Langsung ke konten utama

Regresi Linier Sederhana (RLS) dengan R

Regresi Linier Sederhana (RLS) dengan R

Regresi linier sederhana atau Simple Linear Regression merupakan salah satu bentuk model statistik yang umum digunakan dalam penelitian. Pada dasarnya model ini merupakan model untuk melihat pengaruh dari sebuah variabel bebas (independent variable) terhadap variabel terikat (dependent variable).

Adapun teknik estimasi model regresi linier sederhana ini adalah Ordinary Least Square (OLS). Dengan meminimalkan jumlah kuadrat dari kesalahan atau error untuk mendapatkan koefisien garis regresi linier. Adapun makna linier dalam model ini adalah linier dalam parameter (beta), bukan linier dalam variabel.

Langkah-langkah melakukan pemodelan regresi linier sederhana:

1. Eksplorasi data;

2. Pemodelan;

3. Melihat signifikansi uji simultan;

4. Melihat signifikansi uji parsial;

5. Uji asumsi klasik (dapat dipelajari di [1], [2], [3], [4], [5];

6. Melihat nilai R Square;

7. Melakukan prediksi dengan nilai variabel bebas yang baru.

Adapun data yang digunakan dapat diunduh pada tautan berikut. Berikutnya, kita akan coba mempraktikkan pemodelan regresi linier sederhana sebagai berikut:

#Mengimport Data
tender <- read_excel("tender.xlsx")
tender
## # A tibble: 9 x 5
##   Tahun Tender   LPE   PKP Konstruksi
##   <dbl>  <dbl> <dbl> <dbl>      <dbl>
## 1  2014 133620  5.01  1.16       6.97
## 2  2015 152677  4.88  5.31       6.36
## 3  2016 152702  5.03 -0.14       5.22
## 4  2017 132248  5.07  2.12       6.8 
## 5  2018 119219  5.17  4.82       6.09
## 6  2019 105049  5.02  3.27       5.76
## 7  2020  68498 -2.07  2.12      -3.26
## 8  2021  96229  3.7   4.24       2.81
## 9  2022  88631  5.32 -4.51       2.01
#Mengattach Data
attach(tender)
#Matriks Uji korelasi (untuk visualisasi ini bisa dipelajari dari sini)

plot of chunk unnamed-chunk-40
Matrik korelasi antar variabel dalam data

#Pemodelan Regresi Linier Sederhana (RLS)
mod <- lm(Konstruksi~Tender)
summary(mod)
## 
## Call:
## lm(formula = Konstruksi ~ Tender)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.0531 -1.3415  0.4116  1.0588  2.5330 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)   
## (Intercept) -6.642e+00  2.931e+00  -2.266  0.05781 . 
## Tender       9.395e-05  2.448e-05   3.838  0.00639 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.017 on 7 degrees of freedom
## Multiple R-squared:  0.6778, Adjusted R-squared:  0.6318 
## F-statistic: 14.73 on 1 and 7 DF,  p-value: 0.006393
#Uji asumsi Non-Autokorelasi
## 
##  Durbin-Watson test
## 
## data:  mod
## DW = 2.2401, p-value = 0.5076
## alternative hypothesis: true autocorrelation is greater than 0
#Uji asumsi homoskedastisitas
## 
##  studentized Breusch-Pagan test
## 
## data:  mod
## BP = 0.59753, df = 1, p-value = 0.4395
#Uji asumsi normalitas
## 
##  One-sample Kolmogorov-Smirnov test
## 
## data:  mod$residuals
## D = 0.11111, p-value = 0.9991
## alternative hypothesis: two-sided
shapiro.test(mod$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  mod$residuals
## W = 0.92461, p-value = 0.4318
plot(Tender, Konstruksi, pch = 16, cex = 1.3, col = "blue", main = "Plot Jumlah Tender dan Pertumbuhan Sektor Konstruksi Tahun 2014-2022", xlab = "Jumlah Tender", ylab = "Pertumbuhan Sektor Konstruksi (persen)")
abline(lm(Konstruksi~Tender))
plot of chunk unnamed-chunk-45
Plot garis regresi linier sederhana

#Memprediksi Pertumbuhan Sektor Konstruksi tahun 2023 dengan nilai Tender 2022
predict(mod, newdata = data.frame(Tender = 92430))
##        1 
## 2.041448

Model yang terbentuk sepertinya cukup baik. Secara parsial dan simultan, jumlah tender berpengaruh positif dan signifikan secara statistik terhadap pertumbuhan sektor konstruksi. Setiap jumlah tender naik sebesar 1 satuan, maka sektor konstruksi naik sebesar 0,1 persen. Jumlah tender juga mampu menjelaskan proporsi keragaman dari pertumbuhan sektor konstruksi sebesar 67,77 persen. Sedangkan sisanya dapat dijelaskan oleh variabel lain di luar model. Apabila di tahun 2023 jumlah tender diperkirakan sebanyak 92.430 tender baik pengadaan barang maupun jasa, maka diperkirakan sektor konstruksi Indonesia pada tahun 2023 tumbuh sebesar 2,04 persen.

Demikian sedikit sharing kita kali ini. Semoga sedikit banyak membawa manfaat. Selamat memahami dan mempraktikan!

Komentar

Postingan populer dari blog ini

Mencari P - Value dan Titik Kritis Uji F, Uji t, Uji Chi Square, dan Uji Z Normal dengan R

Mencari nilai p-value dan titik kritis Bagi teman-teman yang pernah mengenal statistika, pasti familier dengan istilah p-value dan titik kritis. P-value biasanya didefinisikan sebagai probabiltas atau peluang maksimal yang diamati dari hasil uji statistik, bahasa gampangnya adalah besarnya kesalahan penelitian berdasarkan uji statistik. Sebagai contoh sederhana, dari 100 orang dengan nama masing-masing dan diklasifikasikan ke dalam gender nama perempuan dan nama laki-laki, didapatkan nilai p-value uji statistiknya sebesar 0,05 atau 5%. Itu artinya, dari 100 orang, ada kemungkinan sebanyak 5 orang yang namanya salah klasifikasi. Dari namanya terdeteksi sebagai nama perempuan, padahal aktualnya yang bersangkutan bergender laki-laki. Sedangkan titik kritis atau titik uji adalah nilai batas pengujian hipotesis statistik, apakah masuk dalam wilayah tolak hipotesis, ataukah gagal menolaknya. Titik ini berkaitan erat dengan nilai p-value . Kalau biasanya kita mendapatkan kedua nilai ini da...

Cara Mendowload dan Install R serta RStudio di Windows (Step by Step)

Cara Download dan Install R serta R Studio di Windows Halo teman-teman, mohon maaf karena beberapa waktu ini, blog ini sempat vakum dari unggahan. Kali ini saya akan coba berbagai mengenai bagaimana cara mengunduh ( download ) dan menginstal ( install ) program R sekaligus R Studio khususnya di Windows. Unggahan kali ini sedikit terbalik karena semestinya saya unggah terlebih dahulu pertama kali di blog ini, namun bukan masalah, mengingat kemarin ada beberapa pihak yang meminta untuk menerangkap bagaimana tahapan mengunduh dan instalasi R dan R Studio, jadinya saya dahulukan pada unggahan ini sebelum pembahasan mengenai Data Mining , Data Science , atau bahasan Big Data kita terlampau jauh. Baik, kita akan mulai dengan bagaimana mengunduh R dan R Studio melalui mesin pencari Google. R dan R Studio ini memang beberapa waktu terakhir ini booming , apalagi dengan munculnya konsep mengenai Big Data , Data Modelling, Data Mining, dan Data Science serta Data Visualization . Sebenarnya, men...

Analisis Tipologi Klassen (Klassen Typology) dan Visualisasi Spasialnya dengan R

Tipologi Klassen dan visualisasinya dengan R Halo teman-teman, sebelumnya kita telah membahas tentang analisis Shift Share dan Location Quotient (LQ) dengan menggunakan R. Kali ini, kita akan membahas mengenai satu lagi alat analisis yang sebenarnya merupakan alat analisis tiga serangkai dari SS dan LQ, yaitu analisis Tipologi Klassen. Dalam penelitian ekonomi kewilayahan, ketiga analisis ini seringkali digunakan, baik dalam rangka melihat perkembangan dan transformasi struktur ekonomi suatu wilayah maupun melihat keunggulan kompetitif dan keunggulan komparatif wilayah satu dengan wilayah lainnya dengan mengacu wilayah referensi. Terlebih dulu, sebelum melakukan visualisasi spasial menggunakan fungsi plot(), ada baiknya kita bahas terlebih dahulu mengenai Tipologi Klassen itu sendiri. Tipologi Klassen merupakan teknik pengelompokan sektor, subsektor, lapangan usaha, atau komoditas tertentu di wilayah analisis berdasarkan pertumbuhan nilai tambah wilayah analisis terhadap nasional atau...