LAPORAN PRAKTIKUM

PERTEMUAN II
ANALISIS REGRESI DAN KORELASI

Oleh

Nama : Cinta Rizki Oktarina

NPM : F1F020038

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

Asisten Praktikum : 1. Jessy Lestari (F1F017017)

2. Indah Wahyuliani (F1F017018)

3. Eni Meylisah (F1F018004)

4. Ahmad Rakha Hidayat (F1F018013)

5. Hilma R Hasbiyah (F1F019004)

LABORATORIUM MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BENGKULU
2021
 KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT karena dengan karunia-Nya
penulis dapat menyelesaikan laporan praktikum pertemuan II.
Dengan selesainya laporan praktikum ini, maka tidak lupa penulis mengucapkan
banyak terimakasih kepada semua pihak yang terlibat dalam penyusunan laporan ini,
khususnya kepada Ibu Dyah Setyo Rini, S.Si., M.Sc. selaku dosen pengampu kami,
kepada orang tua yang selalu mendoakan kelancaran kuliah kami, dan para asisten
praktikum, serta teman-teman yang saling membantu dalam menyelesaikan laporan
resmi praktikum ini.
Penulis menyadari bahwa masih banyak kekurangan dari laporan ini, baik dari
materi maupun teknik penyajiannya, mengingat kurangnya pengetahuan dan
pengalaman penulis. Oleh karena itu, kritik dan saran yang membangun sangat penulis
harapkan.

Bengkulu, 2 November 2021

Penulis

ii
 DAFTAR ISI
HALAMAN JUDUL..........................................................................................................i
KATA PENGANTAR.......................................................................................................ii
DAFTAR ISI......................................................................................................................iii
DAFTAR GAMBAR.........................................................................................................iv
DAFTAR TABEL..............................................................................................................v
UJI ASUMSI KLASIK UNTUK ANALISIS REGRESI BERGANDA BAGIAN 1
2.1 Pendahuluan.................................................................................................................1
a. Latar Belakang.........................................................................................................1
b. Rumusan Masalah....................................................................................................1
c. Tujuan......................................................................................................................1
2.2 Landasan Teori............................................................................................................2
2.3 Langkah Kerja dan Teladan......................................................................................4
a. Langkah Kerja..........................................................................................................4
b. Teladan.....................................................................................................................6
2.4 Hasil dan Pembahasan................................................................................................10
a. Hasil.........................................................................................................................10
b. Pembahasan.............................................................................................................12
2.5 Kesimpulan...................................................................................................................17
a. Kesimpulan..............................................................................................................17
b. Saran........................................................................................................................17
DAFTAR PUSTAKA........................................................................................................vi

iii
 DAFTAR GAMBAR
Gambar 1. Aplikasi R..........................................................................................................4
Gambar 2. Tampilan Lembar Kerja Aplikasi R...................................................................4
Gambar 3. Tampilan Microsoft Excel.................................................................................4
Gambar 4. Tampilan Notepad.............................................................................................5
Gambar 5. Sintaks Memanggil Dari Notepad.....................................................................5
Gambar 6. Sintaks Menguji Multikolinearitas....................................................................5
Gambar 7. Sintaks Menguji Heteroskedastisitas.................................................................5
Gambar 8. Summary Dari Data............................................................................................9
Gambar 9. ANOVA Dari Data............................................................................................9
Gambar 10. Pengujian Multikolinearitas Pada Data............................................................9
Gambar 11. Pengujian Heteroskedastisitas Pada Data........................................................10

iv
 DAFTAR TABEL
Tabel 1. Data Latihan..........................................................................................................6

v
vi
 UJI ASUMSI KLASIK UNTUK ANALISIS REGRESI BERGANDA
BAGIAN 1
2.1 Pendahuluan
a.Latar Belakang
Analisis regresi mempelajari hubungan yang diperoleh dinyatakan dalam
persamaan matematika yang menyatakan hubungan fungsional antara variabel-variabel.
Hubungan fungsional antara satu variabel prediktor dengan satu variabel kriterium
disebut analisis regresi sederhana (tunggal), sedangkan hubungan fungsional yang lebih
dari satu variabel disebut analisis regresi ganda. Ada tiga macam tipe dari analisis
regresi. Tipe yang pertama adalah regresi linier sederhana yang berfungsi untuk
mengetahui hubungan linier antara dua variabel, satu variabel dependent dan satu
variabel independent. Tipe kedua adalah regresi linier berganda yang merupakan model
regresi linier dengan satu variabel dependent dan lebih dari satu variabel independent.
Tipe ketiga adalah regresi non-linier yang berasumsi bahwa hubungan antara variabel
dependent dan variabel independent tidak linier pada parameter regresinya.
Jika tujuan pemodelan hanya untuk peramalan nilai Y (peubah respon) dan tidak
mengkaji hubungan atau pengaruh antara peubah bebas (X ) dengan peubah respon (Y )
maka masalah multikolinearitas bukan masalah yang serius. Masalah multikolinearitas
menjadi serius apabila digunakan unruk mengkaji hubungan antara peubah bebas (X )
dengan peubah respon (Y ) karena simpangan baku koefisiennya regresinya tidak
siginifikan sehingga sulit memisahkan pengaruh dari masing-masing peubah bebas.
Masalah heteroskedastisitas akan lebih sering muncul pada data cross-sectional
daripada time-series. Heteroskedastisitas terjadi apabila varian dari setiap kesalahan
pengganggu tidak bersifat konstan.
b. Rumusan Masalah
Berdasarkan latar belakang di atas, masalah yang dapat disimpulkan adalah
bagaimana melakukan uji asumsi multikolinieritas dan heteroskedastisitas untuk
analisis regresi berganda dengan menggunakan program R?
c. Tujuan
Berdasarkan rumusan masalah di atas tujuan dari pembahasan adalah mahasiswa
mampu melakukan uji asumsi multikolinieritas dan heteroskedastisitas untuk analisis
regresi berganda dengan menggunakan program R.

1
2.2 Landasan Teori
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada
analisis regresi linear berganda yang berbasis ordinary least square (OLS). Jadi analisis
regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik,
misalnya regresi logistik atau regresi ordinal. Demikian juga tidak semua uji asumsi
klasik harus dilakukan pada analisis regresi linear (Putra, 2010).
Regresi linear (linear regression) adalah teknik yang digunakan untuk memperoleh
model hubungan antara 1 variabel dependent dengan 1 atau lebih variabel independent.
Jika hanya digunakan 1 variabel independent dalam model, maka teknik ini disebut
sebagai regresi linear sederhana (simple linear regression), sedangkan jika yang
digunakan adalah beberapa variabel independent, teknik ini disebut regresi linear ganda
(multiple linear regression). Variabel dependent pada regresi linear disebut juga
sebagai respons atau kriteria, sedangkan variabel independent dikenal pula sebagai
prediktor atau regresor. Kovariat adalah variabel independent yang berkorelasi dengan
prediktor lainnya, juga mempengaruhi respons. Kovariat umumnya tidak diminati
hubungannya dengan respons dan hanya digunakan untuk pengendalian hubungan
prediktor-respons dalam model. Respons pada regresi linear selalu berupa variabel
kontinu, sedangkan prediktor dapat berupa variabel kontinu, indikator, ataupun
kategorik yang disubstitusikan menjadi variabel indikator (Harlan, 2015).
Model regresi berganda dibangun atas beberapa asumsi klasik yang diperlukan
untuk mendapatkan estimator OLS yang bersifat best linear unbiased estimator. Berikut
adalah beberapa keterangan singkat tentang uji asumsi klasik dari model regresi:
1. Uji multikolinearitas
Dalam model regresi diasumsikan tidak memuat hubungan dependentsi linier antar
variabel independent. Jika terjadi korelasi yang kuat di antara variabel independent,
masalah multikolinieritas akan muncul. Salah satu ukuran yang paling populer untuk
melihat adanya multikolinieritas antar variabel independent adalah variance inflation
factor (VIF) atau toleransi/ TOL (1/VIF).
2. Uji heteroskedastisitas (error)
Uji ini bertujuan untuk menganalisis apakah galat bersifat konstan (homoskedastis)
atau berubah-ubah (heteroskedastis), untuk pengujian terhadap heteroskedastisitas, ada
dua metode yang populer yaitu uji breusch-pagan dan yang lebih umum, uji white.

2
3. Uji autokorelasi dari galat
Dalam asumsi OLS klasik, residual bersifat independent satu dengan yang lain.
4. Uji normalitas dari galat
Dalam pengujian kenormalan data, dapat digunakan metode/pendekatan grafik dan
pendekatan inferensi statistika dengan uji hipotesis.
(Rini, 2021)
Heteroskedastisitas adalah kondisi dimana error term tidak memiliki suatu varian
yang konstan untuk semua observasi. Konsekuensi terhadap estimator OLS jika ada
masalah heteroskedastisitas namun tetap mempertahankan asumsi metode OLS dan ada
kemungkinan tidak akan menghasilkan estimator linear tidak bias yang terbaik
(Nachrowi, 2002).

3
2.3 Langkah Kerja dan Teladan
a. Langkah Kerja
1. Buka aplikasi R di komputer, melalui klik start lalu pilih program R.

Gambar 1. Aplikasi R.
2. Maka akan muncul lembar kerja Aplikasi R.

Gambar 2. Tampilan Lembar Kerja Aplikasi R.

3. Kemudian tulis data di Microsoft Excel.

Gambar 3. Tampilan Microsoft Excel.

4. Salin data yang telah ditulis di Microsoft Excel dalam notepad dan simpan dalam
satu folder.

4
 Gambar 4. Tampilan Notepad.
5. Lalu panggil notepad dalam program R.

Gambar 5. Sintaks Memanggil Dari Notepad.

6. Tuliskan sintaks pada program R seperti berikut.

Gambar 6. Sintaks Menguji Multikolinieritas.

Gambar 7. Sintaks Menguji Heteroskedastisitas.

b. Teladan

5
1. Carilah data yang terdiri dari satu variabel respon dan empat variabel prediktor
yang mengandung multikolinieritas atau heteroskedastisitas, kemudian atasi
permasalahan multikolinieritas atau heteroskedastisitas tersebut. Diketahui seorang
peneliti ingin mengambil hubungan antara inflasi makanan ( X 1 ), inflasi perumahan, air,
listrik dan bahan bakar rumah ( X 2 ), inflasi pakaian dan alas kaki ( X 3 ), inflasi kesehatan
( X 4), inflasi umum (Y ). Untuk itu diamati data tentang inflasi makanan ( X 1), inflasi
perumahan, air, listrik dan bahan bakar rumah ( X 2 ), inflasi pakaian dan alas kaki ( X 3 ),
inflasi kesehatan ( X 4), inflasi umum (Y ) menurut kota di Indonesia selama 1 bulan yaitu
pada bulan mei pada tahun 2020. Atasilah permasalahan multikolinieritas atau
heteroskedastisitas dengan menggunakan program R.
Tabel 1. Data Latihan
Kota di Indonesia X1 X2 X3 X4 Y

Meulaboh 1.53 -0.27 -0.16 -0.38 0.45

Banda aceh -0.07 0.02 -0.03 9.45 0.31

Lhokseumawe 0.03 0.00 0.94 0.66 0.05

Sibolga -0.10 0.00 1.14 0.11 0.17

Pematang siantar 0.99 -0.03 -0.10 -0.31 0.37

Medan 0.77 0.00 0.00 1.38 0.42

Padangsidimpuan 1.27 0.00 1.75 0.82 0.76

Gunungsitoli 0.72 -1.96 0.04 7.93 0.37

Padang 0.37 0.00 0.00 1.65 0.66

Bukittinggi 1.03 0.00 0.21 4.60 0.39

Tembilahan 1.42 0.00 -0.02 0.41 0.62

Pekanbaru 0.82 0.00 0.00 2.01 0.44

Dumai 1.36 0.00 1.27 2.80 0.95

Bungo 1.11 0.06 0.55 0.39 0.49

Jambi 0.51 0.07 -1.32 4.09 0.29

Palembang -0.66 -0.09 0.86 0.49 0.13

Lubuklinggau 0.04 0.67 0.62 0.73 0.40

6
 Bengkulu -0.68 -0.04 0.14 3.30 0.41

Bandar lampung -1.60 0.00 0.00 1.45 -0.29

Metro -1.46 0.08 0.00 2.33 -0.35

Tanjung pandan 2.14 0.00 0.77 0.16 1.20

Pangkal pinang 0.78 0.00 0.05 0.05 0.51

Batam -0.66 0.00 0.01 0.46 0.16

Tanjung pinang -0.52 0.00 0.10 1.00 0.01

Dki jakarta -0.74 0.02 0.08 0.94 -0.02

Bogor -0.15 0.00 0.04 2.01 0.01

Sukabumi -0.14 0.12 0.71 0.16 0.03

Bandung -0.97 0.00 0.00 1.16 -0.25

Cirebon -0.47 0.00 -0.01 0.22 -0.09

Bekasi -0.52 0.40 -0.01 4.19 -0.08

Depok -0.80 0.17 0.00 2.31 -0.17

Tasikmalaya -0.01 0.05 0.00 2.85 0.03

Cilacap 0.29 0.00 0.41 4.43 0.29

Purwokerto 0.29 0.00 0.01 1.43 0.19

Kudus 0.13 0.04 0.00 0.88 0.10

Surakarta -1.11 -0.03 0.18 2.80 -0.20

Semarang 0.08 0.00 0.00 0.44 0.10

Tegal -0.87 -0.05 0.95 0.93 -0.10

Yogyakarta -0.10 0.15 -0.04 0.09 0.22

Jember -0.49 0.00 -0.32 0.81 -0.03

Banyuwangi 0.71 0.14 -0.41 0.41 0.02

Sumenep -0.34 -0.02 1.50 0.58 0.02

Kediri -0.68 0.02 0.00 0.65 -0.19

Malang -0.11 0.00 0.01 0.40 0.27

Probolinggo -0.05 0.00 0.79 1.73 0.05

7
 Madiun -0.46 0.05 0.79 0.53 0.01

Surabaya -0.12 0.01 0.14 1.33 0.21

Tangerang -0.48 0.00 0.89 0.33 0.04

Cilegon 0.47 0.09 0.55 0.12 0.26

Serang -0.04 0.00 -0.07 -0.76 0.05

Singaraja -0.46 0.07 0.00 2.14 -0.22

Denpasar -0.78 0.01 -0.25 1.01 -0.10

Mataram -0.46 0.00 -0.25 0.48 -0.15

Bima 0.18 -2.66 0.04 5.16 -0.34

Waingapu -0.41 0.00 0.00 1.46 0.06

Maumere -0.59 -0.03 -0.09 0.54 -0.05

Kupang -1.50 0.02 -0.05 3.27 0.15

Sintang 1.40 0.03 0.00 0.12 0.62

Pontianak 0.16 0.01 -0.10 4.94 0.48

Singkawang 1.29 0.00 -1.92 2.45 0.36

Sampit 0.54 -0.04 0.01 0.18 0.37

Palangka raya 0.01 -0.07 -0.01 0.58 0.23

Baru 0.60 0.00 0.00 -2.91 0.28

Tanjung 0.06 0.01 0.25 0.69 0.10

Banjarmasin 0.43 0.00 -0.19 4.23 0.11

Balikpapan 0.35 0.02 -0.45 0.22 0.31

Samarinda 0.69 -0.20 -1.06 1.24 0.14

Tanjung Selor 1.19 -0.02 0.57 5.07 0.56

Tarakan -0.88 0.00 0.00 1.61 -0.27

Manado -1.66 0.00 0.00 1.78 -0.01

Mobagu -1.83 0.00 0.00 3.51 -0.27

Luwuk -1.08 0.00 0.05 -0.18 -0.39

8
 Palu 0.47 0.05 0.16 0.78 0.15

Bulukumba -0.79 0.15 1.30 0.84 0.28

Watampone -0.21 -0.03 1.82 0.73 0.21

Makassar 0.14 0.02 0.27 4.66 0.55

Pare-pare 0.48 0.00 0.08 2.85 0.15

Palopo 1.19 -0.02 0.25 1.26 0.49

Kendari 1.23 -0.07 0.00 2.34 0.31

Bua-bau 0.03 0.00 0.00 1.49 0.09

Gorontalo -1.35 0.00 0.00 1.57 -0.33

Mamuju -0.85 0.29 0.01 -1.30 0.07

Ambon 0.08 0.47 0.37 0.07 0.21

Tual 1.18 0.00 0.15 2.62 0.65

Ternate 0.08 0.00 0.53 2.40 0.89

Manokwari 0.11 0.17 -0.34 1.50 0.16

Sorong 0.16 -0.25 -1.29 2.20 -0.06

Merauke 2.17 -0.05 0.00 0.71 0.70

Timika 1.58 1.19 0.00 0.00 0.90

Jayapura -0.04 0.00 -0.74 0.33 -0.07

2.4 Hasil dan Pembahasan

9
a. Hasil

Gambar 8. Summary Dari Data.

Gambar 9. ANOVA Dari Data.

Gambar 10. Pengujian Multikolinearitas Pada Data.

10
 Gambar 11. Pengujian Heteroskedastis Pada Data.

b. Pembahasan

11
1. Model Awal
Berdasarkan output yang dihasilkan diperoleh estimasi nilai parameter Y =0.11173,
X 1 =0.2999, X 2 =0.19632, X 3 =0.12733dan X 4=0.02907 . Sehingga model regresi
dugaan yang diperoleh adalah
Y =0.11173+ 0.2999 X 1 +0.1963 X 2 +0.12733 X 3 + 0.02907 X 4 .
2. Uji Simultan/ Uji ANOVA (F)
Dengan memperhatikan langkah-langkah berikut:
a. Merumuskan hipotesis
H 0 : β 1=β 2=β 3=β 4=0(tidak ada pengaruh variabel independent terhadap variabel
dependent)
H 1 : βi ≠ 0 ,untuk i=1 ,2 , 3 , 4 (ada pengaruh variabel independent terhadap variabel
dependent)
b. Taraf pengujian
Distribusi yang digunakan adalah distribusi F dengan taraf nyata pengujian sebesar
5%.
c. Statistik uji
KTRegresi
F h itung= =56.94
KTGalat
F tabel=2.479
p−value =0.000
d. Kriteria penolakan
Tolak H 0 apabila nilai F hitung > F tabel atau nilai p−value<α
e. Kesimpulan
Berdasarkan pada output di atas diperoleh bahwa nilai F hitung=56.94 , karena
nilai F hitung > F tabel dan p−value<α maka H 0ditolak. Hal ini berarti ada ada pengaruh
variabel independent terhadap variabel dependent.
3. Uji Parsial
a) Terhadap X1
1) Hipotesis pengujian
H 0 : β 1=0
H 1 : β1 ≠ 0
2) Besaran yang dibutuhkan

12
 Taraf nyata α=5%
3) Statistik Uji
b1
Thitung = =¿ 14.304
s (b 1)
−16
pvalue =2× 10
4) Kriteria Penolakan
Tolak H 0 apabila nilai t hitung> t tabelatau nilai pvalue < α
Terima H 0 apabila nilai t hitung< t tabelatau nilai pvalue > α
5) Kesimpulan
Dengan taraf nyata sebesar 5% diperoleh bahwa pvalue < α adalah parameter β 1
dimana pvalue = 2 ×10−16 ≤ 0 , 05. Hal ini berarti β 1 signifikan, sehingga model regresinya
dapat digunakan.
b) Terhadap X2
1) Hipotesis pengujian
H 0 : β 2=0
H 1 : β2 ≠ 0
2) Besaran yang dibutuhkan
Taraf nyata α=5%
3) Statistik Uji
b2
Thitung = =¿ 3.960
s (b 2)
pvalue =0.000155
4) Kriteria Penolakan
Tolak H 0 apabila nilai t hitung> t tabelatau nilai pvalue < α
Terima H 0 apabila nilai t hitung< t tabelatau nilai pvalue > α
5) Kesimpulan
Dengan taraf nyata sebesar 5% diperoleh bahwa pvalue < α adalah parameter β 1
dimana pvalue = 0.000155 ¿ 0 , 05. Hal ini berarti β 2 signifikan, sehingga model regresinya
dapat digunakan.
c) Terhadap X3
1) Hipotesis pengujian
H 0 : β 3=0

13
 H 1 : β3 ≠ 0
2) Besaran yang dibutuhkan
Taraf nyata α=5%
3) Statistik Uji
b3
Thitung = =¿ 4.040
s (b 3)
pvalue =0.000117
4) Kriteria Penolakan
Tolak H 0 apabila nilai t hitung> t tabelatau nilai pvalue < α
Terima H 0 apabila nilai t hitung< t tabelatau nilai pvalue > α
5) Kesimpulan
Dengan taraf nyata sebesar 5% diperoleh bahwa pvalue ≤ α adalah parameter β 1
dimana pvalue = 0.000117 ¿ 0 , 05. Hal ini berarti β 3 signifikan, sehingga model regresinya
dapat digunakan.
d) Terhadap X4
1) Hipotesis pengujian
H 0 : β 4=0
H 1: β4≠ 0
2) Besaran yang dibutuhkan
Taraf nyata α=5%
3) Statistik Uji
b4
Thitung = =¿ 2.754
s (b 4)
pvalue =0.007195
4) Kriteria Penolakan
Tolak H 0 apabila nilai t hitung> t tabelatau nilai pvalue < α
Terima H 0 apabila nilai t hitung< t tabelatau nilai pvalue > α
5) Kesimpulan
Dengan taraf nyata sebesar 5% diperoleh bahwa pvalue < α adalah parameter β 1
dimana pvalue = 0.007195 ¿ 0 , 05. Hal ini berarti β 3 signifikan, sehingga model regresinya
dapat digunakan.

14
 Dari hasil uji parsial terhadap masing-masing variabel bebas pada model,
didapatkan nilai pvalue dari masing-masing parameter. Untuk β1 nilai pvalue =

7. 2× 10
−16
≤0 , 05 hal ini berarti β 1 signifikan. Untuk nilai β2 nilai dimana pvalue =
0.000155 ≥ 0 , 05 hal ini berarti β 2 tidak signifikan. Untuk nilai β 3 dimana pvalue =
0.000117 <0 , 05 hal ini berarti β 3 signifikan. Untuk nilai β 4 dimana pvalue =
0.007195< 0.05 hal ini berarti β 4 signifikan.
4. Uji Heteroskedastisitas
Dengan memperhatikan langkah-langkah berikut:
a. Merumuskan hipotesis
H 0 : asumsi homoskedastisitas terpenuhi
H 1 : asumsi homoskedastisitas tidak terpenuhi
b. Taraf pengujian
Taraf nyata pengujian sebesar 5%.
c. Statistik uji
p−value=0.1385
d. Kriteria penolakan
Tolak H 0 apabila nilai p−value<α
e. Kesimpulan
Berdasarkan pada output di atas diperoleh bahwa nilai p−value>α maka H 0
gagal ditolak. Sehingga dapat disimpulkan bahwa varians galat dari data bersifat
tetap/konstan (homoskedatisitas).
5. Uji Multikolinieritas
Dengan memperhatikan langkah-langkah berikut :
a. Merumuskan hipotesis
H 0 :tidak terdapat multikolinearitas antar variabel bebas
H 1 : terdapat multikolineaitas antar variabel bebas
b. Taraf pengujian
Taraf nyata pengujian sebesar 5%.
c. Statistik uji
VIF X 1=1.004498

VIF X 2=1.175960

15
 VIF X 3=1.017157

VIF X 4 =1.189230

d. Kriteria penolakan
Tolak H 0 apabila nilai VIF >10
e. Kesimpulan
Berdasarkan pada output di atas diperoleh bahwa nilai VIF X 1 X 2 X 3 X 4 <10, maka
H 0 gagal ditolak atau H 0 diterima. Sehingga dapat disimpulkan bahwa dalam model
tersebut tidak terdapat multikolinearitas.

16
2.5 Kesimpulan dan Saran
a. Kesimpulan
Kesimpulan yang dapat diambil yaitu model regresi berganda dibangun atas
beberapa asumsi klasik yang diperlukan untuk mendapatkan estimator OLS yang
bersifat best linear unbiased estimator. Beberapa keterangan singkat tentang uji asumsi
klasik dari model regresi adalah uji multikolinearitas, uji heteroskedastisitas (error), uji
autokorelasi dari galat dan uji normalitas dari galat, untuk mendeteksi
heteroskedastisitas dapat menggunakan white test, metode park, metode glejser, metode
goldfeld-quandt dan metode spearman rank correlation. Sedangkan cara pengobatannya
dengan metode generalized least squares (GLS), transformasi E (Y i ) dan transformasi
dengan logaritma, Kemudian untuk multikolinieritas ada informasi sebelumnya,
mengkombinasikan data cross section dan data time series, mengeluarkan variabel yang
berkolinier, melakukan transformasi terhadap variable atau dengan penambahan data
baru.
Berdasarkan hasil pembahasan dapat kita ketahui bahwa model persamaan
regresinya yaitu Y =0.11173+ 0.2999 X 1 +0.1963 X 2 +0.12733 X 3 + 0.02907 X 4 . Dari
output R-square yang telah kita peroleh di dapatkan dimana variabel X dapat
menjelaskan variabel Y sebesar 72.82 %. Setelah kita melakukan uji F didapat bahwa
ada pengaruh variabel independent terhadap variabel dependent. Pada uji
multikolinieritas diperoleh bahwa nilai VIF X 1 X 2 X 3 X 4 <10, maka H 0 gagal ditolak.
Sehingga dapat disimpulkan bahwa dalam model tersebut tidak terdapat
multikuolinearitas. Terakhir pada uji heteroskedastisitas diperoleh bahwa nilai
p−value>α maka H 0 gagal ditolak. Sehingga dapat disimpulkan bahwa varians galat
dari data bersifat tetap atau konstan (homoskedatisitas).
b. Saran
Saran pada praktikum kali ini kita harus teliti dalam mengetikkan sintaks yang kita
gunakan, karena apabila salah tanda sedikit saja ataupun ada yang tidak sesuai satu saja
maka data yang kita buat tidak dapat ditampilkan atau malah akan terjadi yang
namanya error. Kemudian juga harus memahami serta menghapal sintaks untuk
analisisnya agar mudah dalam menyelesaikan tugasnya.

17
 DAFTAR PUSTAKA
Harlan, Johan. 2015 . Regresi Linier. http:/ /harlanjohan.staff.gunadarma.ac.id/Publicat
ions/files/3866/B uku+Analisis+Regresi+Linear.pdf. Diakses pada 29 Oktober
2021 pukul 20:30 WIB.
Nachrowi, D.N. 2008. Penggunaan Teknik Ekonometrika. Jakarta: Raja Grafindo
Persada.
Putra. 2010. Regresi Linier. https://analisis-regresi-linear-aplikasi-pada-r-software
//2010/04/27.pdf. Diakses pada 29 Oktober 2021 pukul 20:40 WIB.
Rini, Dyah Setyo. 2021. Modul Praktikum Analisis Regresi dan Korelasi. Bengkulu:
Universitas Bengkulu.

vi