Tugas Pendahuluan 4

PRAKTIKUM
ANALISIS REGRESI

OLEH:
NAMA : ABDUL SHAMAD
NIM : F1A220067
KELOMPOK : I (SATU)

PROGRAM STUDI SI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALUOLEO
KENDARI
2021
Soal:
1. Jelaskan masing-masing tentang uji asumsi klasik!
2. Cari materi tentang uji jarque bera, uji breuch pagan dan uji durbin
waltson,tunjukan kegunaan dan cara pengambilan keputusan!
3. Buatlah program untuk uji autokorelasi, yang hasil uji datanya mengalami
autokorelasi! n = bebas (minimal tiga variabel = data real/data asumsi), lalu
interpretasikan!
4. Buatlah program untuk uji heterokedastisitas, yang hasil uji datanya
mangalami heterokedastisitas! n = bebas (minimal tiga variabel = data
real/data simulasi), lalu interpretasikan!
5. Buatlah program untuk uji linearitas yang hasil uji datanya bersifat liner! n =
bebas dan bisa menggunakan data yang sudah ada.
Jawab:
1. Materi tentang uji asumsi
Analisis pengujian regresi linier berganda dapat dilakukan setelah
melakukan uji asumsi klasik. Tujuan uji asumsi klasik untuk mengetahui
keberartian hubungan antara variabel independen dengan variabel dependen
sehingga hasil analisis dapat diinterpretasikan dengan lebih akurat, efesien, dan
terbatas dari kelemahan-kelemahan yang terjadi karena masih adanya
gejalagejala asumsi klasik. Uji asumsi klasik terdiri atas uji normalitas, uji
heteroskedastisitas, uji multikorelasi, dan uji autokorelasi. Berikut adalah uji
asumsi klasik yang dilakukan dalam penelitian ini, antara lain:
a. Uji normalitas
Uji normalitas adalah untuk melihat apakah nilai residu terdistribusi
normal atau tidak. Model regresi yang baik adalah memiliki residu yang
terdistribusi normal. Tes normalitas karena itu tidak dilakukan untuk setiap
variabel, tetapi untuk nilai residual. Seringkali kesalahan terjadi yaitu bahwa
tes normalitas dilakukan untuk setiap variabel. Ini tidak dilarang, tetapi
model regresi memerlukan normalitas dalam nilai residual bukan dalam
variabel penelitian. Pengamatan normal data menghasilkan beberapa
 ekstrem rendah dan sangat ekstrem dan biasanya terakumulasi di tengah.
Demikian juga nilai rata-rata, mode dan median relatif berdekatan.
Tes normalitas dapat dilakukan dengan tes histogram, tes normal P-Plot,
tes Chi-square, tes Skewness dan Kurtosis atau tes Kolmogorov-Smirnov.
Tidak ada metode terbaik atau paling tepat. Sarannya adalah bahwa
pengujian metode charting sering menyebabkan persepsi yang berbeda pada
beberapa pengamat. Oleh karena itu, penggunaan uji normalitas dengan uji
statistik tidak diragukan meskipun tidak dapat dijamin bahwa pengujian
dengan uji statistik lebih baik dari pada pengujian dengan metode diagram.
Jika residu tidak normal tetapi dekat dengan nilai kritis (misalnya, arti
Kolmogorov Smirnov dari 0,049), metode lain dapat digunakan yang
memberikan justifikasi normal. Namun, jika jauh dari nilai normal beberapa
langkah dapat dilakukan yaitu mengubah data, memangkas outlier, atau
menambahkan data observasi. Transformasi dapat dalam bentuk logaritma
natural, akar kuadrat, inverses, atau bentuk lain, tergantung pada bentuk
normal kurva, apakah kiri, kanan, tengah, atau kanan dan kiri.
b. Uji Multikollinearitas
Uji multikolinieritas dirancang untuk menentukan apakah ada korelasi
yang tinggi antara variabel independent dalam model regresi linier
berganda. Jika ada korelasi yang tinggi antara variabel independent
hubungan antara variabel independent dan variabel dependen terganggu.
Sebagai ilustrasi, model regresi dengan variabel independent adalah
motivasi, kepemimpinan dan kepuasan kerja dengan variabel dependent
kinerja. Logika sederhana adalah bahwa model mencari kinerja berdasarkan
dampak motivasi, kepemimpinan, dan kepuasan kerja. Jadi seharusnya tidak
ada korelasi yang tinggi antara motivasi dan kepemimpinan, motivasi
dengan kepuasan kerja atau antara kepemimpinan dan kepuasan kerja. Alat
statistik yang biasanya digunakan untuk menguji gangguan multikolinieritas
adalah variance inflation factor (VIF), korelasi Pearson antara variabel
independent atau pertimbangan nilai eigen dan indeks kondisi.
c. Uji Heteroskedastizitas
Dalam uji heteroskedastisitas, diperiksa apakah ada perbedaan yang tidak
sama antara satu residu dan pengamatan lain. Salah satu model regresi yang
memenuhi persyaratan adalah bahwa ada kesamaan dalam varians antara
residu dari satu pengamatan dan lainnya yang disebut homoscedasticity.
Bukti heteroskedastisitas dapat dibuat dengan menggunakan metode
scatterplot dengan memplot nilai ZPRED (Nilai Prediktif) dengan SRESID
(Nilai Sisa). Model yang baik adalah ketika grafik tidak mengandung pola
tertentu, seperti Berkumpul di tengah, menyempit dan memperbesar atau
sebaliknya Memperbesar dan memperkecil. Tes Glejser, tes Park atau tes
Wei dapat digunakan sebagai tes statistik.
Beberapa solusi alternatif, jika model tersebut melanggar asumsi
heteroskedastisitas adalah mengubahnya menjadi bentuk logaritmik. Ini
hanya mungkin jika semua data positif. Atau semua variabel dapat dibagi
dengan variabel yang mengalami gangguan heteroskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu
periode t dengan periode sebelumnya (t-1). Secara sederhana, analisis
regresi terdiri dari menguji pengaruh variabel independent terhadap variabel
dependent sehingga tidak boleh ada korelasi antara pengamatan dan data
observasi sebelumnya.
Contohnya adalah dampak inflasi bulanan pada nilai tukar rupiah terhadap
dolar. Data pada tingkat inflasi untuk bulan tertentu, misalnya februari
dipengaruhi oleh tingkat inflasi pada Januari. Berarti model tersebut
memiliki masalah autokorelasi. Contoh lain adalah pengeluaran rutin dalam
rumah tangga. Jika sebuah keluarga membuat pengeluaran bulanan yang
relatif tinggi di bulan Januari maka pengeluaran akan rendah di bulan
Februari.
Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan
tidak perlu dilakukan pada data cross section seperti pada quesioner di mana
pengukuran semua variabel dilakukan secara serempak pada saat yang
 bersamaan. Model regresi dalam penelitian di Bursa Efek Indonesia di mana
periode lebih dari satu tahun biasanya memerlukan uji autokorelasi.
Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson,
uji dengan Run Test dan jika data observasi di atas 100 data sebaiknya
menggunakan uji Lagrange Multiplier. Beberapa cara untuk mengatasi
masalah autokorelasi adalah mengubah data atau mengubah model regresi
menjadi persamaan perbedaan umum. Selain itu juga dapat dilakukan
dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu
variabel bebas, sehingga data observasi menjadi berkurang 1.
e. Uji Linearitas
Uji linearitas dipergunakan untuk melihat apakah model yang dibangun
mempunyai hubungan linear atau tidak. Tes ini jarang digunakan dalam
beberapa studi karena model biasanya dibangun atas dasar studi teoritis
bahwa hubungan antara variabel independent dan variabel dependent adalah
linier. Hubungan antar variabel yang secara teoritis tidak hubungan linear
tidak dapat dianalisis dengan regresi linier, seperti masalah elastisitas.
Jika ada hubungan antara dua variabel yang belum diketahui apakah linear
atau tidak, uji linearitas tidak dapat digunakan untuk memberikan
adjustment bahwa hubungan tersebut bersifat linear atau tidak. Uji linearitas
digunakan untuk mengkonfirmasi apakah sifat linear antara dua variabel
yang diidentifikasi dalam teori sesuai dengan hasil pengamatan. Tes
linearitas dapat dilakukan dengan menggunakan uji Durbin-Watson, tes
Ramsey atau tes pengali Lagrange.
1. materi tentang uji jarque bera, uji breuch pagan dan uji durbin waltson
1) Uji jarque bera
Uji Jarque Bera adalah salah satu uji normalitas jenis goodness of fit test
yang mana mengukur apakah skewness dan kurtosis sampel sesuai dengan
distribusi normal. Uji ini didasarkan pada kenyataan bahwa nilai skewness
dan kurtosis dari distribusi normal sama dengan nol. Oleh karena itu, nilai
absolut dari parameter ini bisa menjadi ukuran penyimpangan distribusi dari
normal. Uji Jarque Bera sering diaplikasikan dalam analisis regresi untuk
 pemeriksaan asumsi normalitas distribusi dari galat atau kesalahan acak
(random error). Ada pun hipotesis nol dan hipotesis alternatif dari Uji
Jarque Bera dinyatakan oleh:
H0: residual mengikut distribusi normal
H1: residual tidak mengikuti distribusi normal
Jarque Bera Test dinamakan sesuai dengan penemunya yaitu Carlos
Jarque dan Anil K. Bera. Rumus Jarque Bera adalah sebagai berikut.
2
n 2 (k-3)
JB = ∙s +
6 4

Jika statistik hitung JB lebih besar dari nilai kritis chi-square dengan tingkat
signifikansi α=0,05 dan derajat bebas 2 (JB>χ(α;2)2), maka keputusannya
tolak hipotesis nol yang berarti residual tidak mengikuti distribusi normal.
2) Uji breuch pagan
Uji Breusch Pagan merupakan uji Lagrange Multiplier untuk memilih
antar model efek acak (fixed effect model) dengan model koefisien tetap
(pooled regression). Hipotesis awalnya adalah varians dari residual atau
galat pada model koefisien tetap adalah nol. (Baltagi, 2008, hal.309)
Prosedurnya adalah sebagai berikut.
2
H0 : σ μ=0
2
H1 : σ μ≠ 0

Adapun statistik uji yang digunakan adalah uji lagrange multiplier adalah
sebagai berikut.

[ ] ( )
N T 2

∑ ∑ ^uit
NT i=1 t=1
LM= N T
-1
2(T-1)
∑ ∑ u^ 2
it
i=1 t=1

Keterangan:
N = jumlah individu
T = jumlah periode waktu
 2
σ μ = varians dan residual model

^uit = estimasi residual model koefisien tetap individu ke-i periode ke-t

Jadi, jika nilai LM > x2(α,1) atau p-value kurang dari taraf signifikasi yang
digunakan, maka tolak hipotesis awal (H0) sehingga model yang terpilih
adalah model efek acak.
3) Uji durbin watson
Uji Durbin waltson adalahstatistik uji yang digunakan untuk mendeteksi
keberadaan autokorelasi (hubungan antara nilai-nilai error dengan waktu
tertentu) dalam residual (kesalahan prediksi) dari analisis regresi. Uji ini
dilakukan dengan asumsi atau syarat antara lain:
a. Model regresi harus menyertakan konstanta.
b. Autokorelasi harus diasumsikan sebagai autokorelasi first order.
c. Variabel dependen bukan merupakan variabel Lag.
Uji Durbin waltson akan menghasilkan nilai Durbin Waltson (DW) yang
nantinya akan dibandingkan dengan dua (2) nilai Durbin Waltson Tabel,
yaitu Durbin Upper (DU) dan Durbin Lower DL). Dikatakan tidak terdapat
autokorelasi jika nilai DW > DU dan (4-DW) > DU atau bisa dinotasikan
juga sebagai berikut: (4-DW) > DU < DW. Adapun hipotesisnya adalah
sebagai berikut.
H0 = tidak ada autokorelasi
H1 = ada autokorelasi
Berikut adalah statistik uji dari durbin waltson.
n

∑ ( e t - et-1 )2
t=2
d= n

∑ e 2t
t=1

Berikut beberapa keputusan setelah membandingkan DW.

 1) Bila nilai DW terletak antara batas atas atau upper bound (du) dan (4 -
du), maka koefisien autokorelasi sama dengan nol, berarti tidak ada
autokorelasi.
2) Bial nilai DW lebih rendah daripada batas bawah atau lower bound (dl),
maka koefisien autokorelasi lebih besar daripada nol, berarti
ada autokorelasi positif.
3) Bila nilai DW lebih besar daripada (4-dl), maka koefisien autokorelasi
lebih kecil daripada nol, berarti ada autokorelasi negatif.
4) Bila nilai DW terletak di antara batas atas (du) dan batas bawah (dl) ada
DW terletak antara (4-du) dan (4-dl), maka hasilnya tidak dapat
disimpulkan.
5) Bila nilai DW terletak antara (4-du) dan (4-dl), maka hasilnya tidak dapat
disimpulkan.
2. Data pengaruh investasi, inflasi dan suku bunga terhadap kurs
Investasi Inflasi Suku bunga Kurs
(X1) (X2) (X3) (Y)
3,57 8,76 18,7 3,03
3,58 4,31 17,8 3,05
3,62 8,83 15,2 3,22
4,06 8,9 16,99 3,22
4,2 5,47 17,76 3,24
5,47 5,97 18,12 3,25
4,29 9,53 18,12 3,28
4,78 9,52 22,49 3,3
4,61 4,94 18,62 3,31
4,47 9,77 13,46 3,32
4,61 9,24 11,87 3,34
4,73 8,64 15,04 3,36
4,84 6,47 16,69 3,38
5 11,05 16,28 3,67
4,71 77,63 21,84 3,9
4,78 2,01 27,6 3,85
4,79 9,35 16,15 3,98
4,97 12,55 14,23 4,02
4,99 10,03 12,64 3,95
5,1 506 8,21 3,93
6,17 6,4 8,22 3,97
5,22 17,11 11,63 3,99
 5,17 6,6 8,24 3,96
5,36 6,59 10,43 3,97
5,33 11,06 4,04 4,04
5,51 2,78 9,55 3,97
5,36 6,96 7,88 3,95
5,45 3,79 7,04 3,96
5,46 4,3 5,75 3,99
Sumber: https://images.app.goo.gl/1KD6guNXEJtkcb7Q8
Program:
> library(readxl)
> shamadauto <- read_excel("D:/shamadauto.xlsx")
> View(shamadauto)
> attach(shamadauto)
> shamad <- lm(Kurs ~ Investasi+Inflasi+Sukubunga)
> summary(shamad)

Output:
Call:
lm(formula = Kurs ~ Investasi + Inflasi + Sukubunga)
Residuals:
Min 1Q Median 3Q Max
-0.58514 -0.17166 -0.00148 0.11571 0.39020
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.8713527 0.5124881 3.652 0.001205 **
Investasi 0.3919894 0.0865278 4.530 0.000126 ***
Inflasi 0.0003965 0.0004871 0.814 0.423296
Sukubunga -0.0100860 0.0098843 -1.020 0.317311
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.2361 on 25 degrees of freedom
Multiple R-squared: 0.6196, Adjusted R-squared: 0.5739
F-statistic: 13.57 on 3 and 25 DF, p-value: 1.873e-05
> #uji autokorelasi
> dwtest(shamad)
Durbin-Watson test
data: shamad
DW = 0.75581, p-value = 1.308e-05
alternative hypothesis: true autocorrelation is greater than 0

Interpretasi:
Output di atas menunujukkan hasil berupah autokorelasi dari data time
series, dimana terdapat 4 variabel terdiri atas, 3 variabel independent dan 1
variabel dependent (X1, X2, X3 dan Y), dimana investasi atau variabel X1
bernilai 0.00012 dibawah aplha = 0.05 yang artinya variabel X1 signifikan
berpengaruh terhadap Y, kemudian untuk varibel X2 atau inflasi nilai
signifikasinya adalah 0.423296 yang artinya nilai tersebut lebih besar dari
alpha sehingga dapat disimpulkan bahwa variabel X2 tidak signifikan
berpengaruh terhadap variabel Y, karena nilainya lebih besar dari alpha = 0.05.
sedangkan variabel X3 nilai signifikasi dari hasil regresi adalah 0.317311 yang
artinya nilai tersebut lebih besar dari alpha =0.05 sehingga dapat disimpulkan
bahwa variabel X3 tidak signifikan berpengaruh terhadap Y. Sedangkan pada
pengujian durbin watson ditampilkan nilai sebesar 0.75581, dengan
memperoleh p-value sebesar 1.308e-05, jika Dw < 1 maka terjadi korelasi pada
data yang ada, sehingga dapat disimpulkan bahwa data yang di atas dengan
menghasilkan output seperti yang ditunjukkan pada tabel output mengalami
autokorelasi.