TUGAS KELOMPOK STATISTIK DENGAN R / UJI REGRESI LINEAR SEDERHANA

Nama : Rahma Fauziah Nasution (21100001)

Muhammad Nur Ghaly (21100002)
Dosen : Fisa Wisnu Wijaya, S.Pd.,M.Pd

Regresi Linear Sederhana.

Analisis Regresi merupakan salah satu analisis yang bertujuan untuk mengetahui pengaruh suatu
variable terhadap variable lainnya. Dalam analisis regresi variable yang mempengaruhi disebut
independent variable dan variable yang dipengaruhi disebut dependent variable. Jika da;am
persamaan regresi hanya terdapat satu variable bebas dan satu variable terikat maka disebut
persamaan regresi sederhana sedangkan jjika variable bebasnya lebih dari satu maka disebut
persamaan regresi berganda. Regresi linear sederhana seperti dibawah ini.

Asumsi Model Linear :

1. Bentuk hubungannya linear
2. Sisaan asalah peubah acak yang bebas terhadap nilai x
3. Sisaan merupakan peubah acak yang menyebar normal dengan rataan nol dan ragam
konstan(homoskedastisitas)
4. Sisaan tidak berkorelasi satu sama lain
Untuk lebih jelasnya langsung coba menggunakan software Rstudio berikut ini :

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.

Sebelum mengganti nama kolom

Setelah mengganti nama kolom

Pada analisis regresi kali ini kita akan melihat pengaruh dari jumlah pengangguran terhadap
jumlah penduduk miskin sehingga kita dapatkan code berikut :

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

 Interpretasi dari hasil analisis regresi sederhana :

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)