DASHBOARD REGRESI LINEAR BERGANDA MENGGUNAKAN R-STUDIO

18

DASHBOARD REGRESI LINEAR BERGANDA MENGGUNAKAN R-STUDIO

Mike Prastuti¹, I Putu Eka Widya Pratama², Diandra Soja Anjani¹, Cindy Martha Sari¹, Indah Ayu Lestari ¹, Dea Arum Putri Febylianti ¹, Zahtira Annisa¹

1Departemen Statistika Bisnis, Fakultas Vokasi, Institut Teknologi Sepuluh Nopember (ITS)

1Departemen Teknik Instrumentasi, Fakultas Vokasi, Institut Teknologi Sepuluh Nopember (ITS) e-mail: mike.prastuti@gmail.com

Abstrak – Penelitian ini merupakan gagasan teknologi yang berkaitan dengan perancangan dan implementasi dashboard menggunakan software R-studio untuk melakukan analisis regresi linear berganda. Penduduk Indonesia serta sebagian besar penduduk di dunia menggunakan beras sebagai bahan makanan utama mereka. Beras di Indonesia menempati posisi pertama sebagai bahan pangan pokok yang akan terus dibutuhkan manusia setiap saat bahkan dalam sepanjang waktu. Bila terdapat pergerakan harga yang terus meningkat karena ketidakseimbangan permintaan serta kebutuhan maka masyarakat dengan kelas ke bawah hingga menengah menjadi pihak yang paling terkena akibat peningkatan harga tersebut.Regresi linear berganda diperlukan pada penelitian ini yaitu suatu metode analisis dan juga sebagai estimasi model untuk harga beras. Regresi linear berganda adalah metode yang digunakan untuk mengetahui adanya hubungan antara dua atau lebih peubah prediktor pada peubah respon Tujuan pembuatan aplikasi ini adalah mempermudah masyarakat untuk menganalisis dan mendapatkan informasi mengenai estimasi harga beras dengan menggunakan dashboard regresi linear berganda. Tujuan penelitian yang dilakukan berdasarkan regresi linear berganda adalah untuk mendapati pengaruh beberapa peubah bebas terhadap peubah tidak bebas.

Kata Kunci: Dashboard, Regresi Linear Berganda, R-Studio, R-Shiny, Harga Beras.

PENDAHULUAN

Negara Indonesia serta sebagian besar penduduk di segala dunia, namun yang paling utama bagi Indonesia adalah menggunakan beras selaku bahan makanan utamanya. Beras di Indonesia berada di posisi selaku bahan pangan pokok hendak terus diperlukan manusia dalam sepanjang waktu.

Bila terdapat pergerakan harga yang terus menjadi meningkat karena ketidakseimbangan permintaan serta penawaran maka masyarakat dengan kelas ke bawah hingga menengah menjadi pihak yang paling terkena akibat peningkatan harga tersebut (Afrianto, 2010). Mengkonsumsi beras Indonesia menduduki peringkat satu dunia. Tingginya mengkonsumsi beras di Indonesia serta padi yang menyangkut penghidupan lebih dari setengah masyarakat di Indonesia, telah mengambil kesimpulan bahwa betapa pentingnya beras bagi negeri Indonesia. Tidak cuma dengan mengkonsumsi beras, produksi beras pula sangat mempengaruhi untuk Indonesia.

Beras diproduksi di Indonesia ialah aspek faktor utama dalam upaya penuhi kebutuhan pangan. Konsumsi beras yang stabil serta meningkat sejauh tahun, sedangkan produksi beras yang terus naik turun menjajaki pola tanam (BPS, 2000). Luas panen merupakan salah satu bagian untuk mengukur hasil dari tingkat produksi beras, sebab luas panen secara tidak langsung hendak berpengaruh kepada tingkat produksi beras.

Meningkat ataupun kurangnya luas panen akan berpengaruh terhadap harga beras. Harga beras hendak alami penyusutan kala produksi melimpah

pada musim panen sehingga petani dapat dirugikan, serta kebalikannya harga beras hendak naik dikala defisit konsumen akan dirugikan maka harga beras hendak melonjak setiap tahun (Sudjana, 1996).

Penelitian ini menggunakan software R Studio untuk menganalisis data. JJ Allaire adalah seseorang yang mendirikan R-Studio, seorang pencipta bahasa pemrograman ColdFusion. R-Studio merupakan sebuah sistem aplikasi Integrated Development Environment untuk open source serta free untuk R, bahasa pemrograman untuk komputasi maupun grafik. Software R-Studio terdiri dalam dua jenis yaitu R-studio desktop dan program R-studio browser. Software R-studio dapat dijalankan secara lokal sebagai aplikasi dekstop biasa, dapat diakses di desktop mana saja seperti Windows, Mac dan Linux. Selain itu, program R- Studio juga dapat diakses melalui browser yang terhubung langsung ke R-Studio server Sering berkembangnya jaman, RStudio juga mengalami perkembangan dalam hal keahlian R sebagai bahasa program jadi jauh lebih meluas. Salah satu perkembangan RStudio adalah kita dapat membuat aplikasi web interaktif atau dashboard dengan paket dari shiny. Shiny adalah suatu perangkat kerja yang dapat digunakan untuk membuat sebuah aplikasi berbasis website. Shiny merupakan sebuah package dari Website Based framework digunakan dalam bahasa program R. Shiny yang kerap digunakan karena sederhana dan mudah dipakai serta dikembangkan dengann membuat aplikasi dasar website yang mudah dan menarik. R-Shiny mempunyai komponen yang dibagi menjadi dua

kelompok yaitu sebagai berikut (Tirta, 2014). Bagian pertama adalah server, Server pada shiny dapat dikatakan sebagai otak atau hal utama untuk program dengan fungsi sebagai simulator, bermacam-macam analisis data yang tepat dengan pilihan user serta hasil analisis akan dikirim ke bagian output. Bagian ini ditampilkan bermacam- macam prosedur guna olah data yang dianalisis biasanya sudah terdapat pada bermacam-macam jenis package dari R Studio. Script Server dapat disimpan untuk pemberian nama server atau tergantung peneliti. Manfaat dari user interface adalah terdapat panel untuk mengatur masukan yang berupa data maupun variabel dan model, yang nanti akan tergantung dengan kerumitan materi yang disebut Kontrol Panel. Data yang digunakan sering memiliki berbagai jenis variabel sehingga dilakukan pemilihan model, kriteria maupun jenis pada pengujian statistika pemasukan permintaan nilai input sehingga didapatkan hasil output yang maksimal. Luaran dapat disajikan pada hasil analisis/uji dapat dalam bentuk angka atau teks, bisa dalam bentuk grafik, data juga dapat berbentuk asli maupun tabel, teks special dengan notasi matematika.

Regresi linear berganda digunakan pada penelitian ini sebagai metode analisis. Regresi linear berganda digunakan pada metode analisis agar mendapati adanya hubungan antara dua atau lebih peubah prediktor terhadap peubah respon (Fotheringham dkk, 2002). Bila asumsi-asumsi klasik terpenuhi dalam metode kuadrat terkecil sehingga akan mendapat penduga parameter yang bersifat Best Linear Unbiased Estimation (BLUE) (Gujarati, 2004). Target luaran dari penelitian ini yaitu terciptanya dashboard regresi linear berganda dengan R-studio. Agar peneliti maupun masyarakat yang masih awam mengenai seberapa berpengaruhnya peubah prediktor pada variabel respon serta dilakukan pengecekan terhadap uji asumsi terhadap regresi linear berganda agar dapat mengestimasi harga beras bisa menggunakan aplikasi ini dengan variabel-variabel lainnya.

METODOLOGI A. Sumber Data

Sumber data pada penelitian ini adalah menggunakan data sekunder yang didapatkan dari Portal E-Publikasi Kementrian Pertanian Republik Indonesia yang diambil pada Kamis, 6 Mei 2021 di Surabaya.

B. Variabel Penelitian

Penelitian ini menggunakan beberapa variabel yang dapat dilihat melalui tabel berikut.

Tabel 2. Variabel Penelitian

Variabel Keterangan Skala Satuan Y Harga Beras Rasio Rupiah X1 Produksi Beras Rasio Juta Ton X2 Konsumsi Beraas Rasio Juta Ton X3 Luas Panen Rasio Ribu Ha C. Langkah Pengerjaan

Pembuatan dashboard regresi linear berganda menggunakan R-studio untuk percobaan menggunakan data beras. Regresi linear berganda menjadi metode yang dipakai dalam pengerjaan penelitian ini. Penjelasan lengkap mengenai metode yang dipakai dapat dilihat sebagai berikut.

1. Identifikasi Masalah

Identifikasi permasalahan yang ada dicoba untuk mengetahui masalah yang ada dan terjadi pada saat ini dimaksudkan untuk mengetahui secara langsung kondisi asli dari objek yang diteliti.

Kebanyakan makanan pokok masyarakat Indonesia adalah beras dan pada portal pertanian diketahui bahwa harga beras mengalami fluktuasi sehingga dilakukan perhitungan harga beras berdasarkan (X1) produksi beras, (X2) konsumsi beras dan (X3) luas panen. Output dari kegiatan ini adalah estimasi model untuk data harga beras pada tahun mendatang.

2. Pengolahan Data

Dilakukan pengolahan data pada penelitian pembuatan dashboard regresi linear berganda menggunakan r-studio dengan cara menerapkan persamaan-persamaan untuk menghitung harga beras pada tahun mendatang dengan regresi dan estimasi model. Data dimasukkan kedalam Microsoft Excel sesuai dengan variabelnya.

3. Analisa Data

Melakukan analisa data apabila data sudah diolah dan disimulasi menggunakan metode yang sudah ditentukan.

4. Perancangan Dashboard

Perancangan dashboard merupakan proses integrasi dari 3 poin di atas sehingga dashboard dapat berjalan sesuai dengan rencana. Perancangan dashboard dengan dengan r-studio melalui fitur r- shiny.

5. Mendesain Dashboard

Desain dashboard dibuat sangat sederhana namun terlihat menarik agar pembaca mudah memahami website yang dibuat dan pembaca juga mudah memahami hasil output.

20 6. Uji Coba

Melakukan Uji coba pada dashboard untuk mengetahui hasil dari proses perancangan dashboard, dengan melihat output dari data yang digunakan. Sebelum proses uji coba dilakukan, maka perlu dilakukan pengecekan ulang dan untuk mengantisipasi kemungkinan error yang terjadi. Jika hasil yang didapat belum sesuai kriteria maka dilakukan evaluasi terhadap perancangan dashboard.

7. Analisa Hasil

Setelah uji coba yang dilakukan berhasil, maka langkah selanjutnya adalah memberikan analisa terhadap hasil uji coba.

8. Kesimpulan

Menguraikan secara ringkas tentang permasalahan yang diangkat dan solusinya serta analisa yang dihasilkan dari dashboard yang sudah dibangun.

HASIL DAN PEMBAHASAN A. Luaran

Target luaran dari penelitian ini yaitu terciptanya model prediksi harga beras di Indonesia menggunakan Dashboard Regresi Linear Berganda dengan software R-studio. Selain itu sejalan dengan luaran yang diharapkan ITS melalui penelitian ini dihasilkan jurnal nasional dan Poster.

1. Nama Aplikasi

Aplikasi yang dibuat adalah laman Dashboard menggunakan R-studio mengenai analisis regresi linear berganda mengenai beberapa faktor apa saja yang berpengaruh pada harga beras Indonesia dengan nama “Dashboard Regresi Linear Berganda”.

2. Hasil Aplikasi

Berikut merupakan hasil analisis dari laman dashboard yang kami buat mengenai hasil regresi beberapa faktor apa saja yang memberikan pengaruh pada harga beras Indonesia beserta tampilan dashboard yang dibuat.

Gambar 1. Dataset Input Data

Gambar 1 di atas merupakan tampilan awal dari dashboard regresi. Data yang digunakan adalah data dengan format CSV (Comma Separated Values). Fungsi separator diugnakan untuk pemisah data agar data menjadi rapi, separator disesuaikan dengan laptop pengguna terdapat coma, semicolon maupun tab. Fungsi header bertujuan untuk menampilkan data yang diinginkan, dapat memunculkan sebagian data atau seluruh data.

Gambar 2. Karakteristik Data

Gambar 2 di atas menunjukkan karakteristik data pada data yang diinputkan yaitu variabel X1

adalah produksi beras, variabel X2 adalah konsumsi beras, variabel X3 luas panen, serta variabel responnya adalah harga beras. Produksi beras memiliki rata-rata sebesar 866,9, konsumsi beras memiliki rata-rata sebesar 3,141, luas panen memiliki rata-rata sebesar 3,016, sedangkan harga beras memiliki rata-rata sebesar 12511.

Gambar 3. Hasil Regresi

Gambar 3 di atas merupakan Tab Summary yang menunjukkan hasil regresi pada data produksi beras, konsumsi beras, luas panen dan harga beras.

Hasil regresi meliputi model, uji parsial maupun uji serentak terhadap parameter regresi. Melakukan perihal awal yaitu memasukkan variabel yang akan diujikan pada perintah enter variabel independen 1, enter variabel independen 2, enter variabel independen 3 dan enter variabel dependen. Nama variabel yang diinput harus sesuai pada nama variabel pada Microsoft Excel sebab apabila nama variabel tidak tepat sehingga tidak akan terdapat hasil regresi yang muncul. Diperoleh model untuk regresi data beras adalah sebagai berikut.

𝑌 = 11684,5285 − 569,2528𝑋₁+ 675,4490𝑋₂ + 0,6659𝑋₃

Pada uji serentak didapatkan hasil bahwa terdapat minimal 1 variabel yang mempengaruhi terhadap harga beras. Dilanjutkan dengan uji parsial dilakukan agar mengetahui variabel prediktor mana yang mempengaruhi harga beras serta hasilnya adalah variabel X1 yaitu produksi beras, X2 yaitu konsumsi beras, serta X3 yaitu luas panen mempengaruhi secara signifikan terhadap harga beras.

Model tersebut menunjukkan jika produksi bertambah satu satuan dengan variabel konsumsi beras dan luas panen diasumsikan konstan maka harga mengalami penurunan sebesar 569,2528. Jika konsumsi beras bertambah satu dengan variabel produksi beras dan luas panen diasumsikan konstan maka harga beras mengalami kenaikan sebesar 675,4490. Jika luas panen bertambah satu Ribu Ha satuan luas panen dengan variabel produksi beras dan konsumsi beras diasumsikan konstan maka harga beras mengalami kenaikan sebesar 0,6659.

Serta harga beras akan bernilai sebesar 11684,5285 jika semua variabel bernilai 0. Didapatkan nilai R² sebesar 87,96% yang artinya pada model tersebut variabel prediktor mampu menjelaskan 87,96 % dari variabel respon dan 12,04% sisanya dijelaskan oleh variabel prediktor yang lain diluar model.

Gambar 4. Korelasi

Gambar 4 menunjukkan hasil korelasi antara variabel harga beras dengan variabel (X1) produksi beras adalah -0,213 maka variabel produksi beras mempunyai korelasi yang lemah negatif terhadap harga beras. Hubungan variabel harga beras dengan variabel (X2) konsumsi beras adalah 0,768 yang maka konsumsi beras terdapat korelasi yang kuat positif. pada variabel harga beras. Hubungan variabel harga beras dan variabel (X3) luas panen adalah 0,599 maka artinya luas panen berkorelasi sedang positif terhadap harga beras.

Gambar 5. Asumsi Regresi

Gambar 5 menunjukkan hasil pengujian asumsi klasik regresi linear berganda. Hasil pengujian asumsi distribusi normal memenuhi asumsi. Hasil pengujian asumsi independen memenuhi asumsi dan residual tidak terdapat autokorelasi. Hasil pengujian asumsi identik memenuhi asumsi dan residual tidak terdapat heterokedastisitas. Hasil pengujian asumsi tidak terdapat multikolinearitas. Maka model yang diapatkan tidak bias dan bisa digunakan untuk mengestimasi dan memprediksi harga beras pada tahun berikutnya.

PENUTUP Kesimpulan

Hasil pengujian serentak yaitu terdapat minimal 1 variabel yang berpengaruh terhadap harga beras. Hasil pengujian parsial menunjukkan variabel konsumsi beras, produksi, serta luas panen padi terdapat pengaruh yang signifikan pada harga beras. Residual model regresi linear berganda harga beras memenuhi asumsi independen, asumsi identik dan asumsi distribusi normal. Residual model regresi linear berganda harga beras tidak terdapat autokorelasi. Hasil pengujian asumsi tidak terdapat multikolinearitas. Maka model yang diapatkan tidak bias dan bisa digunakan untuk mengestimasi dan memprediksi harga beras pada tahun berikutnya.

Saran

Saran untuk peneliti bagi penelitian berikutnya bersumber pada penelitian yang telah dilakukan adalah hendaknya lebih, teliti dan akurat dalam mencari data dan membuat dashboard serta menambahkan keterangan dan bahasa yang dapat dipahami oleh semua orang untuk dashboard website agar pembaca dapat memahami hasil analisisnya. Saran bagi pembaca dan instansi terkait bisa mengaplikasikan dashboard regresi linear berganda.

22 DAFTAR PUSTAKA

Afrianto, D. (2010). Skripsi: Analysis of the Effect of Rice Stock, Harvest Area, Average Production, Rice Price, and Total Rice Consumption on Food Security in Central Java. Semarang: UNDIP.

BPS (Badan Pusat Statistik). (2000). Neraca Bahan Makanan Indonesia 1998-1999. Jakarta: Badan Pusat Statistik.

Fotheringham, A. S., et. al. (2002). Regresi Berbobot Geografis: Analisis Hubungan Variasi Spasial. New York: John Wiley & Sons.

Gujarati, D. N. (2004). EKonomi Dasar, Edisi 4. New York:

The McGraw-Hill Companies.

Sudjana. (1996). Teknik Analisis Regresi Linear Beserta Korelasi. Bandung: Tarsito.

Sumadireja, Imron & dkk. (2020). Optimasi Nilai Pendapatan Pada PT. XYZ Menggunakan Algoritma Genetika. Bandung: Informatics Research Center.

Tirta, IM. (2014). Presentasi dan Pengolahan Data menggunakan Aplikasi R. Jember: UNEJ.

---