Membaca file PDF
Video di bawah menjelaskan cara dan proses membaca isi text file pdf ke dalam table dataframe python.
Mencari Bigram (frasa dua kata) dari Data Text
Video berikut ini adalah tutorial untuk mengekstrak frasa/bigram dengan frekuensi tertinggi atau paling sering muncul dalam data text.
Video di bawah ini memberikan contoh bagaimana melakukan analisis data dengan PLS-SEM menggunakan library plspm.
Berikut ini adalah video yang menjelaskan proses analisis statistik deskriptif dengan python.
Artikel ini akan menjelaskan bagaimana melakukan analisis mediasi dengan package SEMinR pada pemrograman R. Pada contoh ini kita akan menggunakan data educationFull.csv yang dapat di-download di file ini (educationFull.csv), seperti biasa data dapat terlebih dahulu di-import ke dalam RStudio dengan cara di video ini.
Tutorial ini merupakan kelanjutan dari tutorial analisis PLS-SEM menggunakan SEMinR, silahkan anda mempelajari terlebih dahulu tutorial PLS-SEM dengan SEMinR.
Pedoman utama analisis mediasi kali ini kita akan menggunakan konsep dari buku Hair et al., 2017. dengan konsep dasar seperti gambar di bawah ini, dengan 3 buah variabel y1, y2 dan y3.
dalam bukunya Hair et al., 2017, menjelaskan ketentuan dasar untuk proses pengambilan kesimpulan hasil pengujian mediasi bersarkan bagan berikut ,
Kita akan melanjutkan proses dari tutorial PLS-SEM dengan SEMinR yang sudah kita lakukan untuk melihat analisis mediasi dari model di bawah ini.
misalnya kita akan melihat variabel Value apakah bisa menjadi variabel mediator bagi Tutoring maupun Advising dalam model di atas.
Dari proses analisis PLS-SEM dengan SEMinR kita mendapatkan hasil akhir seperti gambar di bawah ini,
Tahap #1
Kita jalankan baris perintah di bawah ini untuk menguji indirect effect variabel Tutoring-Value-Satisfaction,
confidence_interval(boot_seminr_model = boot_seminr_model, from = "Tutoring", through = "Value", to = "Satisfaction", alpha = 0.05)
didapatkan hasil di bawah ini, tampak bahwa indirect effect variabel Tutoring-Value-Satisfaction adalah signifikan,
sehingga dapat dinyatakan Value bisa menjadi variabel mediasi pengaruh Tutoring ke Satisfaction.
Tahap #2
Selanjutkan kita jalan baris perintah untuk menguji pengaruh variabel Tutoring ke Satisfaction, dengan perintah di bawah ini,
confidence_interval(boot_seminr_model = boot_seminr_model, from = "Tutoring", to = "Satisfaction", alpha = 0.05)
kita dapatkan hasil seperti gambar di bawah ini, tampak bahwa direct effect Tutoring ke Satisfaction adalah tidak signifikan, sehingga dapat kita simpulkan bahwa Value menjadi mediasi penuh (full mediation) bagi pengaruh Tutoring ke Satisfaction.
Bagaimana dengan posisi variabel Value pada pengaruh Advising-Satisfaction, silahkan anda dapat coba dan bisa kita diskusikan dengan comment di bawah ini. Terima kasih.
References
Hair, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM). In SAGE Publications,
Partial least squares structural equation modeling (PLS-SEM) merupakan salah satu metode analisis data dan pengembangan model penelitian yang sangat populer (Hair et al., 2017).
Pada tutorial ini kita akan melakukan analisis data statistik PLS-SEM dalam pemrograman R, kali ini saya menggunakan R versi 4.0.1 dengan package SEMinR, package ini termasuk baru, info detail dapat diakses dialamat website-nya, mengacu pada website itu, SEMinR dikembangkan oleh Soumya Ray [aut, ths], Nicholas Patrick Danks [aut, cre], Juan Manuel Velasquez Estrada [aut], James Uanhoro [ctr], Arturo Heynar Cano Bejar [ctr] dan dipublikasikan pada 2020-07-23.
Anda mungkin perlu menginstal terlebih dahulu package SEMinR jika belum terinstal di RStudio anda. Artikel kali ini akan membahas proses PLS-SEM disertai dengan contoh.
3 (tiga) tahapan proses PLS-SEM, sebagai berikut:
Contoh kasus
Pada contoh di bawah ini kita akan membahas contoh dari data file education.csv , saya juga menyediakan data yang sudah dimodifikasi di file ini (educationFull.csv). Jika file educationFull.csv dibuka akan terlihat sebuah sheet yang berisi data hasil observasi pada tiap indikator dari ke-4 variabel Tutoring, Advising, Value, Satisfaction yang akan kita uji dengan model seperti pada gambar di bawah ini yang kita ambil dari tutorial package semPLS yang lalu, di tutorial ini terdapat sedikit kekeliruan pada gambar untuk indikator Value. Secara umum model penelitian kita seperti gambar di bawah ini.
Baris perintah untuk analisis menggunakan SEMinR sebagai berikut:
library(seminr)
#silahkan import data educationFull terlebih dahulu
#kolom di table dataframe harus sesuai nama dan jumlahnya
educate_mm <- constructs(
composite("Advising", multi_items("adv.", c("comp","acces","comm","qual"))),
composite("Tutoring", multi_items("tut.", c("prof","sched","stud","qual"))),
composite("Value", multi_items("val.", c("devel","deci","meet","info"))),
composite("Satisfaction", multi_items("sat.", c("glad","expe","over")))
)
educate_mm <- as.reflective(educate_mm)
#Creating structural model
#path disesuaikan dengan gambar model penelitian
educate_sm <- relationships(
paths(from = "Tutoring", to = c("Value", "Satisfaction")),
paths(from = "Advising", to = c("Value", "Satisfaction")),
paths(from = "Value", to = "Satisfaction")
)
jalankan perintah di atas, kemudian lanjutkan dengan baris perintah di bawah ini,
educate_pls <- estimate_pls(data = educationFull, measurement_model = educate_mm, structural_model = educate_sm) model_summary <- summary(educate_pls) model_summary
jalankan baris program di atas, akan menghasilkan output seperti gambar di bawah ini,
lanjutkan perintah dengan baris di bawah ini, untuk uji Convergent validity dan composite reliability
model_summary$loadings #uji validitas model_summary$reliability #composite reliability
akan menghasilkan output seperti pada gambar di bawah ini,
lanjutkan dengan baris perintah di bawah ini, untuk uji discriminat validity
model_summary$cross_loadings #discriminant validity
akan menghasilkan luaran berikut, tampak nilai cross loading untuk indikator tut.prof, tut.sched, tut.stud, dan tut.qual pada kolom Tutoring memiliki nilai paling besar pada satu kolom tersebut, demikian juga dengan kolom variabel lainnya.
lanjutkan dengan perintah untuk uji kolinieritas, R square dan uji effect f square dengan perintah di bawah ini,
model_summary$vif_items #Uji collinierity model_summary$path #Rsquare model_summary$fSquare #Uji effect
akan menghasilkan tabel di bawah ini,
Tahap akhir yaitu proses bootstraping kita jalankan dengan perintah di bawah ini,
#bootstrap boot_seminr_model <- bootstrap_model(seminr_model = educate_pls, nboot = 1000, cores = 2, seed = NULL) #melihat hasil uji hipotesis/returns a specific confidence interval #using the percentile method as per Henseler et al. (2014). #direct path confidence_interval(boot_seminr_model = boot_seminr_model, from = "Advising", to = "Satisfaction", alpha = 0.05)
yang akan menghasilkan luaran seperti di bawah ini,
tampak bahwa Advising berpengaruh signifikan pada Satisfaction, kita lihat nilai lower percentile (perc.025) dan upper percentiles (perc.975), menurut Guderdan et al. (2008) dan Garson (2016) jika tidak ada nilai 0 di antara range ini maka dapat dikatakan signifikan.
Kita juga bisa melihat hasil uji mediated path dengan perintah di bawah ini,
#mediated path confidence_interval(boot_seminr_model = boot_seminr_model, from = "Advising", through = "Value", to = "Satisfaction", alpha = 0.05)
dengan hasil berikut ini, menunjukkan jalur mediasi Value sebagai mediator bagi pengaruh Advising pada Satisfaction adalah signifikan, kita akan bahas lebih dalam mengenai hal ini di tutorial selanjutnya.
Bagian akhir, kita bisa melihat summary hasil uji bootstraping dengan baris perintah berikut,
#melihat summary lengkap hasil_boot <- summary(boot_seminr_model) hasil_boot
yang akan menghasilkan luaran seperti di bawah ini, tampak dari hasil di bawah ini Tutoring tidak berpengaruh signifikan pada Satisfaction karena ada nilai nol di dalam range nilai lower percentile (perc.025) -0.009 dengan nilai upper percentiles (perc.975) 0.267.
Proses penggunaan package SEMinR di atas dapat dilihat pada video di bawah ini.
References
Partial least squares structural equation modeling (PLS-SEM) merupakan salah satu metode analisis data dan pengembangan model penelitian yang sangat populer (Hair et al., 2017).
Pada tutorial ini kita akan melakukan analisis data statistik PLS-SEM dalam pemrograman R, kali ini saya menggunakan R versi 4.0.1 dengan package semPLS yang dikembangkan oleh Armin Monecke dan Friedrich Leisch yang diluncurkan pada tahun 2013. Anda mungkin perlu menginstal terlebih dahulu package semPLS jika belum terinstal di RStudio anda. Artikel kali ini akan membahas proses PLS-SEM disertai dengan contoh.
3 (tiga) tahapan proses PLS-SEM, sebagai berikut:
Contoh kasus
Pada contoh di bawah ini kita akan membahas contoh dari data file education.csv , saya juga menyediakan data yang sudah dimodifikasi di file ini (educate.xlsx). Jika file educate.xls dibuka akan terlihat 3 sheet seperti gambar di bawah ini,
Seperti biasa, terlebih dahulu kita import data ke dalam R, akan ada 3 sheet yang perlu kita import menjadi 3 buah tabel yang akan kita gunakan. Berikut ini tahapan pemrograman R untuk PLS-SEM, kita memiliki model seperti pada gambar di bawah ini,
dengan inner model dan outer model seperti gambar di bawah ini
Tahap Persiapan Model
Model yang akan kita uji di atas menunjukkan ada 5 hipotesis yang dapat kita uji, ketik baris perintah seperti di bawah ini di RStudio,
#Tahap Persiapan Model
library(lattice)
library(semPLS)
#import 3 table dari file educate.xlsx
#beri nama masing-masing table dengan 'educate', 'TAVSsm' dan 'TAVSmm'
#setup tipe data table educate sebagai datafram, TAVSsm dan TAVSmm matrix
TAVSsm <- as.matrix(TAVSsm)
TAVSmm <- as.matrix(TAVSmm)
educate <- as.data.frame(educate)
#simpan data kedalam file utk digunakan lain waktu
save(TAVSsm, file="TAVSsm.rda")
save(TAVSmm, file="TAVSmm.rda")
save(educate, file="educate.rda")
#memanggil data R yang tersimpan di working directory
load("TAVSsm.rda")
load("TAVSmm.rda")
load("educate.rda")
#Bangun model semPLS
TAVS <- plsm(data = educate, strucmod = TAVSsm, measuremod = TAVSmm)Setelah baris perintah di atas maka di RStudio akan dihasilkan 3 table seperti pada gambar di bawah ini,
lanjutkan dengan baris perintah di bawah ini, untuk melihat hubungan antar indikator dalam setiap variabel, saya beri contoh untuk variabel Tutoring,
#melihat hubungan antar indikator
mvpairs(model = TAVS, data = educate, LVs = "Tutoring")yang akan menghasilkan gambar seperti di bawah ini,
kita lanjutakan dengan baris program di bawah ini,
#menyiapkan format untuk Model Assessment
tavs <- sempls(model=TAVS,data=educate,wscheme="centroid")
tavsakan menghasilkan tampilan pada bagian console window di bawah ini,
Tahap #1 Measurement Model Assessment
*Convergent validity indikator tiap variabel dengan melihat nilai dari outer loading, masukkan baris program berikut,
#convergent validity
tavs$outer_loadings
tabel hasil uji di atas menunjukkan nilai loading dari setiap indikator lebih besar dari 0.7 mengartikan bahwa setiap indikator mampu dengan baik mengukur variabelnya masing-masing.
*Indicator reliability pengujian keeratan hubungan indikator dengan variabel nya melalui communality test, dengan baris program berikut,
#indicator reliability
communality(tavs)
nilai communality di atas 0.5, mengartikan bahwa setiap indikator memiliki hubungan dan reliability yang bagus untuk mengukur variabelnya masing-masing.
*Internal consistency reliability (composite reliability) dengan data rho. Silahkan masukkan baris program di bawah,
#Internal Consistency Reliability
dgrho(tavs)
nilai rho untuk semua variabel lebih besar dari 0.7, hal ini menunjukkan bahwa indikator mewakili dengan baik dan reliabel untuk mengukur variabel masing-masing.
*Discriminant validity dengan data cross loading, menggunakan baris program berikut,
#Discriminant Validity (cross loading)
plsLoadings(tavs)
tabel uji di atas menunjukkan indikator dari setiap variabel mengukur dengan baik variabelnya, terlihat dari tabel cross loading masing-masing variabel lebih tinggi dibanding kolom variabel lainnya, misalnya baris adv.acces dengan nilai 0.86 memiliki nilai paling tinggi dalam satu baris.
*Menggambar jalur model yang diuji, untuk indikator full bisa diisi FALSE atau TRUE, baris program di bawah ini,
#gambar jalur: indikator full = FALSE
library(DiagrammeR)
pathDiagram(tavs, file = "graph_tavs", full = FALSE, edge.labels = "both",output.type = "graphics", digits = 2, graphics.fmt = "pdf")
grViz("graph_tavs.dot")baris program di atas akan menghasilkan file graph_tavs.dot dan tersimpan ke dalam working directory kita.
Kemudian kita buka file tersebut dengan perintah grViz dan akan tampil pada windows viewer di sisi kanan, gambar jalur ini dapat kita simpan kembali sebagai file gambar (png, jpeg, bmp) melalui menu Export.
untuk indikator full = TRUE akan menghasilkan gambar jalur yang lengkap dengan seluruh indikatornya, seperti di bawah ini,
#gambar jalur: indikator full = TRUE
library(DiagrammeR)
pathDiagram(tavs, file = "graph_tavs", full = TRUE, edge.labels = "both",output.type = "graphics", digits = 2, graphics.fmt = "pdf")
grViz("graph_tavs.dot")
Tahap #2 Structural Model Assessment
*Koefisien determinasi R2 dengan baris program di bawah ini,
#Koefisien determinasi R2 dengan perintah di bawah ini
rSquared(tavs)
Nilai R2 dari variabel, misalnya untuk Satisfaction yang besarnya di atas 0.6 menunjukkan bahwa 60% lebih variabel dependent, Satisfaction, telah dapat dijelaskan oleh variabel eksogen-nya.
*Redundancy, kemampuan variabel independent mengukur variasi variabel endogen nya, menggunakan baris program di bawah,
#Redundancy
redundancy(tavs)
nilai redundancy yang semakin besar menunjukkan kemampuan variabel independent semakin mampu mengukur variasi variabel endogen nya.
*the Goodness-of-Fit (GoF) model, dihitung dengan perintah,
#GoF
gof(tavs)
Semakin besar nilai GoF menunjukkan semakin bagusnya kinerja dan kualitas secara umum dari model pengukuran baik inner maupun outer model.
Tahap #3 Bootstrapping
Langkah berikutnya PLS-SEM adalah pengujian bootstraping, dilakukan untuk menguji signifikansi pengaruh dari satu variabel ke variabel lainnya, dengan perintah di bawah ini,
#Bootstrapping
set.seed(123)
tavsBoot <- bootsempls(tavs, nboot = 500, start = "ones", verbose = FALSE)
tavsBootakan menghasilkan,
dilanjutkan baris program,
tavsBootsummary <- summary(tavsBoot, type = "bca", level = 0.95)
tavsBootsummaryakan menghasilkan tabel di bawah ini,
dari pengujian pada tabel di atas tampak bahwa tidak ada nilai 0 di antara lower percentile (perc.025) dan upper percentiles (perc.975), menurut Guderdan et al. (2008) dan Garson (2016) jika tidak ada nilai 0 di antara range ini maka dapat dikatakan signifikan.
Kita lihat contoh pengambilan kesimpulan untuk salah satu hipotesis dari 5 yang kita uji di atas, pengaruh variabel Advising pada Value (beta_1_3) dengan nilai perc.025 dan perc.975 adalah antara 0.2520-0.544, tidak ada nilai 0 di antara range ini, artinya Advising berpengaruh signifikan pada Value.
Tabel hasil uji di atas menunjukkan bahwa secara keseluruhan, dari 5 (lima) pengaruh variabel independent ke variabel dependent adalah signifikan, karena dari kelimanya tidak ada yang memuat nilai 0 di antara range nilai perc.025 dan perc.975.
References
Berikut ini adalah video tutorial penggunaan package semPLS, di video ini dijelaskan setiap tahapan PLS-SEM dijalankan.
Partial Least Squares Path Modeling (PLS-PM) merupakan salah satu metode analisis data statistik yang termasuk di dalamnya mengunakan pendekatan pengolahan data dengan PLS-SEM (Sanchez, 2013). Pengolahan data statistik PLS-PM dalam pemrograman R menggunakan package plspm yang dikembangkan oleh Sanchez beserta tim yang diluncurkan pada tahun 2009. Anda mungkin perlu menginstal terlebih dahulu package plspm jika belum terinstal di RStudio anda. Artikel kali ini akan membahas proses PLS-PM disertai dengan contoh.
3 (tiga) tahapan proses PLS-PM, sebagai berikut:
Contoh kasus
Pada contoh di bawah ini kita akan menggunakan data yang diakses dari website pengembang package plspm, silahkan klik file education.csv atau link alternative untuk mendownload data. Seperti biasa, terlebih dahulu kita import data ke dalam R, akan ada 27 kolom dan 181 data sample pada file education.csv. Berikut ini contoh langkah pemrograman R untuk PLS-PM, kita memiliki model seperti pada gambar di bawah ini,
dengan outer model dan inner model seperti gambar di bawah ini
Tahap Persiapan Model
Ketik baris perintah seperti di bawah ini di RStudio,
#memanggil package plspm > library(plspm) #Menyusun matrik inner model, angka 1 artinya mendapat pengaruh, #contoh: >Satisfaction <- c(1, 1, 1, 0) #artinya variabel Satisfaction mendapat pengaruh dari 3 variabel lain > Advising <- c(0, 0, 0, 0) > Tutoring <- c(0, 0, 0, 0) > Value <- c(1, 1, 0, 0) > Satisfaction <- c(1, 1, 1, 0) #Kita buat matrik "innerMod", #urutan dalam fungsi rbind() sesuai urutan baris matrik di atas > innerMod <- rbind(Advising, Tutoring, Value, Satisfaction) > colnames(innerMod) <- rownames(innerMod) #Jalankan perintah di bawah untuk melihat gambar model kita > innerplot(innerMod, box.size = 0.1)
maka di Windows Plots akan muncul tampilan seperti di bawah ini,
Lanjutkan pemrograman kita dengan perintah di bawah ini,
#Membangun outer model dengan nama "outerMod",
#angka dalam list sesuai urutan kolom dari tabel education
#indikator variabel Advising pada tabel ada pada kolom 6-9
> outerMod <- list(6:9, 10:13, 14:17, 18:20)
#Menyiapkan mode dengan nama modenya
#huruf A, artinya model variabel kita reflective
#angka 4, untuk 4 variabel dalam model kita
> modenya <- rep("A", 4)
#Menjalankan fungsi plspm()
> plskita <- plspm(education,innerMod,outerMod,modes=modenya)
Tahap #1 Measurement Model Assessment
*Unidimensionality, indikatornya dapat di lihat melalui nilai Cronbach alpha, dengan perintah di bawah ini,
> plskita$unidim
dari hasil perintah pada tabel di atas tampak bahwa, nilai Cronbach alpha utk semua variabel lebih besar dari 0.7, hal ini menunjukkan bahwa indikator mewakili dengan baik variabel yang diukurnya.
*Pengujian keeratan hubungan dan reliability indikator dengan variabel nya melalui outer loading dan communality test, dengan perintah di bawah ini,
> plskita$outer_model
tabel hasil uji di atas menunjukkan nilai loading dari setiap indikator lebih besar dari 0.7 dan nilai communality di atas 0.5, mengartikan bahwa setiap indikator memiliki hubungan dan reliability yang bagus untuk mengukur variabelnya masing-masing.
*Pengujian cross-loadings, dengan perintah di bawah ini,
> plskita$crossloadings
tabel uji di atas menunjukkan indikator dari setiap variabel mengukur dengan baik variabelnya, terlihat dari tabel loading masing-masing variabel lebih tinggi dibanding di variabel lainnya, terlihat dari angka-angka yang berada dalam kotak merah, misalnya baris adv.acces dengan nilai 0.8566 memiliki nilai paling tinggi dalam satu baris.
Hasil pengolahan data dapat kita lihat dalam bagan model kita dengan perintah di bawah ini,
> plot(plskita)
yang akan menampilkan gambar di windows Plot seperti pada gambar bawah ini ,
Tahap #2 Structural Model Assessment
*Persamaan regresi tiap variabel endogen, dengan perintah di bawah ini,
> plskita$inner_model
*Koefisien determinasi R2, dengan perintah di bawah ini,
> plskita$inner_summary
Nilai R2 dari variabel Satisfaction yang besarnya di atas 0.6 menunjukkan bahwa 60% lebih dependent telah dapat dijelaskan oleh variabel independent-nya.
*Redundancy, dihitung dengan yang sama untuk R2 di atas, nilai mean_redundancy yang semakin besar menunjukkan kemampuan variabel independent semakin mampu mengukur variasi variabel endogen nya.
*the Goodness-of-Fit (GoF) model, dihitung dengan perintah,
> plskita$gof [1] 0.6190682
Semakin besar nilai GoF menunjukkan semakin bagusnya kinerja dan kualitas secara umum dari model pengukuran baik inner maupun outer model.
Tahap #3 Bootstrapping
Langkah berikutnya PLS-PM adalah pengujian bootstraping, dilakukan untuk menguji signifikansi pengaruh dari satu variabel ke variabel lainnya, dengan perintah di bawah ini,
> bootstrapnya= plspm(education,innerMod,outerMod,modes=modenya,boot.val=TRUE,br=200) > bootstrapnya$boot$paths
dari pengujian pada tabel di atas tampak bahwa tidak ada nilai 0 di antara lower percentile (perc.025) dan upper percentiles (perc.975) menurut Guderdan et al. (2008) dan Garson (2016) jika tidak ada nilai 0 di antara range ini maka dapat dikatakan signifikan, kita lihat salah satu pengaruh variabel Advising pada Value dengan nilai perc.025 dan perc.975 adalah antara 0.2555-0.5228, tidak ada nilai 0 di antara range ini, artinya Advising berpengaruh signifikan pada Value, dari tabel di atas dapat dikatakan bahwa 5 (lima) arah pengaruh dari variabel independent ke variabel dependent adalah signifikan.
References:
data dapat didownload di link ini
Halo semua, tutorial kali ini adalah bagaimana melakukan regresi linier sederhana dan regresi linier berganda dengan pemrograman R kita sertai dengan contohnya.
Contoh #1
Data untuk video di atas dapat didownload di link ini.
Contoh #2
Contoh #2 ini kita akan menggunakan data yang berasal dari penelitian kami yang di terbitkan di Jurnal Manajemen dan Kewirausahaan, silahkan download data tabel12reg.xlsx. Seperti biasa kita akan melakukan import data ke dalam RStudio terlebih dahulu sebelum memulai pengaolahan data. Model regresi kita adalah seperti pada gambar di bawah ini,
Langkah pertama adalah dapat kita lakukan perintah operasi regresi linier sederhana dan berganda dari data kita dan model gambar di atas sebagai berikut,
Menyusun model Regresi Linier Sederhana
Misal persamaan regresi linier sederhana kita adalah:
SMP = a + b.KM + e
di mana a adalah konstanta dan b koefisien regresi, nama variabel yang akan kita gunakan dalam perintah R harus sesuai dengan nama kolom dalam tabel12reg kita, maka perintah nya seperti di bawah ini,
> regModelku <- lm(SMP~KM, data = table12reg)
Menyusun model Regresi Linier Berganda
Misal persamaan regresi linier berganda kita adalah:
SMP = a +b1.KM + b2.CI + e
di mana a adalah konstanta, b1 dan b2 adalah koefisien regresinya, nama variabel yang akan kita gunakan dalam perintah R harus sesuai dengan nama kolom dalam tabel12reg kita, maka perintah nya seperti di bawah ini,
> regModelku <- lm(SMP~KM+CI, data = table12reg)
Uji Asumsi Regresi Linier
Sebelum membahas hasil uji regresi linier berganda kita perlu melakukan uji asumsi regresi linier untuk menguji normalitas, multikolinieritas, heterokedastisitas, autokorelasi dan linieritas dari model regresi kita.
Uji asumsi Normalitas
Pengujian residual dari model regresi apakah berdistribusi normal maka dilakukan uji Normalitas, dengan perintah di bawah ini,
> par(mfrow=c(2,2)) > plot(regModelku)
maka di windows Plot akan muncul grafik seperti di bawah ini,
Kita lihat pada grafik Normal Q-Q (pojok kanan atas) menunjukkan point-point data berada disekitar garis lurus, maka dapat dikatakan terdistribusi normal, sehingga dapat dikatakan model regresi memenuhi asumsi Normalitas.
Uji asumsi Multikolinieritas
Pengujian korelasi antar variabel independent untuk melihat tidak adanya korelasi erat antar variabel independent dapat dilakukan melihat nilai VIF dengan perintah vif() dalam package car (anda mungkin perlu menginstal terlebih dahulu package ini), seperti di bawah ini,
> library(car)
> vif(regModelku)
KM CI
1.529073 1.529073
kita lihat bahwa nilai VIF untuk KM dan CI berada di bawah 2, maka dapat dikatakan tidak terjadi Multikolinieritas dan model kita memenuhi asumsi Multikolinieritas.
Uji asumsi Heteroskedastisitas
Mengukur apakah terjadi ketidaksamaan varians residual (Heteroskedastisitas) dari data-data pengukuran dapat kita lakukan dengan melihat sebaran pada grafik Residuals vs Vitted dengan perintah yang sama pada uji Normalitas.
> par(mfrow=c(2,2)) > plot(regModelku)
maka di windows Plot akan muncul grafik seperti di bawah ini,
kita lihat pada grafik Residuals vs Fitted (pojok kiri atas) bahwa data-data tersebar dan tidak membentuk satu pola tertentu, sehingga dapat dikatakan tidak terjadi perbedaan varians residual dan model kita memenuhi uji asumsi Heteroskedastisitas.
Uji asumsi Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah ada pengaruh dari data terdahulu kepada data yang baru, uji ini dilakukan untuk data time series, dengan menggunakan perintah dwtest() dalam package lmtest (anda mungkin perlu menginstal terlebih dahulu package ini) dengan perintah di bawah ini,
> library(lmtest) > dwtest(regModelku) Durbin-Watson test data: regModelku DW = 1.9522, p-value = 0.3891 alternative hypothesis: true autocorrelation is greater than 0
dari hasil uji di atas, dengan nilai Durbin-Watson test p-value lebih dari 0.05 maka dapat dikatakan bahwa tidak terjadi pengaruh antar data sebelum dan terbaru, dapat dikatakan asumsi tidak ada Autokorelasi antar data model regresi terpenuhi.
Uji asumsi Linieritas
Pengujian hubungan linier antara variabel dependent dan independent dilakukan untuk memenuhi asumsi adanya hubungan linier antar variabel tersebut, dengan perintah crPlots() dari package conf (anda mungkin perlu menginstal terlebih dahulu package ini) di bawah ini,
> library(conf) > crPlots(regModelku)
maka di windows Plot akan muncul grafik seperti di bawah ini,
dari grafik di atas tampak bahwa posisi 2 (dua) garis warna berbeda (garis putus-putus dan garis sambung) berada pada posisi yang hampir berdempet, artinya variabel independent memiliki linieritas dengan variabel dependent, dapat dikatakan asumsi Lineritas model regresi terpenuhi.
Membaca hasil Regresi Linier Berganda
Tahap akhir dari proses regresi linier berganda adalah intepretasi hasil nya dapat dilakukan dengan perintah di bawah ini,
> summary(regModelku)
Call:
lm(formula = SMP ~ KM + CI, data = table12reg)
Residuals:
Min 1Q Median 3Q Max
-6.8578 -0.9147 0.0728 1.0631 5.1673
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.35207 0.82306 1.643 0.10265
KM 0.10416 0.03865 2.695 0.00789 **
CI 0.74446 0.07008 10.622 < 2e-16 ***
Signif. codes:
0 '***' 0.001 '**' 0.01 '*' 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 2.005 on 142 degrees of freedom
Multiple R-squared: 0.6235, Adjusted R-squared: 0.6182
F-statistic: 117.6 on 2 and 142 DF, p-value: < 2.2e-16
dari tabel hasil uji di atas didapat persamaan regresi linier berganda kita adalah
SMP = 1.35207 + 0.10416KM + 0.74446CI + e
Kita dapat menyatakan hasil pengujian model regresi linier berganda di atas bahwa pengaruh KM dan CI ke SMP adalah signifikan dengan nilai p-value pada kolom Pr(>|t|) lebih kecil dari 0.05, setiap peningkatan satu satuan KM akan memberikan peningkatan sebesar 0.104 pada SMP, dan setiap peningkatan satu satuan pada CI akan memberikan peningkatan sebesar 0.744 pada SMP. Model kita memiliki nilai Adj. R2 sebesar 0.6182 atau variabel KM dan CI mampu menjelaskan 61.82% dari faktor-faktor yang mempengaruhi SMP. Pada uji F-statistic didapat p-value < 2.2e-16 jauh lebih kecil dari 0.05 menunjukkan model regresi sangat baik.