UJIAN TENGAH SEMESTER

STRUKTUR DATA

NAMA : MUTIARA SYAHBANI

NIM : F1A220049
KELAS :A

Soal:
1. Buatlah makro atau coding program regresi linier berganda lengkap dengan asumsi
residualnya!
Jawab:
1. DATA:
Tabel 1.1 Data pengaruh kualitas barang terhadap promosi dan harga
NO Y X1 X2
1 23 10 7
2 7 2 3
3 15 4 2
4 17 6 4
5 23 8 6
6 22 7 5
7 10 4 3
8 14 6 3
9 6 7 4
10 3 6 3

Program regresi linier berganda dengan uji asumsi residualnya.

Coding :
data1<-read.csv("D://MUTIARA SYAHBANI.csv",sep=";",header=TRUE)
data1
x1=data1$X1
x2=data1$X2
y=data1$Y
regresi=function(x1,x2,y){
n=length(data1$Y)
p=n*sum(x1*y)-sum(x1)*sum(y)
q=n*sum(x2^2)-(sum(x2))^2
r=n*sum(x1*x2)-sum(x1)*sum(x2)
s=n*sum(x2*y)-sum(x2)*sum(y)
t=n*sum(x1^2)-(sum(x1))^2
u=t*q-r^2
 b1=(p*q-r*s)/u
b2=(s*t-p*r)/u
a= (sum(y)-b1*sum(x1)-b2*sum(x2))/n
cat("persamaan regresi linear berganda adalah :
","y=",a,"+",b1,"x1","+",b2,"x2")
}
regresi(x1,x2,y)
regresi<-lm(Y~X1+X2,data=data1)
regresi

Output :
> data1<-read.csv("D://MUTIARA SYAHBANI.csv",sep=";",header=TRUE)
> data1
Y X1 X2
1 23 10 7
2 7 2 3
3 15 4 2
4 17 6 4
5 23 8 6
6 22 7 5
7 10 4 3
8 14 6 3
9 20 7 4
10 19 6 3
> x1=data1$X1
> x2=data1$X2
> y=data1$Y
> regresi=function(x1,x2,y){
+ n=length(data1$Y)
+ p=n*sum(x1*y)-sum(x1)*sum(y)
+ q=n*sum(x2^2)-(sum(x2))^2
+ r=n*sum(x1*x2)-sum(x1)*sum(x2)
+ s=n*sum(x2*y)-sum(x2)*sum(y)
+ t=n*sum(x1^2)-(sum(x1))^2
+ u=t*q-r^2
+ b1=(p*q-r*s)/u
+ b2=(s*t-p*r)/u
+ a= (sum(y)-b1*sum(x1)-b2*sum(x2))/n
+ cat("persamaan regresi linear berganda adalah : ","y
+ =",a,"+",b1,"x1","+",b2,"x2")
+ }
> regresi(x1,x2,y)
persamaan regresi linear berganda adalah : y= 3.918728 + 2.491166 x1
+ -0.4664311 x2> regresi<-lm(Y~X1+X2,data=data1)
> regresi

Call:
lm(formula = Y ~ X1 + X2, data = data1)

Coefficients:
(Intercept) X1 X2
3.9187 2.4912 -0.4664

a. Uji autokorelasi
Coding :
read.csv("D:/MUTIARA SYAHBANI.csv", sep = ",", header = TRUE)
data1<-read.csv("D:/MUTIARA SYAHBANI.csv",header=TRUE,sep=";")
 regresi<-lm(Y~X1+X2+X3, data=data1)
regresi
residual<-resid(reg)
res<-resid(reg)
acf(res)
cor(data1)
model_autokol<-lm(Y~X1+X2, data=data1)
lmtest::dwtest(model_autokol)

Output :
> read.csv("D:/MUTIARA SYAHBANI.csv",header=TRUE,sep=";")
Y X1 X2
1 23 10 7
2 7 2 3
3 15 4 2
4 17 6 4
5 23 8 6
6 22 7 5
7 10 4 3
8 14 6 3
9 20 7 4
10 19 6 3
data1<-read.csv("D:/MUTIARA SYAHBANI.csv",header=TRUE,sep=";")
> regresi<-lm(Y~X1+X2, data=data1)
> regresi
Call:
lm(formula = Y ~ X1 + X2, data = data1)

Coefficients:
(Intercept) X1 X2
3.9187 2.4912 -0.4664

> residual<-resid(regresi)
> residual
1 2 3 4
5 6 7 8
-2.565371e+00 -5.017668e-01 2.049470e+00 -5.551115e-16
1.950530e+00 2.975265e+00 -2.484099e+00 -3.466431e+00
9 10
5.088339e-01 1.533569e+00
> res<-resid(regresi)
> res
1 2 3 4
5 6 7 8
-2.565371e+00 -5.017668e-01 2.049470e+00 -5.551115e-16
1.950530e+00 2.975265e+00 -2.484099e+00 -3.466431e+00
9 10
5.088339e-01 1.533569e+00
> acf(res)
> cor(data1)
Y X1 X2
Y 1.0000000 0.9118781 0.7368500
X1 0.9118781 1.0000000 0.8487377
X2 0.7368500 0.8487377 1.0000000
> model_autokol<-lm(Y~X1+X2, data=data1)
> lmtest::dwtest(model_autokol)

Durbin-Watson test

data: model_autokol
 DW = 1.516, p-value = 0.1833
alternative hypothesis: true autocorrelation is greater than 0

1) Hipotesis
H0 : Tidak terjadi autokorelasi
H1 : Terjadi autokorelasi

2) α=0 ,05
3) Statistik uji
t−N
∑ ( e t −e t −1 )2
d= t −2 t −N
∑ et 2
t −1

4) Pengambilan keputusan
 Jika d ≤ dl, maka tolak H0 artinya terdapat serial korelasi positif antar
variabel
 Jika d ≥ dl, maka terima H0 artinya terdapat serial korelasi negatif antar
variabel
 Jika du < d < 4-du, maka terima H0 artinya tidak terdapat serial korelasi
positif maupun negatif antar variabel
 Jika dl < d < du atau 4-dl < d < 4-du, maka tidak dapat diambil kesimpulan
maka pengujian dianggap tidak meyakinkan.
5) Kesimpulan
Karena hasil dari pegujian yang dilakukan adalah d ≥ dl atau
1.516≥0.1833maka terima H0 yang berarti terdapat serial korelasi negatif antar
variabel sehingga dapat disimpulkan bahwa data tersebut tidak terdapat
autokorelasi.
6) Interpretasi:
Pada data di atas terdapat tiga variabel dengan satu variabel respon dan dua
variabel prediktor dengan n=10, dan hasil persamaan membentuk persamaan
regresi dan juga dw1.516 adalah dapat disimpulkan bahwa data tersebut tidak
mengalami autokorelasi dikarenakan jika hasil dw dibandingkan dengan dl dan
k=2 hasilnya ialah1.516 >0.1833 Dengan hasil seperti ini maka dapat ditarik
kesimpulan bahwa dw > dl atau data tidak mengalami autokorelasi.
b. Uji heteroskedastisitas
Coding :
 > read.csv("D:/MUTIARA SYAHBANI.csv", sep = ",", header = TRUE)
> data1<-read.csv("D:/MUTIARA SYAHBANI.csv",header=TRUE,sep=";")
> regresi<-lm(Y~X1+X2, data= data1)
> regresi
> library(lmtest)
> bptest(reg)

Output :
> read.csv("D:/MUTIARA SYAHBANI.csv",header=TRUE,sep=";")
Y X1 X2
1 23 10 7
2 7 2 3
3 15 4 2
4 17 6 4
5 23 8 6
6 22 7 5
7 10 4 3
8 14 6 3
9 20 7 4
10 19 6 3
> data1<-read.csv("D:/dar.csv",header=TRUE,sep=";")
> reg<-lm(Y~X1+X2, data= data1)
> reg

Call:
lm(formula = Y ~ X1 + X2, data = data1)

Coefficients:
(Intercept) X1 X2
3.9187 2.4912 -0.4664
> library(lmtest)
> bptest(reg)
studentized Breusch-Pagan test

data: regresi
BP = 1.0243, df = 2, p-value = 0.5992

1) Hitotesis :
H0 : Model regresi tidak memiliki masalah pada heteroskesdisitas
H1 : Model regresi memiliki masalah pada heteroskesdisitas
2) Taraf signifikan nilai α ( α = 0,05).
3) Statistik uji
β^ i
t=
Se β
4) Kriteria keputusan :
t hitung >t α
: n− p
H0 ditolak jika 2 atau nilai Sig. < α .
5) Keputusan :
a
Nilai p-value adalah adalah secara otomatis p-value > nilai 2 maka
kesimpulannya terima H0 sehingga cukup bukti untuk mengatakan bahwa variansi
 galat pada data tersebut mengalami gejala homokedastisitas yaitu nilai variansi
galatnya = nilai simpangan baku.
6) Interpretasi :
Berdasarkan hasil program diatas dengan n sebanyak 10 dan hasil persamaan
membentuk persamaan regresi dan juga BP adalah 1.0243. Adapun nilai p-value
a
dari data tersebut adalah 0.5992 dimana nilai p-value > taraf nyata 2 sehingga
dapat kita simpulkan bahwa terima H0. Ini mengindikasikan bahwa ri data yang
kita miliki, terjadi gejala homokedastisitas dimana nilai variansi galatnya = nilai
simpangan baku.
c. Uji linearitas
Coding :
> read.csv("D:/MUTIARA SYAHBANI.csv", sep = ",", header = TRUE)
> data1<-read.csv("D:/ MUTIARA SYAHBANI.csv",header=TRUE,sep=";")
> reg<-lm(Y~X1+X2+X3, data= data1)
> reg
> library(lmtest)
> resettest(reg)

Output :
> read.csv("D:/MUTIARA SYAHBANI.csv",header=TRUE,sep=";")
Y X1 X2
1 23 10 7
2 7 2 3
3 15 4 2
4 17 6 4
5 23 8 6
6 22 7 5
7 10 4 3
8 14 6 3
9 20 7 4
10 19 6 3
> data1<-read.csv("D:/MUTIARA SYAHBANI.csv",header=TRUE,sep=";")
> reg<-lm(Y~X1+X2, data= data1)
> reg
Call:
lm(formula = Y ~ X1 + X2, data = data1)
Coefficients:
(Intercept) X1 X2
18.02824 0.08367 0.58448
> library(lmtest)
> resettest(reg)
RESET test

data: regresi
RESET = 0.93, df1 = 2, df2 = 5, p-value = 0.4535

1) Hipotesis :
H0 : Model linear
H1 : Model non linear
 2) Taraf signifikan nilai α ( α = 0,05).
3) Statistik uji :
RJK TC
F=
RJK E
4) Kriteria keputusan :

Terima H0 jika
Fhitung >F tabel atau p-value > taraf nyata α

5) Keputusan :
Berdasarkan dari output perintah resettest (x~y, data = linear), diperoleh p-value
> α = 0.05. Sehingga terima H1. Hal ini menunjukkan bahwa hubungan antara
variabel X dan Y terdapat hubungan linier.
6) Interpretasi :
Berdasarkan hasil uji linearitas diatas, p-value > α = 0.05 dimana nilai p-value
tersebut sebesar 0.4535. Sehingga H0 ditolak, hal ini menunjukan bahwa
hubungan antara variabel X1 dan X2 terhadap Y ada hubungan linearitas atau
linear sehingga model regresi yang dihasilkan atau yang cocok kemudian
digunakan untuk memodelkan hubungan antara variabel X dan Y adalah model
regresi linear.
d. Uji normalitas
Coding :
read.csv("D:/MUTIARA SYAHBANI.csv", header=TRUE,sep=";")
aq<-read.csv("D:/MUTIARA SYAHBANI.csv", header=TRUE,sep=";")
mean=function(t,b,a,z){
n=length(aq$X1)
sumxt=sum(aq$X1)
sumxb=sum(aq$X2)
sumxa=sum(aq$Y)
sumxz=sum(aq$X1+aq$X2+aq$Y)
t=sumxt/n
b=sumxb/n
a=sumxa/n
z=sumxz/n
cat("Hasil Rata-rata dari data di atas ialah : rata-rata X1 ",t,
"rata-rata X2 ",b,"rata-rata Y",a,"dan rata-rata dari data di atas
adalah",z)
}
mean(t,b,a,z)

#MENAMPILKAN NILAI RESIDUAL

> residu=resid(regresi)
> residu
> data.frame(residu)
#MENGGUNAKAN FUNGSI SHAPIRO WILK
> shapiro.test(aq$X1)
> shapiro.test(aq$X2)
 > shapiro.test(aq$Y)
> shapiro.test(aq$X1+aq$X2+aq$Y)

Output :
> read.csv("D:/dar.csv", header=TRUE,sep=";")
Y X1 X2
1 23 10 7
2 7 2 3
3 15 4 2
4 17 6 4
5 23 8 6
6 22 7 5
7 10 4 3
8 14 6 3
9 20 7 4
10 19 6 3
> aq<-read.csv("D:/MUTIARA SYAHBANI.csv", header=TRUE,sep=";")
> mean=function(t,b,a,z){
+ n=length(aq$X1)
+ sumxt=sum(aq$X1)
+ sumxb=sum(aq$X2)
+ sumxa=sum(aq$Y)
+ sumxz=sum(aq$X1+aq$X2+aq$Y)
+ t=sumxt/n
+ b=sumxb/n
+ a=sumxa/n
+ z=sumxz/n
+ cat("Hasil Rata-rata dari data di atas ialah :
+ rata-rata X1 ",t, "rata-rata X2 ",b,"rata-rata Y",a,"dan rata-
rata dari data di atas adalah",z)
+ }
> mean(t,b,a,z)
Hasil Rata-rata dari data di atas ialah : rata-rata X1 6 rata-rata
X2 4 rata-rata Y 17 dan rata-rata dari data di atas adalah 27
#MENAMPILKAN NILAI RESIDUAL
> residu=resid(regresi)
> residu
1 2 3 4
5 6 7 8
-2.565371e+00 -5.017668e-01 2.049470e+00 -5.551115e-16
1.950530e+00 2.975265e+00 -2.484099e+00 -3.466431e+00
9 10
5.088339e-01 1.533569e+00
> data.frame(residu)
residu
1 -2.565371e+00
2 -5.017668e-01
3 2.049470e+00
4 -5.551115e-16
5 1.950530e+00
6 2.975265e+00
7 -2.484099e+00
8 -3.466431e+00
9 5.088339e-01
10 1.533569e+00
#MENGGUNAKAN FUNGSI SHAPIRO WILK

> shapiro.test(aq$X1)
 Shapiro-Wilk normality test

data: aq$X1
W = 0.96757, p-value = 0.8674
> shapiro.test(aq$X2)

Shapiro-Wilk normality test

data: aq$X2
W = 0.89893, p-value = 0.2132
> shapiro.test(aq$Y)

Shapiro-Wilk normality test

data: aq$Y
W = 0.92536, p-value = 0.4038

> shapiro.test(aq$X1+aq$X2+aq$Y)

Shapiro-Wilk normality test

data: aq$X1 + aq$X2 + aq$Y

W = 0.98276, p-value = 0.9782

1) Hipotesis
H0 : Data berdistribusi Normal
H1 : Data tidak berdistribusi Normal
2) Taraf signifikan nilai α ( α = 0,05).
3) Uji statistik :

(∑ )
n 2
ai x i
i=1
W= n
∑ ( x i − x̄ )2
i=1

4) Kriteria keputusan
 Probabilitas (P-value) >0,05 maka Ho diterima
 Probabilitas (P-value) <0,05 maka Ho ditolak
 Jika nilai residual sebagian besar mendekati nilai rata-rata maka terima H0
5) Keputusan
Hasil perhitungan menyatakan bahwa besarnya probabilitas (p-value) untuk
data X1 adalah 0.8674, p-value untuk data X2 adalah 0.2132, dan p-value untuk
data Y adalah0.4038. Adapun p-value untuk sum (data X1,X2,Y) adalah0.9782.
Karena probabilitas lebih besar daripada taraf uji yang digunakan dalam penelitian
atau p-value > α atau 0.9782. > 0,05 maka Ho diterima. Dengan demikian dapat
disimpulkan bahwa data berdistribusi normal.
6) Interpretasi :
Untuk melakukan uji normalitas, dapat kita lakukan dengan membandingkan
nilai residual dengan nilai rata-rata. Jika nilai residual sebagian besar mendekati
nilai rata-rata maka terima H0. Selain itu, uji normalitas dapat juga ditentukan
dengan melihat nilai p-value. Jika p-value > 0,05 maka Ho diterima dan jika p-
value > 0,05 maka Ho ditolak. Pada data yang kita miliki, nilai p-value = 0.9782.
Karena p-value > alpha, maka terima H0 (data berdistribusi normal).