NIM : 112111945
KELAS : 2D32
Penugasan
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.
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
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
Input Data
#Untuk mengarahkan ke folder aktif
setwd("D:/KULIAH/KULIAH SEMESTER 4/ANALISIS REGRESI/PERT 6")
## # 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
## 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.
# 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)
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.
##
## 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 :