Pada baris code 2 disini kitamengatur lokasi direktori tempat kita akan bekerja atau akan
melakukan analisis regresi. Kemudian baris code 3-6 kita akan mengimport data yang akan kita
gunakan, dimana disini kita menggunakan packages xlsx dikarenakan format data dalam bentuk
Ms. Excel.
Pada baris code 8 dan 10 digunakan untuk melihat data tetapi hanya beberapa saja dan dimulai
dari nomor 1 berbeda jika menggunakan fungsi tail maka akan ditampilkan beberapa data paling
bawah. Kemudian untuk code 9 disini digunakan untuk mempermudah dalam menuliskan code
pada analisis regresi, dengan mengganti nama kolom menjadi singkat yaitu Penduduk_miskin
dan Pengangguran.
Karena kita melakukan analisis regresi linear maka formula yang digunakan yaitu linear
model(lm). Kemudian memasukkan nilai y yaitu Penduduk_miskin dan Pengangguran sebagai x
dengan data yang digunakan yaitu data_regresi. Kemudian didapatkan output berikut
Gambar diatas, pada Adjusted R square yaitu 0,09771 yang artinya sebanyak 9.77% keragaman
jumlah penduduk miskin mampu dijelaskan oleh jumlah pengangguran dan sisanya dijelaskan
oleh faktor lainnya. Disini alfa yang kita gunakan yaitu 0.05(5%). Terdapat 2 koefisien yaitu
b0(intercept) dan b1(pengangguran), untuk nilainyadapat dilihat pada kolom estimate.
Berdasarkan output diatas didapatkan model regresi y= 1.175e+02 + 1.526e-03x
Berdasarkan output diatas dapat dilakukan uji overall.Berikut langkah uji overall.
A. Uji Hipotesis
H0 = βi = 0 (i=0,1) Model regresi tidak layak digunakan
H1 = ada minimal satu i dimana βi ≠ 0 (i=0,1) Model regresi layak
B. Tingkat signifikansi 5 %
C. Statistic Uji yang digunakan adalah jika p-value < α maka tolak H0 dan sebaliknya jika p-value >
α maka gagal tolak H0.
D. Keputusan p-value < α yaitu 0,03153 < 0,05 maka tolak H0.
E. Kesimpulannya adalah berdasarkan keputusan yang diperoleh yaitu tolak H 0 maka dapat
dikatakan model regresi yang digunakan layak dan ada βi ≠ 0 maka dilanjutkan dengan uji
parsial.
Uji Parsial
A. Hipotesis Uji Parsial
H0 = βi = 0 (i=0,1) Koefisien βi tidak signifikan dalam model
H1 = ada minimal satu i dimana βi ≠ 0 (i=0,1) Koefisien βi signifikan dalam model
B. Tingkat signifikansi 5 %
C. Statistic Uji yang digunakan adalah jika p-value < α maka tolak H0 dan sebaliknya jika p-value >
α maka gagal tolak H0.
D. Keputusan untuk model pertama p-value β1 < α yaitu 0,0351 < 0,05 maka tolak H0.
E. Kesimpulannya adalah berdasarkan keputusan yang diperoleh yaitu tolak H 0 berati koefisien
βi signifikan dalam model, maka dapat dikatakan koefisien βi berpengaruh terhadap jumlah
penduduk miskin.
Kesimpulan
1. Didapat model ŷ= 1.175e+02+ 1.526e-03x
2. Koefisien determinasi atau Adjusted R square yaitu 0,09771
3. Hasil dari uji overall adalah tolak H0 (model layak digunakan)
4. Hasil dari uji parsial adalah tolak H0 (Koefisien βi signifikan dalam model)