ANALISIS REGRESI LANJUTAN ANALISIS REGRESI DENGAN PEUBAH DUMMY

Oleh :

1. Agustin Dina Iriani (105090504111005)

2. Arista Febry Pratiwi (105090507111001)

3. Sinta Ratna Dewi (105090507111005)

4. Tiara Rizki Arina Putri (105090507111009)

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS BRAWIJAYA

MALANG

2013

BAB I

PENDAHULUAN

1.1 Latar Belakang

Seringkali kita dihadapkan pada permasalahan pemodelan regresi yang diambil

dari dua populasi yang berbeda. Ketika karakteristik populasi tersebut tidak sama,

maka akan sangat beresiko jika kita tidak membedakan antara populasi satu dengan

lainnya. Permasalahan seperti ini dapat diatasi dengan penambahan peubah dummy

pada peubah prediktornya.

Regresi dengan peubah dummy telah banyak diaplikasikan dalam berbagai

pemodelan regresi, baik dibidang ekonomi maupun sosial. Tidak hanya untuk

membedakan dua sampel yang berbeda, tetapi bisa juga digunakan untuk membedakan

karakteristik yang diberikan oleh peubah kualitatif maupun membedakan kondisi yang

dianggap memberikan pengaruh terhadap peubah respon. Misalnya, Sappington (1970)

memodelkan harga kentang dengan membedakan kelompok ukurannya yaitu besar,

sedang dan kecil. Hasilnya, selain dipengaruhi oleh berat dari kentang tersebut,

ternyata ukuran kentang juga berpengaruh secara signifikan terhadap harga.

Wahyuningsih (2003) membedakan nilai perdagangan saham pertanian di bursa efek

Jakarta sebelum dan sesudah krisis. Hasil penelitiannya menunjukkan bahwa peubah

dummy yang diberikan oleh 1 = sesudah krisis dan 0 = sebelum krisis memberikan

hasil estimasi parameter yang signifikan. Sehingga dapat disimpulkan bahwa model

regresi sebelum dan sesudah krisis berbeda. Sedangkan Kurniawan (2007)

membandingkan penjualan dari perusahaan swasta asing dan swasta nasional.

Gaji karyawan merupakan salah satu indikator kesejahteraan karyawan baik

untuk membeli keperluan pribadi maupun bukan keperluan pribadi yang banyak

dipengaruhi oleh banyak hal. Beberapa faktor yang diduga berpengaruh terhadap besar

kecilnya gaji karyawan antara lain: masa kerja karyawan dan tingkat pendidikan. Oleh

karena itu, dalam makalah ini akan dibahas apakah faktor-faktor tersebut benar-benar

berpengaruh terhadap besarnya gaji karyawan. Studi kasus dilakukan pada data gaji

karyawan di suatu perusahaan. Dalam makalah ini juga akan diuji apakah ada

perbedaan antara model tingkat pendidikan karyawan untuk lulusan SMA, S1 dan S2

di mana dengan menggunakan peubah dummy.

2

1.2 Rumusan Masalah

Masalah yang terkait dalam makalah ini adalah :

1. Bagaimana menguji jika peubah prediktor berskala ordinal ?

2. Apakah yang dimaksud analisis regresi dengan peubah dummy ?

3. Kapan analisis regresi dengan peubah dummy digunakan ?

4. Bagaimana menerapkan peubah dummy dalam penelitian ?

1.3 Batasan Masalah

Batasan dalam penulisan makalah ini adalah pada penggunaan peubah dummy

dalam kasus regresi berganda. Sedangkan software yang digunakan untuk analisis

regresi berganda dengan peubah dummy dibatasi pada penggunaan software SPSS

16.0.

1.4 Tujuan

Tujuan dari penulisan makalah ini adalah :

1. Untuk mengetahui analisis yang digunakan jika peubah prediktor berskala ordinal.

2. Untuk mengetahui definisi peubah dummy.

3. Untuk mengetahui kapan analisis regresi dengan peubah dummy digunakan.

4. Untuk mengetahui aplikasi dari peubah dummy.

3

BAB II

TINJAUAN PUSTAKA

Regresi, suatu teknik yang sangat luas penggunaannya, sangat terkenal, namun juga

sangat menakutkan. Menakutkan karena keterkenalannya, di tangan yang salah regresi bisa

jadi alat yang sangat mudah dipakai namun juga dengan kesalahan yang mudah

dipraktekkan. Sangat cepat dipakai, namun hal tersebut juga berarti bisa salah dengan cepat

di tangan yang tidak berpengalaman. Regresi sangat sering dipakai, namun juga sangat

sering dipakai secara tidak benar. Seperti semua teknik dalam statistika, if you fit a silly

model, you will get silly result.

Analisis regresi berkenaan dengan studi ketergantungan suatu peubah tak bebas pada

satu atau lebih peubah bebas (explanatory variable), dengan maksud menduga nilai rata-

rata peubah tak bebas. Secara umum, model regresi sederhana dapat dituliskan dalam

bentuk :

(1)

di mana adalah peubah tak bebas, adalah peubah penjelas, menunjukkan nilai

intercept, menunjukkan koefisien regresi dan adalah sisaan.

Dengan analisis regresi, akan diketahui peubah independen yang benar-benar

signifikan mempengaruhi peubah dependen dan dengan peubah independen yang

signifikan tadi dapat digunakan untuk memprediksi nilai peubah dependen. Model regresi

sesungguhnya mengasumsi kan bahwa terdapat hubungan antara peubah dependen dengan

setiap peubah independen (Washington, 2003).

Regresi linear adalah suatu teknik dalam statistika untuk menentukan persamaan

garis secara linear yang dapat meminimasi penyimpangan dan deviasi antara nilai data

yang didapat dari observasi dengan yang didapat dari suatu persamaan regresi. Dalam

regresi linear, terdapat dua macam peubah yaitu (Rencher, 2000) :

1. Peubah X atau independent variable1 adalah peubah yang nilainya tidak tergantung

pada peubah lainnya. Peubah ini memiliki nilai yang sudah pasti (tidak random) dalam

suatu eksperimen.

4

2. Peubah Y atau dependent variable adalah peubah yang nilainya tergantung pada

peubah lainnya yaitu peubah independen. Peubah ini memiliki nilai yang random

dalam suatu eksperimen.

Jika pasangan observasi pengukuran (Xi,Yi) digambarkan, maka kita akan

memperoleh serangkaian titik-titik koordinat yang menghubungkan kedua hasil observasi

yang disebut dengan scatter diagram. Garis yang ditarik melalui titik-titik koordinat hasil

dari suatu observasi dinamakan regression line (Wahyuningsih, 2003).

2.1 Analisis Regresi Berganda

Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan

antara peubah respon (peubah dependen) dengan faktor-faktor yang mempengaruhi

lebih dari satu peubah prediktor (peubah independen). Regresi linier berganda hampir

sama dengan regresi linier sederhana, hanya saja pada regresi linier berganda peubah

bebasnya lebih dari satu peubah penduga. Tujuan analisis regresi linier berganda

adalah untuk mengukur intensitas hubungan antara dua peubah atau lebih dan

membuat prediksi perkiraan nilai Y atas X (Rencher, 2000).

Dengan cara menggeneralisasi persamaan (1), maka untuk regresi dengan k

peubah bebas diformulasikan sebagai berikut :

(2.a)

atau jika dituliskan dalam bentuk matriks :

(2.b)

dengan :

, , dan

di mana,

= vektor kolom observasi dari peubah tak bebas

5

= matriks yang memberikan observasi atas peubah sampai

dengan , kolom pertama yang terdiri atas angka 1 menunjukkan intersep

= vektor kolom dari parameter yang tidak diketahui , , … ,

= vektor kolom dari sisaan

Ada beberapa asumsi yang harus dipenuhi pada regresi linier berganda, antara

lain (Kutner, 2004 dan Gujarati, 1978) :

1. Nilai rata-rata sisaan adalah nol, = 0, untuk tiap .

2. Varians sisaan adalah konstan atau homoskedastisitas, = , .

3. Tidak ada autokorelasi dalam sisaan, cov = 0.

4. Peubah penjelas adalah nonstokhastik atau tetap (fixed) dalam penyampelan

berulang.

5. Tidak ada multikolinearitas diantara peubah penjelas.

6. Sisaan berdistribusi normal .

2.2 Penaksiran Parameter

Untuk menaksir parameter dalam model regresi, maka dapat digunakan metode

ordinary least square (OLS). Metode ini tidak membutuhkan asumsi distribusi

tertentu. Prinsip dasar dalam OLS adalah meminimumkan jumlah kuadrat sisaan. Dari

persamaan (2.b), sisaan dapat dinyatakan sebagai (Gujarati, 1978) :

(3)

dan kuadrat sisaan dinyatakan dengan

6

(4)

Untuk mendapatkan taksiran yang meminimumkan dilakukan dengan

menurunkan terhadap sehingga :

(5)

sehingga diperoleh persamaan normal :

(6)

Dengan menyelesaikan persamaan (6) diperoleh:

(7)

Untuk memenuhi persamaan (7) masih diperlukan syarat cukup yaitu harus

merupakan keluarga matriks simetris definit positif.

2.3 Regresi dengan Peubah Dummy

Dalam analisis regresi, seringkali peubah respon tidak hanya dipengaruhi oleh

peubah yang bersifat kuantitatif, tetapi bisa juga dipengaruhi oleh peubah yang bersifat

kualitatif. Peubah yang bersifat kualitatif seperti : jenis kelamin, suku, agama, kejadian

politik, dan lain-lain tersebut perlu di buat kuantitatif dengan membentuk peubah baru

yang bernilai 0 atau 1. Dimana 0 menunjukkan ketidakhadiran ciri tersebut, sedangkan

1 menunjukkan adanya ciri tersebut. Pemberian label tersebut dimaksudkan untuk

mengubah kategori huruf (Alfabet) menjadi kategori Angka (Numerik), sehingga

memudahkan analisis data. Cara ini dijumpai dalam Uji Q Cochran pada pengujian

hipotesis (Kurniawan, 2007).

Peubah seperti ini disebut peubah dummy atau dapat juga disebut peubah

indikator, peubah biner, peubah dikotomus, dan peubah kualitatif. peubah dummy

dapat digunakan dalam model regresi semudah peubah kuantitatif. Peubah ini bukan

jenis lain dari peubah dependen-independen, namun menunjukkan sebuah peubah

yang nilainya telah ditentukan oleh peneliti. Kutner (2004) mendefinisikan dummy

7

variable sebagai sebuah peubah nominal yang digunakan di dalam regresi berganda dan

diberi kode 0 dan 1. Nilai 0 biasanya menunjukkan kelompok yang tidak mendapat

sebuah perlakuan dan nilai 1 menunjukkan kelompok yang mendapat perlakuan.

Dalam sebuah model regresi, bisa saja semua peubah prediktor merupakan peubah

dummy, atau gabungan dari peubah kuantitatif dan dummy, sebagaimana dituliskan

dalam persamaan regresi berikut :

(9)

Dengan mengansumsikan bahwa = 0, maka diperoleh nilai ekspektasi dari

peubah respon untuk masing-masing sebagai berikut :

(10.a)

dan

(10.b)

dengan kata lain bahwa fungsi dalam hubungannya dengan mempunyai

kemiringan yang sama ( ) tetapi intersep berbeda untuk tiap-tiap . Dalam regresi

dengan peubah dummy, jika suatu peubah kualitatif mempunyai m kategori, maka

digunakan hanya m – 1 peubah dummy. Jika tidak dipenuhi, maka akan terjadi

multikolinearitas sempurna (perfect multicolinearity).

Regresi dengan peubah bebasnya hanya peubah dummy atau yang sifatnya

kualitatif disebut Analysis of Variance (ANOVA). Dalam ekonometrik, seringkali kita

menjumpai suatu model yang regressor-nya terdiri dari peubah kuantitatif dan

kualitatif. Regresi yang regressor-nya merupakan campuran antara peubah

kuantitatif dan peubah kualitatif disebut model Analysis of Covariance (ANCOVA)

(Sappington, 1970).

2.4 Membandingkan Dua Regresi dengan Peubah Dummy

Seringkali model regresi dengan peubah dummy mengasumsikan bahwa peubah

kualitatif hanya mempengaruhi intersep tetapi tidak mempengaruhi koefisien

kemiringan dari berbagai regresi subkelompok. Tetapi asumsi kekonstanan koefisien

kemiringan antar kelompok dapat diuji dengan peubah dummy.

8

Misalkan regresi dilakukan pada dua data terpisah berdasarkan kelompok

dummy-nya sebagai berikut (Gujarati, 1978) : 

(11.a)

dan

(11.b)

Maka regresi pada (11.a) dan (11.b) menyajikan empat kemungkinan sebagai

berikut:

1. dan , artinya kedua regresi identik.

2. tetapi , artinya kedua regresi hanya berbeda pada intersep,

tetapi koefisien kemiringannya sama.

3. tetapi , artinya kedua regresi mempunyai intersep yang sama

tetapi koefisien kemiringannya berbeda.

4. dan , artinya kedua regresi tersebut sama sekali berbeda.

Semua kemungkinan tersebut dapat diuji jika kita mengelompokkan semua

observasi dan bersama-sama dan menaksir regresi berikut :

(12)

dengan peubah tambahan . Dengan mengasumsikan = 0 diperoleh:

(13.a)

dan

(13.b)

Berdasarkan persamaan (12.a) dan (12.b), maka dapat disimpulkan bahwa

, , , dan . Jadi mengestimasi persamaan

(12) sama dengan mengestimasi dua persamaan (13.a) dan (13.b).

Keuntungan penaksiran dengan satu persamaan pada (12) dibandingkan dengan

dua persamaan (13.a) dan (13.b) adalah regresi tunggal tersebut dapat digunakan untuk

9

menguji berbagai hipotesis. Jadi jika koefisien intersep tidak signifikan secara

statistik, maka hipotesis bahwa kedua regresi tersebut mempunyai intersep yang sama

gagal ditolak. Jika koefisien kemiringan tidak signifikan secara statistik, maka

hipotesis bahwa kedua regresi tersebut mempunyai kemiringan yang sama gagal

ditolak. Sedangkan pengujian hipotesis secara simultan dapat dilakukan

dengan teknik ANOVA (Gujarati, 1978).

BAB III

CONTOH KASUS DAN METODOLOGI

10

3.1 Contoh Kasus

Berikut ini adalah data pengaruh masa kerja dan tingkat pendidikan terhadap gaji

yang diterima karyawan. Tingkat pendidikan merupakan peubah kategori yang terdiri

dari SMA, S1 dan S2. Datanya sebagai berikut :

Tabel 1. Data Pengaruh Masa Kerja dan Tingkat Pendidikan

No.Gaji Masa Kerja Tingkat Pendidikan

D1i D2i(Yi) (X1i) (X2i)1 6.50 12 S1 1 02 6.50 12 S1 1 03 6.25 12 S1 1 04 6.25 11 S1 1 05 5.50 12 S1 1 06 5.50 8 S1 1 07 6.00 7 S1 0 18 5.25 8 S1 1 09 4.50 8 S1 1 010 5.00 8 S2 0 111 5.25 6 S1 1 012 4.25 8 S1 1 013 5.50 8 S1 1 014 4.00 5 S2 0 115 4.00 7 S2 0 116 3.75 2 S2 0 117 6.00 4 S2 0 118 5.00 6 S2 0 119 3.75 2 S2 0 120 3.75 2 S2 0 121 4.75 3 S2 0 122 4.00 2 S2 0 123 4.00 2 S2 0 124 5.00 2 S2 0 125 6.00 7 S2 0 126 5.75 7 S2 0 127 4.00 7 S2 0 128 4.75 5 S2 0 129 6.00 12 S1 1 030 4.75 10 S2 0 131 4.00 8 SMA 0 032 4.00 9 SMA 0 033 4.00 12 SMA 0 034 4.00 3 SMA 0 0

11

35 4.50 4 SMA 0 036 5.50 5 SMA 0 037 4.25 9 SMA 0 038 4.50 6 SMA 0 039 4.75 6 SMA 0 040 4.00 6 SMA 0 041 4.00 6 SMA 0 042 4.00 4 SMA 0 043 4.25 1 SMA 0 044 3.25 2 SMA 0 045 3.25 1 SMA 0 0

Beberapa peubah yang digunakan adalah :

1. Peubah Respon

Y = Gaji Bulanan Karyawan (juta rupiah)

2. Peubah Prediktor

X1 = Masa Kerja (tahun)

X2 = Tingkat Pendidikan

3. Peubah Dummy

D1 = 1 jika S1, 0 jika tidak

D2 = 1 jika S2, 0 jika tidak

Diasumsikan tidak ada kebijakan kenaikan gaji pada masa penelitian

3.2 Metodologi

Langkah-langkah yang digunakan untuk analisis regresi dengan peubah dummy

menggunakan software SPSS 16.0 sebagai berikut :

1. Buka software SPSS 16.0. Sebelum mengetik data pada kotak Data View, buka

kotak Variable View untuk memberikan nama pada kolom dari data yang akan

dimasukkan ke SPSS 16.0.

2. Kemudian masukkan data yang akan dianalisis regresi dengan peubah dummy pada

kotak Data View.

12

3. Klik Analyze Regression Linear.

Kemudian akan muncul kotak dialog sebagai berikut.

13

Pada kotak dialog Linear Regression, masukkan peubah Y pada kotak Dependent

dan pada kotak Independent(s) masukkan peubah D1, D2 dan X2. Kemudian klik

OK.

14

BAB IV

HASIL DAN PEMBAHASAN

Berdasarkan analisis regresi dengan peubah dummy menggunakan software SPSS

16.0 didapatkan output sebagai berikut :

Uji Simultan

Hipotesisnya adalah :

H0 : 1 = 2 = 3 = 0

H1 : Paling tidak terdapat satu i, dimana i 0

Berikut output tabel ANOVA dengan menggunakan Metode Kuadrat Terkecil :

Tabel 2. Analisis Ragam (ANOVA)

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 18.194 3 6.065 13.964 .000a

Residual 17.806 41 .434

Total 36.000 44

a. Predictors: (Constant), D2, Masa, D1

b. Dependent Variable: Gaji

Dari output pengujian secara simultan di atas dapat diketahui bahwa nilai

statistik uji F (13.964) lebih besar dari F0.05,3,41 (2.84) dan p-value kurang dari

maka diputuskan untuk menolak H0. Dengan demikian dapat dikatakan

bahwa paling tidak ada satu peubah prediktor yang berpengaruh terhadap peubah

respon dengan taraf nyata 5%.

Uji Parsial

Hipotesisnya adalah :

H0 : i = 0, untuk i = 1,2,3 (peubah prediktor secara individu tidak berpengaruh

secara signifikan terhadap peubah respon).

15

H1 : i ≠ 0, untuk i = 1,2,3 (peubah prediktor secara individu berpengaruh secara

signifikan terhadap peubah respon).

Dengan menggunakan Metode Kuadrat Terkecil dihasilkan pengujian setiap peubah

prediktor X secara individu.

Tabel 3. KoefisienCoefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF

1 (Constant) 3.531 .267 13.238 .000

Masa .113 .038 .421 3.016 .004 .620 1.614

D1 .596 .231 .326 2.576 .014 .751 1.332

D2 .969 .302 .479 3.211 .003 .542 1.845

a. Dependent Variable: Gaji

Pada tabel 3 dapat dilihat bahwa nilai VIF peubah prediktor X1 (masa kerja), D1

dan D2 nilainya berturut-turut adalah 1.614, 1.332 dan 1.845, di mana nilai tersebut

kurang dari 10. Hal ini menunjukkan bahwa dari ketiga peubah prediktor tersebut

tidak terjadi multikolinieritas.

Dari output pengujian secara parsial pada tabel 3 diketahui bahwa nilai statistik

uji t pada peubah X1 (masa kerja), D1, dan D2 adalah lebih dari t0.025,44 (2.014). Selain

itu, dengan melihat nilai p-value untuk peubah X1 (masa kerja), D1 dan D2 kurang dari

. Berdasarkan dua kriteria di atas pada peubah X1 (masa kerja), D1 dan D2

dapat diambil keputusan untuk menolak H0. Dengan demikian sudah cukup bukti untuk

mengatakan bahwa peubah prediktor X1 (masa kerja), D1 dan D2 yang diuji secara

individu berpengaruh secara signifikan terhadap peubah respon Y dengan taraf nyata

5%. Dengan menggunakan Metode Kuadrat Terkecil, didapatkan persamaan regresi :

= 3.531 + 0.113 + 0.596 (D1i) + 0.969 (D2i)

= 3.531 + 0.113 (masa kerja) + 0.596 (D1i) + 0.969 (D2i)

di mana,

D1i = 1 jika amatan ke-i lulusan S1 (karyawan), 0 jika tidak

D2i = 1 jika amatan ke-i lulusan S2 (karyawan), 0 jika tidak

16

Dengan membedakan nilai dummy D1 dan D2, maka diperoleh tiga model regresi

sebagai berikut:

Untuk karyawan dengan tingkat pendidikan lulusan SMA (D1i = 0, D2i = 0)

Untuk karyawan dengan tingkat pendidikan lulusan S1 (D1i = 1, D2i = 0)

Untuk karyawan dengan tingkat pendidikan lulusan S2 (D1i = 0, D2i = 1)

Dari persamaan di atas tampak bahwa mengukur nilai duga dari peubah Y

(gaji karyawan) bagi karyawan lulusan SMA yang belum mempunyai masa kerja.

Untuk mengukur kenaikan nilai duga peubah Y (gaji karyawan) jika masa kerja

bertambah 1 tahun. Untuk mengukur perbedaan nilai duga dari peubah Y (gaji

karyawan) bagi karyawan lulusan S1 dengan karyawan lulusan SMA, jika masa

kerjanya (X1) sama. Sedangkan untuk mengukur perbedaan nilai duga dari peubah

Y (gaji karyawan) bagi karyawan lulusan S2 dengan karyawan lulusan SMA, jika

masa kerjanya (X1) sama.

Untuk melihat perbedaan nilai duga gaji karyawan antara lulusan SMA, S1 dan

S2 dengan memisalkan masa kerja yaitu 12 tahun, maka :

a. Untuk karyawan lulusan SMA (D1i = 0, D2i = 0)

juta per bulan

b. Untuk karyawan lulusan S1 (D1i = 1, D2i = 0)

17

juta per bulan

c. Untuk karyawan lulusan S2 (D1i = 0, D2i = 1)

juta per bulan

Jadi, berdasarkan persamaan regresi yang diperoleh dapat disimpulkan bahwa :

Karyawan lulusan S1 mempunyai gaji lebih besar 0.596 juta per bulan daripada

karyawan lulusan SMA.

Karyawan lulusan S2 mempunyai gaji lebih besar 0.969 juta per bulan daripada

karyawan lulusan SMA.

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Model regresi dengan peubah dummy memberikan hasil analisis yang lebih

mendalam terhadap data yang berasal dari sampel atau populasi yang berbeda. Jika

data tersebut tidak dibedakan dengan peubah dummy, tentu saja tidak akan bisa

diketahui perbedaan antar sampel atau populasi yang berbeda-beda tersebut. Pada

pembahasan sebelumnya, analisis regresi dilakukan dengan menggunakan dua peubah

dummy.

Pada analisis regresi dengan dua peubah dummy, dapat disimpulkan bahwa gaji

karyawan untuk ketiga kelompok yaitu kelompok lulusan SMA, S1, dan S2 berbeda,

yang ditunjukkan dari nilai slope yang sama antara tiga model regresi yang diperoleh.

Model regresi yang diperoleh :

Untuk karyawan dengan tingkat pendidikan SMA (D1i = 0, D2i = 0)

* masa kerja

Untuk karyawan dengan tingkat pendidikan S1 (D1i = 1, D2i = 0)

* masa kerja

Untuk karyawan dengan tingkat pendidikan S2 (D1i = 0, D2i = 1)

* masa kerja

18

5.2 Saran

Dalam beberapa kasus model regresi terdapat penggunaan peubah independen

yang bersifat kualitatif. Data kualitatif harus berbentuk data kategorik terlebih dahulu,

sebelum dianalisis regresi secara langsung yaitu dengan menambahkan peubah

dummy. Peubah kualitatif ini bisa dalam bentuk kelas, kelompok atau tingkatan. Perlu

diperhatikan teknik menyusun peubah dummy dalam analisis regresinya. Untuk

menyusun peubah dummy, maka perlu menentukan terlebih dahulu banyaknya peubah

dummy yang digunakan. Banyaknya peubah dummy yang digunakan adalah sebanyak

kategori dikurangi satu. Dengan adanya peubah dummy, maka besaran atau nilai

peubah yang bersifat kualitatif tersebut dapat di ukur dan diubah menjadi kuantitatif.

DAFTAR PUSTAKA

Gujarati, D. 1978. Basic Econometrics. McGraw-Hill, Inc. New York.

Kurniawan, D. 2007. Analisis Regresi Linier dengan Menggunakan Peubah Dummy.

http://ineddeni.wordpress.com. Diakses pada tanggal 1 Mei 2013.

Kutner, M.H., Nachtsheim, C.J., dan Neter, J. 2004. Applied Linear Regression Models.

Fourth Edition. McGraw-Hill Companies, Inc. New York.

Rencher, A.C. 2000. Linear Models in Statistics. John Wiley & Sons, Inc., New York.

Sappington, C. 1970. A Numerical Example of the Practical Use of Dummy Variables,

Southern Journal of Agricultural Economics, Vol. 12, hal. 197-201.

Wahyuningsih, S. 2003. Faktor-Faktor yang Mempengaruhi Nilai Perdagangan Saham

Pertaniandi Bursa Efek Jakarta Sebelum dan Sesudah Krisis Ekonomi. Skripsi.

Sekolah Tinggi Ilmu Statistik. Jakarta.

Washington, S.P., Karlaftis, M.G., Mannering, F.l. 2003. Statistical and Econometric

Methods for Transportation Data Analysis. Chapman & Hall, USA.

www.ats.ucla.edu/stat/stata/webbooks/logistik. Diakses pada tanggal 1 Mei 2013.

19