LAPORAN PRAKTIKUM

PERTEMUAN VI
PENGANTAR ANALISIS REGRESI

Oleh

Nama : Muhammad Kevyn Ridho Ariendra

NPM : F1F022034

Dosen Pengampu : Dyah Setyo Rini, S.Si., M.Sc.

Asisten Praktikum : 1. Destria Dwina Putri Syahbet (F1F021001)

2. Alya Saputri (F1F021019)

LABORATORIUM MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BENGKULU
2023
 KATA PENGANTAR

Puji dan syukur kepada Tuhan Yang Maha Esa karena berkat limpahan
rahmat dan karunianya laporan tugas praktikum mata kuliah Pengantar Analisis
Regresi ini dapat diselesaikan dengan tepat waktu. Pada kesempatan ini penulis
juga mengucapkan terima kasih yang sebesar-besarnya kepada berbagai pihak
yang telah membantu selama pengerjaan praktikum ini, terutama kepada:
1. Dyah Setyo Rini, S.Si.,M.Sc. selaku Dosen Pengampu
2. Destria Dwina Putri Syahbet selaku Asisten Praktikum
3. Alya Saputri selaku Asisten Praktikum
4. Terakhir, pada keluarga dan teman-teman yang senantiasa memberikan
dukungan kepada penulis.
Penulis menyadari bahwa dalam proses penyusunan laporan praktikum ini
masih banyak kekurangan baik pada segi susunan kata, kalimat ataupun tatanan
bahasa. Oleh karena itu, kritik dan saran sangat diharapkan penulis agar dimasa
datang menjadi lebih baik.

Bengkulu, 18 November 2023

Muhammad Kevyn Ridho A

ii
 DAFTAR ISI

HALAMAN JUDUL...............................................................................................i
KATA PENGANTAR...........................................................................................ii
DAFTAR ISI.........................................................................................................iii
DAFTAR GAMBAR.............................................................................................iv
DAFTAR TABEL..................................................................................................v
DAFTAR LAMPIRAN.........................................................................................vi
BAB I PENDAHULUAN.......................................................................................
1.1 Latar Belakang...........................................................................................
1.2 Rumusan Masalah.....................................................................................
1.3 Tujuan Penelitian.......................................................................................
1.4 Manfaat Penelitian.....................................................................................
1.5 Batasan Masalah........................................................................................
1.6 Sistematika Penulisan................................................................................
BAB II TINJAUAN PUSTAKA...........................................................................
2.1 Analisis Regresi Berganda........................................................................
2.2 Outlier pada Analisis Regresi Berganda..................................................
BAB III METODE PENELITIAN.......................................................................
3.1 Jenis dan Sumber Data..............................................................................
3.2 Variabel Penelitian.....................................................................................
3.3 Analisis Data...............................................................................................
3.4 Diagram Alir Penelitian..........................................................................10
BAB IV HASIL DAN PEMBAHASAN.............................................................11
4.1 Statistik Deskriptif Data..........................................................................11
4.2 Hasil Batasan Masalah............................................................................12
4.3 Pengujian Hipotesis.................................................................................13
BAB V KESIMPULAN DAN SARAN...............................................................15
5.1 Kesimpulan...............................................................................................15
5.2 Saran.........................................................................................................16
DAFTAR PUSTAKA...........................................................................................17
LAMPIRAN..........................................................................................................18

iii
 DAFTAR GAMBAR

Gambar 1. Diagram alir pengujian outlier.............................................................10

iv
 DAFTAR TABEL

Tabel 4.1 Summary data.........................................................................................11

Tabel 4.2 Summary regresi....................................................................................12
Tabel 4.3 InfluencePlot table.................................................................................13
Tabel 4.3 Outlier table...........................................................................................13

v
 DAFTAR LAMPIRAN

Lampiran 1. Data batasan masalah........................................................................18

Lampiran 2. Hasil output summary data................................................................19
Lampiran 3. Hasil output summary regresi............................................................19
Lampiran 4. Hasil output pengujian outlier...........................................................19
Lampiran 5. Plot dari pengujian outlier.................................................................20

vi
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Analisis regresi merupakan suatu cara yang dapat digunakan untuk

mengetahui hubungan sebuah variabel tak bebas dengan satu atau lebih variabel

bebas. Analisis regresi dapat digunakan untuk menganalisis data dan mengambil

kesimpulan yang bermakna tentang hubungan ketergantungan variabel terhadap

variabel lainnya. Berdasarkan jumlah variabel bebas, analisis regresi linier dibagi

menjadi dua macam yaitu, analisis regresi linier sederhana dan analisis regresi

linier berganda. Regresi linier yang terdiri dari satu variabel dependen dan satu

variabel independen disebut regresi linier sederhana, sedangkan regresi linier yang

terdiri dari satu variabel dependen dan beberapa variabel independen disebut

regresi linier berganda.

Pada analisis regresi terdapat pengujian yang dilakukan untuk meng-

identifikasi outlier. Pencilan (outlier) dapat diartikan sebagai suatu datum pada

data pengamatan yang jauh (ekstrim) dari ukuran pemusatan data. Pencilan

(outlier) tidak dapat dibuang, karena ada kemungkinan pencilan dapat

memberikan informasi penting yang tidak ada pada datum lainnya pada data

pengamatan yang dikumpulkan.

Sesungguhnya pencilan lebih sering terjadi akibat kesalahan dalam

melakukan pengamatan baik salah dalam input data atau kesalahan yang tidak

disengaja lainnya. Tetapi ada kalanya data pencilan tersebut adalah murni dari

pengamatan dalam kasus yang jarang atau langka. Yang mana pencilan tersebut

vii
menyimpan informasi tertentu yang tidak dapat diganti oleh data yang lain.

Dengan demikian kegiatan mengeluarkan atau membuang data pencilan tidak

seharusnya dilakukan tanpa alasan yang tepat dan jika hal ini terjadi sebisa

mungkin harus digunakan alternatif atau cara lain tanpa harus mengeluarkan atau

membuang data pencilan tersebut.

Outlier adalah satu atau lebih data yang tidak biasa, yang tidak cocok dari

sebagian data lainnya (one or more atypical data points that do not fit with the

rest of the data). Pencilan dapat dilihat sebagai pengamatan dengan sisaan yang

cukup besar, pengamatan yang jauh dari kelompok data yang mungkin

berpengaruh besar terhadap koefisien regresi. Outlier mungkin disebabkan karena

dalam melakukan observasi melakukan beberapa kesalahan, hal ini disebut

observasi terkontaminasi (Daniel, 2019).

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, masalah yang dapat disimpulkan adalah

Bagaimana cara mengidentifikasi outlier?

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah di atas, tujuan yang akan dicapai adalah

Mahasiwa mampu mengidentifikasi outlier.

1.4 Manfaat Penelitian

Dengan manfaat yang didapatkan dari penelitian ini adalah sebagai berikut :

1. Menambah wawasan dan pengetahuan dalam ruang lingkup materi analisis

regresi linier berganda.

2. Memberikan informasi bagaimana cara melakukan mengidentifikasi outlier

pada regresi linier berganda.

viii
3. Dapat dijadikan referensi untuk penelitian selanjutnya.

1.5 Batasan Masalah

Pada penelitian ini, adapun batasan masalahnya adalah mencari data yang

mengandung outlier dan lakukan penanganan outlier!

1.6 Sistematika Penulisan

Adapun sistematika penulisan dari pratikum ini adalah:

BAB I PENDAHULUAN

Bab ini merupakan bab yang memuat latar belakang, rumusan

masalah, tujuan dan manfaat, batasan masalah dan sistematika

penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini merupakan bab yang memuat pengertian dan teori yang

diperlukan untuk rancangan penelitian pada bab-bab berikutnya.

BAB III METODE PENELITIAN

Bab ini merupakan bab yang memuat jenis dan sumber data,

variabel penelitian, analisis data dan diagram alir yang diperlukan

untuk rancangan penelitian pada bab-bab berikutnya.

BAB IV HASIL DAN PEMBAHASAN

Bab ini merupakan bab yang memuat hasil dan pembahasan yang

telah dilakukan pada program kemudian diinterpretasikan yang

diperlukan untuk rancangan penelitian pada bab-bab berikutnya.

BAB V KESIMPULAN DAN SARAN

Bab ini merupakan bab yang memuat kesimpulan dan saran yang

telah dilakukan.

ix
DAFTAR PUSTAKA

Pada bagian daftar pustaka merupakan bab yang memuat sumber-

sumber dari mana saja untuk mendapatkan teori pada BAB I dan

BAB II.

LAMPIRAN

Pada bagian lampiran merupakan bab yang memuat hasil output

dari hasil yang telah dilakukan berupa gambar atau tabel.

x
 BAB II

TINJAUAN PUSTAKA

2.1 Analisis Regresi Berganda

Regresi linier berganda merupakan model persamaan yang menjelaskan

hubungan satu variabel tak bebas atau response (Y ) dengan dua atau lebih

variabel bebas atau prediktor (X 1 , X 2 , … X n ). Tujuan dari uji regresi linier

berganda adalah untuk memprediksi nilai variabel tak bebas atau response (Y )

apabila nilai-nilai variabel bebasnya atau prediktor (X 1 , X 2 ,... , X n ) diketahui.

Disamping itu juga untuk dapat mengetahui bagaimanakah arah hubungan

variabel tak bebas dengan variabel-variabel bebasnya. Persamaan regresi linier

berganda secara matematik diekspresikan oleh :

Y =a+b 1 X 1 +b 2 X 2+ …+bn X n (2.1)

Keterangan:

Y =¿ variabel tak bebas (nilai variabel yang akan diprediksi).

a=¿ konstanta.

b 1 , b2 , … , bn=¿ nilai koefisien regresi.

X 1 , X 2 , … , X n = variabel bebas.

Keadaan-keadaan bila koefisien-koefisien regresi, yaitu b 1 dan b 2 mem-

punyai nilai diantara jika nilai¿ 0 ,dalam hal ini variabel Y tidak dipengaruh oleh

X 1 dan X 2 . Jika nilainya negatif, maka terjadi hubungan dengan arah terbalik

antara variabel tak bebas Y dengan variabel-variabel X 1 dan X 2 . Dan jika nilainya

positif maka terjadi hubungan yang searah antara variabel tak bebas Y dengan

variabel bebas X 1 dan X 2 (Yuliara, 2016).

xi
2.2 Outlier pada Regresi Linier Berganda

Penggunaan OLS memerlukan beberapa asumsi klasik yang harus dipenuhi

oleh komponen sisaan atau galat dalam model yang dihasilkan. Beberapa asumsi

itu antara lain bahwa galat harus memenuhi asumsi normalitas, kehomogenan

ragam dan tidak terjadi autokorelasi. Apabila asumsi itu terpenuhi, maka penduga

parameter yang diperoleh bersifat Best Linier Unbiased Estimator (BLUE) atau

penduga terbaik yang bersifat linear dan tak bias. Seringkali dalam berbagai kasus

ditemui hal-hal yang menyebabkan tidak terpenuhinya asumsi klasik tersebut.

Data yang diperoleh tidak jarang ditemukan satu atau beberapa yang jauh dari

pola kumpulan data keseluruhan yang lazim didefenisikan sebagai pencilan

(outlier). Pencilan dapat dilihat sebagai pengamatan dengan sisaan yang cukup

besar. Pencilan adalah pengamatan yang jauh dari kelompok data yang mungkin

berpengaruh besar terhadap koefesien regresi. Adanya Pencilan dapat disebabkan

oleh beberapa hal diantaranya adalah kesalahan input data, kekeliruan pada sistem

pengukuran ataupun karena terjadinya peristiwa yang luar biasa seperti krisis

maupan bencana (Daniel, 2019).

1. Outlier Pengamatan-Y

Pendeteksian outlier pengamatan-Y dilakukan dengan menggunakan nilai

Studentized Deleted Residuals, yang didefinisikan sebagai:

t i=e i
√ n− p−1
SSE ( 1−hii )−e 2i
(2.2)

Pengujian outlier pengamatan-Y dilakukan dengan prosedur pengujian

hipotesis, dimana hipotesis:

H 0 : kasus ke−i bukan merupakan outlier.

xii
H 1 : kasus ke−i merupakan outlier.

Tolak H 0 jika t i ≥ t tabel.

2. Outlier Pengamatan-X

Matriks HAT memiliki peran penting dalam menentukan besarnya dari

Studentized Deleted Residuals dalam mengidentifikasi outlier pengamatan-Y .

Matriks HAT juga sangat membantu dalam mengidentifikasi langsung outlier

pengamatan-𝑋.

Elemen diagonal hii pada matriks HAT mempunyai beberapa sifat, yakni

nilainya selalu berada antara 0 dan 1 dan jumlahnya adalah p:

n
0 ≤ hii ≤ 1 ∑ hii = p
i=1

Pengamatan ke−i yang memiliki nilai hii >2 p /n disebut sebagai outlier

pengamatan- X (Rini, 2023).

xiii
 BAB III

METODE PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini berupa data kuantitatif. Data

kuantitatif adalah jenis data yang dapat diukur atau dihitung secara langsung. Data

kuantitatif dapat berupa informasi yang dinyatakan dengan bilangan atau

berbentuk angka atau berskala numerik.

Sumber data yang digunakan pada penelitian ini ialah data sekunder. Data

sekunder adalah data yang diperoleh secara tidak langsung melalui perantara atau

pihak lain. Data sekunder yang dimaksud merupakan data yang bersumber dari

website resmi Badan Pusat Statistik (BPS).

3.2 Variabel Penelitian

Pada penelitian ini menggunakan tiga variabel bebas dan satu variabel respon

sesuai pada sumber data yang diantaranya adalah indeks pembangunan manusia

sebagai variabel Y dan rata-rata lama sekolah (tahun), umur harapan hidup saat

lahir (tahun), pengeluaran per kapita (ribu rupiah/orang/ tahun) sebagai variabel X

. Variabel yang diambil merupakan data untuk 38 kota atau kabupaten di Provinsi

Jawa Timur pada tahun 2021. Lebih jelasnya adalah sebagai berikut:

Y : Indeks Pembangunan manusia.

X 1 : Rata-Rata Lama Sekolah (Tahun).

X 2 : Umur Harapan Hidup saat Lahir (Tahun).

X 3 : Pengeluaran per Kapita (Ribu Rupiah/Orang/Tahun).

xiv
3.3 Analisis Data

Langkah-langkah yang digunakan pada penelitian ini untuk analisis regresi

dengan pendekatan matriks pada penelitian ini adalah sebagai berikut:

1. Pengumpulan data observasi

2. Menentukan variabel dependent dan variabel independent

3. Mencari summary data dan summary regresi

4. Mengestimasikan parameter model regresi dari data X dan Y

5. Menentukan persamaan model regresi linier berganda

6. Deteksi outlier

7. Interpretasi model

xv
3.4 Diagram Alir Penelitian

Berikut merupakan diagram alir dari uji outlier:

Mulai

Input data

Mencari summary data dan

summary regresi

Estimasi parameter

Menentukan model regresi

linier berganda

Deteksi outlier

Output data

Interpretasi

Gambar 3.1 Diagram alir pengujian outlier

xvi
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Statistik Deskriptif Data

Adapun hasil dari statistik data dari batasan masalah adalah sebagai berikut:

Tabel 4.1 Summary data

X1 X2 X3 Y
Min. : 4.860 Min. : 66.89 Min. : 8673 Min. :62.80
1st Qu.: 7.200 1st Qu.: 70.44 1st Qu.:10038 1st Qu.:68.66
Median : 7.695 Median :72.45 Median :11260 Median :71.63
Mean : 8.061 Mean :71.72 Mean :11569 Mean :72.23
3rd Qu.: 9.220 3rd Qu.:72.84 3rd Qu.:12723 3rd Qu.:75.25
Max. : 11.370 Max. :74.18 Max. :17862 Max. :82.31

Pada Tabel 4.1 didapatkan hasil statistik deskriptif dari variabel ( Y ¿ yaitu

data IPM (Indeks Pembangunan Manusia) nilai minimum: 62.80, 1st quartile:

68.66, median: 71.63, mean: 72.23, 3rd quartile: 75.25, maximum : 82.31. Pada

variabel ( X 1 ¿ yaitu Rata-rata lama sekolah didapatkan hasil nilai minimum:

4.860, 1st quartile: 7.200, median: 7.695, mean: 8.061, 3rd quartile: 9.220,

maximum : 11.370. Pada variabel (X 2) yaitu Umur harapan hidup didapatkan

nilai Minimum: 66.89, 1st quartile: 70.44, median: 72.45, mean: 71.72, 3rd

quartile: 72.84, maximum : 74.18. Pada variabel (X 3) yaitu Pengeluaran

perkapita didapatkan nilai minimum: 8673, 1st qurtile: 10038, median: 11260,

mean: 11569, 3rd quartile: 12723, maximum : 17862.

xvii
4.2 Hasil Batasan Masalah

Tabel 4.2 Summary Regresi

Coefficients: Estimate Std.Error t value Pr(>|t|)
(Intercept) 1.946e+01 5.034e+00 3.866 0.000474
X1 1.737e+00 1.668e-01 10.412 4.11e-12
X2 4.037e-01 7.687e-02 5.252 8.08e-06
X3 8.478e-04 9.582e-05 8.848 2.43e-10
Residual standard error: 0.603 on 34 degrees of freedom
Multiple R-squared: 0.987,
F-statistic: 859 on 3 and 34 DF, p-value: < 2.2e-16

Berdasarkan pada tabel 4.2, diperoleh output dari model regresi berganda

yang didapatkan konstanta atau nilai variabel Y yaitu 19.46 , dengan koefisien

untuk X 1 sebesar 1.737 , untuk X 2 sebesar 0.4037 , dan untuk X 3 sebesar

0.0008478 . Dari nilai-nilai ini model regresi linier berganda yang terbentuk adalah

sebagai berikut:

Y^ i=19.46 +1.737 X 1 +0.4037 X 2 +0.0008478 X 3 (4.2)

Dari model regresi ini berarti bahwa, jika variabel X meningkat sebesar 1

satuan maka akan meningkatkan Y^ i. Dengan tanda positif (+) pada X

menunjukkan peningkatan pada Y^ i . Jika dikondisikan rata-rata lama sekola ( X 1)

meningkat sebesar 1 satuan, maka indeks pembangunan manusia ( Y^ i) akan

meningkat sebesar 1.737 . Jika umur harapan hidup ( X 2 ) meningkat sebesar 1

satuan, maka indeks pembangunan manusia (Y^ i) akan meningkat sebesar 0.4037 .

Jika pengeluaran per kapita ( X 3 ) meningkat sebesar 1 satuan, maka indeks

pembangunan manusia (Y^ i) akan meningkat sebesar 0.0008478 . Kemudian,

diperoleh hasil summary yang mana didapatkan adjusted R-squared sebesar

0.9858=98.58 % yang merupakan koefisien determinasi sehingga dapat diartikan

bahwa ketiga variabel X tersebut dapat menjelaskan Y (indeks pembangunan

xviii
manusia) sebesar 98.58% dengan sisanya sebesar 1.42% dipengaruhi oleh faktor

lainnya.

Tabel 4.3 InfluencePlot table

StudRes Hat CookD
26 -2.0959802 0.07793219 0.08440253
28 0.9856773 0.24662235 0.07957794
30 2.1485084 0.14534978 0.17739663
36 -1.9420286 0.19709575 0.21400929
37 -1.0135527 0.37992267 0.15722935

Pada tabel 4.3 mendeteksi outlier dengan menggunakan grafik dengan

function influencePlot(out1_kevin) yang mana menggunakan model regresi di

dalam function tersebut, lalu jika dijalankan akan menghasilkan plot seperti pada

lampiran 3 dan outlier ditunjukkan dengan angka atau nomor yang muncul pada

plot. Jika kita amati, angka yang muncul adalah 26, 28, 30, 36, dan 37 dengan

nilai Stundentized Residual, Hat, dan juga nilai dari CookD dapat dilihat pada

lampiran 2.

Tabel 4.4 Outlier table

rstudent unadjusted p-value Bonferroni p
30 2.148508 0.039106 NA

Pada tabel 4.4 mendeteksi outlier dengan menggunakan pengujian

Bonferonni Test dimana function yang dijalankan adalah outlierTest (out1_kevin)

yang menunjukkan terdapat outlier pada data ke-30.

4.3 Pengujian Hipotesis

Selanjutnya pengujian outlier dapat dilakukan dengan tahapan-tahapan

pengujian sebagai berikut:

1. Merumuskan hipotesis

H 0 :kasus ke-30 bukan merupakan outlier

xix
 H 1 : kasus ke-30 merupakan outlier

2. Taraf nyata pengujian

α =5 %

3. Statistik uji

t i=e i
√ n− p−1
SSE ( 1−hii )−e 2i

Pvalue =0.039106

4. Kriteria penolakan

Tolak H 0 jika t i ≥ t tabel atau Pvalue < α

Terima H 0 jika t i< t tabel atau Pvalue ¿ α

5. Kesimpulan

Berdasarkan hasil yang didapatkan dengan α yang digunakan sebesar 5 %

atau 0.05 diperoleh Pvalue =0.039106< α=0.05 maka tolak H 0 dan dapat

disimpulkan bahwa pada taraf nyata pengujian 5% kasus ke-30 merupakan outlier

sehingga kita harus mengidentifikasi lebih lanjut terhadap outlier ini.

xx
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Pencilan dapat dilihat sebagai pengamatan dengan sisaan yang cukup besar.

Pencilan adalah pengamatan yang jauh dari kelompok data yang mungkin

berpengaruh besar terhadap koefesien regresi. Pendeteksian outlier pengamatan-Y

dilakukan dengan menggunakan nilai Studentized Deleted Residuals, yang mana

matriks HAT memiliki peran penting dalam menentukan besarnya dari

Studentized Deleted Residuals dalam mengidentifikasi outlier pengamatan-Y dan

pada pengamatan-Y dilakukan dengan prosedur pengujian hipotesis sehingga tolak

H 0 jika t i ≥ t tabel. Matriks HAT juga sangat membantu dalam mengidentifikasi

langsung outlier pengamatan-𝑋.

Berdasarkan hasil penelitian yang telah dihasilkan, dapat disimpulkan bahwa

model regresi berganda yang terbentuk adalah

Y^ i=19.46 +1.737 X 1 +0.4037 X 2 +0.0008478 X 3. Selanjutnya, kita dapat

mendeteksi outlier dengan menggunakan grafik menggunakan function

influencePlot(out1_kevin) dengan menghasilkan outlier pada data ke 26, 28, 30,

36, dan 37. Kita dapat juga mendeteksi outlier dengan menggunakan pengujian

Bonferonni Test dimana function yang dijalankan adalah outlierTest(out1_kevin)

yang menunjukkan outlier pada data 30 dan kita dapat melakukan pengujiannya

xxi
dan menghasilkan Pvalue =0.039106< α=0.05 maka tolak H 0 dan dapat

disimpulkan bahwa kasus ke-30 merupakan outlier. Jika memutuskan untuk

menghilangkan data ke-30 maka kita perlu melakukan langkah yang sama dengan

hasilnya Y^ i=19.18+ 1.633 X 1+ 4.099 X 2 +0.000 9033 X 3 untuk model regresi yang

terbentuk. Juga menghasilkan nilai dari adjusted R-squared sebesar

0.987=98.7 % dan sebelum menghilangkan outlier diperoleh sebesar

0.9858=98.58 % artinya setelah outlier dihilangkan ketiga variabel X tersebut

dapat menjelaskan Y sebesar 98.7% lebih besar daripada ketika outlier sebelum

dihilangkan dengan sisanya sebesar 1.3% dipengaruhi oleh faktor lainnya. Dan

terdeteksi kembali outlier yaitu 8, 26, 28, 35, dan 36.

5.2 Saran

Ketika melakukan pengujian outlier pada analisis regresi berganda

menggunakan program R harus teliti dalalm membuat variabel dan saat

memasukkan data, dikarenakan jika salah maka kita tidak akan mendapatkan hasil

yang diharapkan. Kita harus cermat dalam menginterprestasikan hasil dari uji

yang dilakukan. Dalam program R perlu dilakukan sesuai dengan prosedur yang

ada agar tidak terjadi error pada saat pengerjaannya.

xxii
 DAFTAR PUSTAKA

Daniel, F. (2019). Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda

dengan Metode Regresi Robust Penaksir LMS. BAREKENG: Jurnal Ilmu
Matematika dan Terapan, 13(3), 145-156.
Rini, D. S. (2019). Modul Praktikum Analisis Regresi dan Korelasi. Bengkulu:
Laboratorium Matematika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Bengkulu.
Yuliara, I. M. (2016). Modul Regresi Linier Sederhana. Bali: Jurusan Fisika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana.

xxiii
 LAMPIRAN

Lampiran 1. Data batasan masalah

Observasi X1 X2 X3 Y
Pacitan 7.61 72.07 8887 68.57
Ponorogo 7.55 72.85 9851 71.06
Trenggalek 7.56 73.86 9743 70.06
Tulungagung 8.34 74.16 10807 73.15
Blitar 7.5 73.61 10757 71.05
Kediri 8.08 72.65 11127 72.56
Malang 7.43 72.61 10163 70.6
Lumajang 6.67 70.21 9203 66.07
Jember 6.49 69.28 9410 67.32
Banyuwangi 7.42 70.72 12217 71.38
Bondowoso 5.94 66.89 10690 66.59
Situbondo 6.62 69.24 9996 67.78
Probolinggo 6.12 67.36 10969 66.26
Pasuruan 7.41 70.25 10297 68.93
Sidoarjo 10.72 74.06 14578 80.65
Mojokerto 8.64 72.59 12844 74.15
Jombang 8.55 72.49 11394 73.45
Nganjuk 7.78 71.6 12172 71.97
Madiun 7.82 71.5 11658 71.88
Magetan 8.36 72.65 11833 74.15
Ngawi 7.26 72.41 11459 71.04
Bojonegoro 7.38 71.72 10221 69.59
Tuban 7.18 71.56 10380 68.91
Lamongan 8.04 72.49 11510 73.12
Gresik 9.56 72.67 13280 76.5
Bangkalan 5.96 70.22 8673 64.36
Sampang 4.86 68.07 8790 62.8
Pamekasan 6.7 67.67 8804 66.4
Sumenep 5.92 71.56 9000 67.04
Kota Kediri 10.15 74.04 12359 78.6
Kota Blitar 10.35 73.86 13816 78.98
Kota Malang 10.41 73.36 16663 82.04
Kota Probolinggo 8.95 70.35 12245 73.66
Kota Pasuruan 9.33 71.6 13354 75.62
Kota Mojokerto 10.47 73.39 13610 78.43
Kota Madiun 11.37 72.83 16095 81.25
Kota Surabaya 10.5 74.18 17862 82.31

xxiv
 Kota Batu 9.31 72.65 12887 76.28

Lampiran 2. Hasil output summary data

Lampiran 3. Hasil output summary Regresi

Lampiran 4. Hasil output pengujian outlier

Lampiran 5. Plot dari pegujian outlier

xxv
xxvi