.003 satuan.
b. Setiap kenaikan 1 satuan variabel X2 akan meningkatkan Y sebesar 0.52 satuan.

3. Pengujian hipotesis keberartian parameter koefisien regresi

A. Uji Simultan
Hipotesis
𝐻0 : 𝛽1 = 𝛽2 = 0 (tidak terdapat pengaruh dari variabel X1 dan X2 terhadap Y)
𝐻1 : 𝑚𝑖𝑛𝑖𝑚𝑎𝑙 𝑎𝑑𝑎 𝑠𝑎𝑡𝑢 𝛽𝑗 ≠ 0, 𝑗 = 1,2 (minimal ada satu variabel bebas berpengaruh
terhadap Y)
Tingkat signifikansi
α = 5% atau 0.05
Wilayah kritis
Tolak 𝐻0 jika Fhitung > FTabel(0,95;2,47) = 3,195
Atau
P-value < α (0.05)
Statistik uji

Keputusan
F(8.121) > FTabel(0,95;2,47) = 3,195
Atau
P-value (0.001) < α (0.05)
Sehingga Tolak 𝐻0
Kesimpulan
 Dengan tingkat signifikansi 5% dan jumlah sampel yang ditentukan, sampel
mendukung untuk menunjukkan bahwa minimal ada satu variabel bebas berpengaruh
terhadap Y. Artinya model RLB tersebut dapat menjelaskan hubungan antarvariabel,
yaitu ketergantungan (dependency) dari variabel Y oleh variabel X1 dan X2.

B. Uji Parsial
Hipotesis

Hipotesis 1
𝐻0 : 𝛽1 = 0 (tidak terdapat pengaruh variabel X1 terhadap gaji Y)
𝐻1 : 𝛽1 ≠ 0 (terdapat pengaruh variabel X1 terhadap gaji Y)
Hipotesis 2
𝐻0 : 𝛽2 = 0 (tidak terdapat pengaruh variabel X2 terhadap gaji Y)
𝐻1 : 𝛽2 ≠ 0 (tidak terdapat pengaruh variabel X2 terhadap gaji Y)

Tingkat signifikansi

α = 5% atau 0.05

Wilayah kritis

Tolak 𝐻0 jika | thitung| > t0,975;47 = 2,012

Statistik uji

Keputusan

- Berdasarkan Hipotesis 1
𝑡ℎ𝑖𝑡𝑢𝑛𝑔.1 (2,529) > t0,975;47 (2,012)
Sehingga tolak H0.
- Berdasarkan Hipotesis 2
𝑡ℎ𝑖𝑡𝑢𝑛𝑔.2 (2,115) > t0,975;47 (2,012)
Sehingga Tolak H0.
 Kesimpulan

Dengan tingkat signifikansi 5% dan dengan jumlah sampel yang diketahui sampel
mendukung jika
a. Terdapat pengaruh signifikan X1 terhadap Y
b. Terdapat pengaruh signifikan X2 terhadap Y
Sehingga dengan kata lain hasil uji parsial pada dua variabel bebas, masing-masing
memiliki nilai p-value kurang dari  = 0,05 atau tiap-tiap variabel signifikan pada tingkat
signifikansi 5 persen. Sehingga dalam penelitian ini dapat disimpulkan bahwa semua
variabel bebas X mempengaruhi variabel Y.

PENUGASAN 6 ANAREG
BAGAS ANDRIATA PRATAMA

2023-03-16

Pendugaan Parameter, Pengujian Hipotesis, dan Interpretasi

Koefisien Model Regresi Linier Berganda (RLB)
Package yang digunakan
library(readxl) # untuk membaca file excel

Input Data
#Untuk mengarahkan ke folder aktif
setwd("D:/KULIAH/KULIAH SEMESTER 4/ANALISIS REGRESI/PERT 6")

#Membaca File excel

Data_LatihanRLB <- read_excel("Data_LatihanRLB.xlsx")
head(Data_LatihanRLB)

## # A tibble: 6 x 4
## i Y X1 X2
## <dbl> <dbl> <dbl> <dbl>
## 1 1 521 18308 185
## 2 2 367 1148 600
## 3 3 443 18068 372
## 4 4 365 7729 142
## 5 5 614 100484 432
## 6 6 385 16728 290

Buat Model RLB

model_RLB <- lm(Y~X1+X2, data=Data_LatihanRLB)
hasil_model_RLB <- summary(model_RLB)

Nilai Koefisien Determinasi

#Nilai R-Squared
Rsquared_RLB <- hasil_model_RLB$r.squared
Adj_Rsquared_RLB <- hasil_model_RLB$adj.r.squared

#Gabungan Nilai Rsquared dan Adj Rsquared

R_gab_RLB <- as.data.frame(cbind(Rsquared_RLB,Adj_Rsquared_RLB))
R_gab_RLB

## Rsquared_RLB Adj_Rsquared_RLB
## 1 0.2568138 0.2251888

Nilai koefisien determinasi (Adjusted R-Square) sebesar 0,257 berarti bahwa 25,7 persen
keragaman nilai variabel Y dapat dijelaskan oleh variabel X1 dan X2, sedangkan sisanya, yaitu
74,3 persen dijelaskan oleh variabel lain di luar model.

Analysis of Variance (Anova)

# buat fungsi Anova full model

Anovafull <- function(object, ...) {

?anova
# Compute anova table
tab <- anova(object, ...)

# Obtain number of predictors

p <- nrow(tab) - 1

# Add predictors row

predictorsRow <- colSums(tab[1:p, 1:2])
predictorsRow <- c(predictorsRow, predictorsRow[2] / predictorsRow[1])

# F-quantities
Fval <- predictorsRow[3] / tab[p + 1, 3]
pval <- pf(Fval, df1 = p, df2 = tab$Df[p + 1], lower.tail = FALSE)
predictorsRow <- c(predictorsRow, Fval, pval)

# Simplified table
tab <- rbind(predictorsRow, tab[p + 1, ])
row.names(tab)[1] <- "Regression"
return(tab)
}

Hasil Anova
Anovafull(model_RLB)

## Analysis of Variance Table

##
## Response: Y
## Df Sum Sq Mean Sq F value Pr(>F)
## Regression 2 376249 188124 8.1206 0.000935 ***
## Residuals 47 1088815 23166
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Tabel ANOVA di atas memberikan informasi tentang pengujian secara simultan dengan melihat
nilai p-value = 0,0009 dimana nilai tersebut lebih kecil dari alfa 0,05 atau dapat juga melihat
nilai F hitung = 8.1206 yang lebih besar dari nilai F(0,05;2;47)3.195056281 . Hasil uji simultan
menunjukkan bahwa terdapat cukup bukti untuk menyatakan minimal ada satu variabel bebas
yang berpengaruh signifikan terhadap variabel Y.

Nilai Koefisien Masing-Masing Variabel

hasil_model_RLB <- summary(model_RLB)
hasil_model_RLB

##
## Call:
## lm(formula = Y ~ X1 + X2, data = Data_LatihanRLB)
##
## Residuals:
## Min 1Q Median 3Q Max
## -220.65 -117.61 -17.15 87.71 466.44
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.381e+02 6.441e+01 2.144 0.0373 *
## X1 2.663e-03 1.053e-03 2.529 0.0148 *
## X2 5.202e-01 2.460e-01 2.115 0.0398 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 152.2 on 47 degrees of freedom
## Multiple R-squared: 0.2568, Adjusted R-squared: 0.2252
## F-statistic: 8.121 on 2 and 47 DF, p-value: 0.000935
Tabel Coefficients di atas menunjukkan bahwa :

1. Estimasi masing-masing parameter yaitu 𝛽̂0 = 1.381e+02, 𝛽̂1= 2.663e-03, 𝛽̂2= 5.202e-01,
atau dalam persamaan regresi dapat ditulis sebagai berikut :

𝑌̂ = 1,381𝑒 + 02 + 2.663𝑒 − 03𝑋1 + 5,202𝑒 − 01𝑋2

Berdasarkan persamaan regresi, setiap kenaikan 1 satuan variabel 𝑋1 akan meningkatkan Y
sebesar 0.003 satuan. Setiap kenaikan 1 satuan variabel 𝑋2 akan meningkatkan Y sebesar 0,52
satuan.
2. Hasil uji parsial pada dua variabel bebas, 𝑋1, 𝑋2memiliki nilai p-value kurang 𝛼 = 0,05 atau
variabel 𝑋1 , 𝑋2, signifikan pada tingkat signifikansi 5 persen. Sehingga dalam penelitian ini
dapat disimpulkan bahwa hanya variabel 𝑋1, 𝑋2, yang mempengaruhi variabel Y.