laporan praktikum analisis regresi terapan modul iv-variabel dummy

BAB I

PENDAHULUAN

1.1 Pengertian Variabel Dummy

Variabel dummy adalah variabel yang digunakan untuk

mengkuantitatifkan variabel yang bersifat kualitatif (misal: jenis kelamin, ras,

agama, perubahan kebijakan pemerintah, perbedaan situasi dan lain-

lain). Variabel dummy merupakan variabel yang bersifat kategorikal yang

diduga mempunyai pengaruh terhadap variabel yang bersifat

kontinue. Variabel dummy sering juga disebut variabel boneka, binary,

kategorik atau dikotom. Variabel dummy hanya mempunyai 2 (dua) nilai

yaitu 1 dan nilai 0, serta diberi simbol D. Dummy memiliki nilai 1 (D=1)

untuk salah satu kategori dan nol (D=0) untuk kategori yang lain.

D = 1 untuk suatu kategori (laki- laki, kulit putih, sarjana dan sebagainya).

D = 0 untuk kategori yang lain (perempuan, kulit berwarna, non-sarjana

dan sebagainya).

Nilai 0 biasanya menunjukkan kelompok yang tidak mendapat sebuah

perlakuan dan 1 menunjukkan kelompok yang mendapat perlakuan. Dalam

regresi berganda, aplikasinya bisa berupa perbedaan jenis kelamin (1 = laki-

laki, 0 = perempuan), ras (1 = kulit putih, 0 = kulit berwarna), pendidikan (1

= sarjana, 0 = non-sarjana).

1.2 Model Matematika Regresi Berganda dengan Variabel Dummy

Variabel dummy digunakan sebagai upaya untuk melihat bagaimana

klasifikasi-klasifikasi dalam sampel berpengaruh terhadap parameter

pendugaan. Variabel dummy juga mencoba membuat kuantifikasi dari

variabel kualitatif.

1. Y = a + bX + c D1 (Model Dummy Intersep)2. Y = a + bX + c (D1X) (Model Dummy Slope)

1

3. Y = a + bX + c (D1X) + d D1 (Kombinasi)

1.3. Tahapan Analisis Regresi Linear Berganda

1. Menentukan variabel X dan variabel Y.

2. Membuat variabel dummy.

3. Analisis Deskriptif.

4. Uji Linearitas.

5. Analisis Regresi.

1) Uji Overall.

2) Uji Parsial.

3) R dan R2.

6. Uji Asumsi

1) Uji Normalitas

2) Uji Autokorelasi

3) Uji Homoskedastisitas

4) Uji Multikolinearitas

7. Penentuan model terbaik

8. Peramalan dan Interpretasi model

1.4 Pemanfaatan Regresi Berganda dengan Variabel Dummy

Tujuan menggunakan regresi berganda dummy adalah memprediksi

besarnya nilai variabel tergantung/dependent atas dasar satu atau lebih

variabel bebas/independent, di mana satu atau lebih variabel bebas yang

digunakan bersifat dummy. Variabel dummy adalah variabel yang digunakan

untuk membuat kategori data yang bersifat kualitatif (data kualitatif tidak

memiliki satuan ukur), agar data kualitatif dapat digunakan dalam analisa

regresi maka harus lebih dahulu di transformasikan ke dalam bentuk

Kuantitatif. Persamaan model yang terdiri dari Variabel Dependentnya

Kuantitatif dan variabel Independentnya skala campuran : kualitatif dan

kuantitatif, maka persamaan tersebut disebut persamaan regresi berganda

Dummy.

2

BAB II

DESKRIPSI KERJA

Pada bab ini, praktikan akan menunjukkan langkah-langkah yang dikerjakan untuk menyelesaikan kasus yang ada. Persoalan yang dibahas pada praktikum kali ini adalah melakukan analisa regresi linear berganda dengan variabel dummy untuk melihat ada tidaknya pengaruh bidang pekerjaan, tingkat pendidikan, lama bekerja dan usia terhadap gaji yang diterimanya dan menjelaskan proses perhitungannya dengan menggunakan software SPSS.

Adapun langkah-langkah yang dikerjakan untuk menyelesaikan kasus diatas adalah sebagai berikut :1. Sebelum memulai di spss buatlah variabel dummy terlebih dahulu di lembar

sheet Ms. Excel pada data yang telah disiapkan seperti Gambar 2.1 dibawah.

Proses pembuatan variabel dummynya akan dijelaskan di bab beikutnya.

Gambar 2.1. Data Excel

2. Buka software SPSS yang telah diinstal di komputer dan siapkan lembar kerja

SPSS nya.

3. Masukkan nama, tipe, lebar, banyak desimal dan label pada lembar kerja

variabel view seperti pada Gambar 2.2 berikut :

Gambar 2.2. Memasukkan informasi pada variabel view

4. Pilih File > Open > Data dan pili tipe file excel, kemudian klik file

data_dummy.xls seperti Gambar 2.3 berikut :

Gamba 2.3 Memilih Data File Excel

5. Maka akan mucul tampilan seperti Gambar 2.4 berikut lalu klik Ok :

Gamba 2.4 Membuka File Data Dummy

6. Di SPSS data editor akan muncul data seperti pada Gambar 2.5 berikut :

Gambar 2.5. Memasukkan Data pada lembar kerja Data View

7. Selanjutnya akan dilakukan uji linearitas pada data di atas, maka lakukan

dengan cara mengklik menu Graph Legacy Dialogs Scatter/Dot

kemudian pilih Simple Scatter seperti pada Gambar 2.6 seperti berikut :

4

3

Gambar 2.6 Uji Linearitas dengan Scatterplot

8. Klik Define kemudian masukkan variabel Y (Gaji) ke kolom Y Axis dan

variabel X1 ( Bidang Pekerjaan) ke kolom X Axis lalu klik OK seperti

Gambar 2.7 berikut :

Gambar 2.7. Memasukkan Variabel Y Axis Dan X1 Axis

9. Karena jumlah variabel independentnya ada empat yaitu X1(Bidang),

X2(Pendidikan), X3(Bekerja) dan X4 (Usia) maka untuk uji linearitasnya

dilakukan empat kali oleh karena itu ulangi langkah nomor 8.


variabel X2 ( Tingkat Pendidikan) ke kolom X Axis lalu klik OK seperti




variabel X3 ( Lama Bekerja) ke kolom X Axis lalu klik OK seperti Gambar

2.9 berikut :


5


variabel X4 ( Usia) ke kolom X Axis lalu klik OK seperti Gambar 2.10 berikut

:


13. Setelah melakukan langkah diatas, akan terbuka windows baru berupa output

Scatterplot yang akan dijelaskan di bab berikutnya.

14. Praktikkan akan melakukan analisis regresi linear pada data di atas, maka

lakukan dengan cara mengklik menu Analyze Regression Linear seperti

pada Gambar 2.11 maka akan muncul Gambar 2.12 seperti berikut :

Gambar 2.11. Tahapan Analisis Regresi Linear

Gambar 2.12 Tampilan Kotak Linear Regression

15. Masukkan variabel Gaji (Y) ke kolom Dependent. Kemudian masukkan

variabel Lama Bekerja (X3, Usia (X4) dan Dummy 1 hingga Dummy 6 ke

kolom Independent(s). Variabel X1 dan X2 tidak dimasukkan e kolom

6

independent(s) karena merupakan variabel yang bersifat kategorik atau

merupakan variabel boneka (dummy) seperti pada Gambar 2.13 berikut :

Gambar 2.13. Memasukan Variabel Dependent Dan Independent

16. Pilih submenu Statistics, tandai Estimates, Mode Fit, Descriptive, Durbin

Watson dan Collinearity diagnostics pada kotak Dialog Regression

Coeficients lalu klik Continue seperti terlihat pada Gambar 2.14 berikut :

Gambar 2.14. Tampilan Kotak Dialog Linear Regression Statistics

17. Pilih submenu Save, tandai Unstandardize pada Residual lalu klik Continue

seperti terlihat pada Gambar 2.15 berikut :

Gambar 2.15. Tampilan Kotak Dialog Linear Regression Save

7

18. Pilih submenu Option, tentukan taraf nyata (alpha) pada kotak Use

probability of F, misalnya 0.05 (default) lalu tandai Include constant in

equation seperti pada Gambar 2.16 dibawah ini :

Gambar 2.16. Tampilan Kotak Dialog Linear Regression Option

19. Setelah melakukan langkah-langkah diatas, akan terbuka windows baru berupa

output regression yang akan dijelaskan di bab berikutnya.

20. Langkah selanjutnya, praktikkan akan melakukan uji asumsi dengan cara klik

Analyze > Regression > Linear sehingga muncul kotak dialog Linear

Regression. Kemudian masukkan variabel Lama Bekerja (X3, Usia (X4) dan

Dummy 1 hingga Dummy 6 ke kolom Independent(s). Variabel X1 dan X2

tidak dimasukkan e kolom independent(s) karena merupakan variabel yang

bersifat kategorik atau merupakan variabel boneka (dummy) dibawah pada


Gambar 2.17. Memasukan Variabel Dependent Dan Independent

21. Untuk melihat nilai autokorelasi lakukan uji Durbin Watson dan lakukan uji

Collinearity Diagnostics untuk melihat asumsi multikollinearitas yang kedua

uji tersebut telah dilakukan pada langkah ke 16.

8

Gambar 2.18. Menandai Durbin Watson

22. Untuk selanjutnya klik Plots dan tandai Histogram dan Normal probability

plot pada Standardize Residual Plot. Kemudian masukkan variabel SRESID

ke dalam kotak Y dan ZPRED ke dalam kotak X untuk melihat asumsi

homoskedastisitass kemudian klik Continue seperti pada Gambar 2.19

berikut :

Gambar 2.19. Tahapan Melihat Asumsi Homoskedastisitas

23. Abaikan Save dan klik Ok.

24. Selanjutnya akan terbuka windows baru yang berisi output uji asumsi SPSS.

25. Langkah selanjutnya, untuk melakukan uji normalitas klik Analyze >

Nonparametric Test > Legacy Dialogs > 1-Sample K-S > seperti Gambar

2.20 masukkan Unstandardize Residual ke dalam kotak Test Variable List

seperti Gambar 2.21 berikut kemudian klik OK :

Gambar 2.20 Tahapan Uji Normalitas

9

Gambar 2.21 Memasukkan Unstandardize ke dalam kotak Test Variable List

26. Maka akan terbuka windows baru yang berisi output uji normal SPSS.

27. Langkah selanjutnya, praktikkan akan melakukan uji homoskedastisitas yaitu

klik Transform > Compute Variable seperti Gambar 2.22 berikut :

Gambar 2.22 Tahapan Kehomogenan Ragam

28. Klik All pada kolom Function Group dan double klik Abs pada kolom

Function and Special Variables lalu masukkan Unstandardized Residual ke

dalam Numeric Expression seperti pada Gambar 2.23 berikut :


29. Ketikkan pada kolom Target variable “abs_res” kemudian klik OK seperti


10


30. Klik Analyze regression linear dan ganti dependentnya dengan “abs_res”.

31. Maka akan terbuka windows baru yang berisi output SPSS.

BAB III

PEMBAHASAN

Pada bab ini praktikan akan menjelaskan hasil output dari analisis regresi

berganda dengan variabel dummy menggunakan software SPSS untuk

memprediksi besarnya nilai variabel tergantung/dependen atas dasar satu atau

lebih variabel bebas/independen, di mana satu atau lebih variabel bebas yang

digunakan bersifat dummy. Pada kasus ini, praktikan akan mencari pemodelan

regresi dan melakukan pengujian asumsi serta menghitung perkiraan gaji yang

diterima karyawan atas dasar variabel lama bekerja, usia dan variabel dummy

yang meliputi beberapa kategori didalam variabel bidang pekerjaan dan tingkat

pendidikan.

3.1 Identifikasi X dan Y

Variabel dependen : Y= Gaji

Variabel Independen : X1 =Bidang Pekerjaan

X2 =Tingkat Pendidikan

X3 =Lama Bekerja

X4 =Usia

Persamaan model regresi linier berganda biasa:

Persamaan model regresi linier berganda variabel dummy:

Gaji = β0 + β1(Bidang Pekerjaan) + β2(Tingkat Pendidikan) + β3(Lama Bekerja)

+ β4(Usia) +ε

Gaji = β0 + β3(Lama Bekerja) + β4(Usia) + β5(dummy bidang pekerjaan 1) +

β6(dummy bidang pekerjaan 2) + β7(dummy bidang pekerjaan 3) + β8(dummy bidang pekerjaan 4) + β9(dummy tingkat pendidikan 1) + β10(dummy tingkat pendidikan2) +ε

3.2 Pembuatan Variabel Dummy :Dimana bidang pekerjaan dan tingkat pendidikan merupakan data kategorik

sebagai berikut :

1. Bidang pekerjaan dengan 5 kategori :

1 = Pemasaran

2 = Humas

3 = Accounting

4 = Kredit

5 = Personalia

2. Tingkat Pendidikan dengan 3 kategori :

1 = D3

2 = S1

3 = S2

Adapun prosedur pembentukan variabel dummy adalah sebagai berikut:

1. Bidang Pekerjaan:

Jumlah variabel dummy yang akan dibentuk = jumlah kategorik -1. Pada

kasus diatas, variabel X1 terdapat 5 kategori sehingga jumlah variabel dummy

yang akan dibentuk :

= 5 - 1

= 4 variabel dummy

Sebelumnya telah ditentukan untuk variabel bidang pekerjaan yang

menjadi variabel basisnya adalah Pemasaran artinya kategorik pemasaran akan

selalu bernilai 0, maka variabel dummy yang terbentuk sebagai berikut :

Dummy 1: Dummy 2 :

11

12

1 0

2 1

3 0

4 0

5 0

1 0

2 0

3 1

4 0

5 0

Dummy 3: Dummy 4 :

2. Tingkat Pendidikan:

Jumlah variabel dummy yang akan dibentuk = jumlah kategorik -1. Pada kasus

diatas, variabel X2 terdapat 3 kategori sehingga jumlah variabel dummy yang

akan dibentuk :

= 3 - 1

= 2 variabel dummy

Sebelumnya telah ditentukan untuk variabel tingkat pendidikan yang

menjadi variabel basisnya adalah D3 artinya kategorik D3 akan selalu bernilai

0, maka variabel dummy yang terbentuk sebagai berikut :

Dummy 5 : Dummy 6 :

1 0

2 1

3 0

3.3 Uji Linearitas

13

1 0

2 0

3 0

4 1

5 0

1 0

2 0

3 0

4 0

5 1

1 0

2 0

3 1

Gambar 3.2 Output Simple Scatterplot variabel X1 dan variabel Y

Gambar 3.2 Merupakan output dari simple scatterplot yang digunakan untuk menguji apakah kedua variabel X1 dan Y mempunyai hubungan linear secara signifikan. Uji ini merupakan prasyarat dalam analisis regresi linear. Linearitas yang dimaksud adalah sifat hubungan yang linear antara variabel, artinya setiap perubahan yang terjadi pada satu variabel akan diikuti perubahan dengan besaran yang sejajar pada variabel lainnya.

Dilihat pada Gambar 3.2 sebaran titik-titik tersebut mendekati atau rapat

pada satu garis lurus (diagonal) tiap-tiap kategori. Cara pengujian dengan metode

grafik seperti ini memberikan interprestasi dan tentunya kesimpulan yang sangat

bervariatif antar orang yang melakukan interprestasi, sehingga sangat subjektif

dan dapat mengatakan hubungannya linear. Akan tetapi, apabila dilakukan uji

linearitas dengan menggunakan fungsi Compare Means yaitu pilih menu Analyze

> Compare Means... Berikut output yang didapat :

Gambar 3.3 Uji Linearitas X1Dengan fungsi Compare Means

Lihat kolom Sig. pada baris Linearity di Table Anova, jika nilainya < 0,05

maka bersifat linear, maka berdasarkan Gambar 3.3 nilai sig-nya adalah 0,872

dimana nilainya > 0,05 sehingga dapat disimpulkan tidak memenuhi syarat

linearitas artinya hubungan variabel Bidang Pekerjaan dengan variabel Harga

Rumah tidak linear. X1 juga merupakan variabel dengan data kategorik.

14


Gambar 3.4 Merupakan output dari simple scatterplot yang digunakan untuk menguji apakah kedua variabel X2 dan Y mempunyai hubungan linear secara signifikan. Dilihat pada Gambar

3.4 karena x2 merupakan data kategorik maka sebaran titik-titik tersebut

mendekati/rapat pada garis lurus (diagonal) tiap-tiap kategorik. Apabila diuji

dengan fungsi Compare Means, didapatkan output Gambar 3.5 berikut :

Gambar 3.5 Uji Linearitas X2 Dengan fungsi Compare Means

Berdasarkan Gambar 3.5 nilai sig-nya adalah 0,018 dimana nilainya

<0,05 sehingga dapat disimpulkan memenuhi syarat linearitas artinya hubungan

variabel Gaji dengan variabel Tingkat Pendidikan linear artinya setiap

peningkatan pendidikan maka diikuti dengan perubahan gaji.



pada satu garis lurus (diagonal). Apabila diuji dengan fungsi Compare Means,

didapatkan output Gambar 3.7 berikut :

15




variabel Gaji dengan variabel Lama Bekerja linear artinya setiap peningkatan

lama kerja maka diikuti dengan perubahan gaji.



pada satu garis lurus (diagonal). Apabila diuji dengan fungsi Compare Means,

didapatkan output Gambar 3.9 berikut :




variabel Gaji dengan variabel Usia Pekerja linear.

3.4 Analisis Regresi

16

Gambar 3.10 Output Variables Entered/Removed

Gambar 3.10 diatas merupakan Output dari Variable Entered/ Removed.

Tabel diatas menjelaskan mengenai variabel yang dimasukkan atau dibuang dan

menginformasikan mengenai metode yang dipakai, metode yang digunakan

adalah entered.

3.4.1 Uji Overall

Uji keterandalan model atau uji kelayakan model atau yang lebih

populer disebut sebagai uji F (ada juga yang menyebutnya sebagai uji

simultan model) merupakan tahapan awal mengidentifikasi model regresi

yang diestimasi layak atau tidak. Layak (andal) disini maksudnya adalah

model yang diestimasi layak digunakan untuk menjelaskan pengaruh

variabel-variabel bebas terhadap variabel terikat. Nama uji ini disebut

sebagai uji F, karena mengikuti distribusi F yang kriteria pengujiannya

seperti One Way Anova.

Gambar 3.11 Output Tabel Anova

Untuk melihat hasil analisis, pertama praktikan akan mengidentifikasi

kesesuaian model dengan menggunakan uji simultan (uji overall) pada output

tabel anova. Dari tabel diatas terlihat hasil F hitung sebesar 14,511 atau

Sig. Sebesar 0,000. Uji F (Uji Overall) digunakan untuk menguji kelayakan

model dan menguji parameter regresi secara keseluruhan.

Pengujian Hipotesis :

Hipotesis :

Ho : βi = 0 (i=0,3,4..10) (model regresi tidak layak digunakan)

H1 : βi ≠ 0 (i=0,3,4..10) (model regresi layak digunakan)

Tingkat Signifikan si = α=0,05 (5% )

Statistik Uji :

17

Fhitung = R 2/(k−1)

(1−R 2)/(n−k )

Dari Gambar 3.11 di atas didapat nilai Fhitung sebesar 14,511

dan Sig. Sebesar 0,000.

Daerah Kritis :

Dalam kasus ini Sig. tersebut dibandingkan dengan alpha.

H0 ditolak jika P-value (Sig.2tailed) ≤ α

Keputusan :

Berdasarkan Gambar 3.11 diatas, p-value ≤ α maka tolak Ho.

Kesimpulan :

Terima H1 yaitu model regresi layak digunakan. Artinya model

regresi linear yang diestimasi sesuai dengan model.

Setelah melakukan uji overall, kemudian praktikan akan

mengidentifikasi variabel yang signifikan dengan menggunakan analisis

uji parsial.

3.4.2 Uji Parsial

Uji t dalam regresi linier berganda dimaksudkan untuk menguji

apakah parameter (koefisien regresi dan konstanta) yang diduga untuk

mengestimasi persamaan/model regresi linier berganda sudah merupakan

parameter yang tepat atau belum. Maksud tepat disini adalah parameter

tersebut mampu menjelaskan perilaku variabel bebas dalam mempengaruhi

variabel terikatnya. Dalam analisis regresi pada studi kasus digunakan

analisis regresi dengan metode enter pada SPSS, sehingga langsung

didapatkan model regresi yang signifikan, yaitu yang memiliki nilai Sig. <

0,05. Hasil output model dapat dilihat pada tabel coefficients pada gambar

berikut :

18

Gambar 3.12 Output Tabel Coefficients

Gambar 3.12 Output tabel coefficients


Hipotesis :

Ho : βi = 0 (i=0,3,4..10) (Koefisien regresi tidak signifikan dalam model)

H1 : βi ≠ 0 (i=0,3,4..10) (Koefisien regresi signifikan dalam model)

Tingkat Signifikansi = α=0,05 (5 % )

Statistik Uji :

thit = r √(n−2)√1−r 2

Daerah Kritis :

Dalam kasus ini Sig. tersebut dibandingkan dengan alpha yang

diperoleh. H0 ditolak jika P-value (Sig.2tailed) ≤ α atau H0 ditolak jika

nilai T-hitung ≥ T-tabel

Keputusan :

Berdasarkan Gambar 3.13 diatas dapat dibuat tabel seperti

berikut :Tabel 3.1 Tabel keputusan

p-value keputusan

β0 0,081 Gagal Tolak H0

β3 0,003 Tolak H0

β4 0,000 Tolak H0

β5 0,019 Tolak H0

β6 0,000 Tolak H0

β7 0,002 Tolak H0

β8 0,000 Tolak H0

β9 0,000 Tolak H0

β10 0,000 Tolak H0

19

Kesimpulan :

Meskipun ada satu yang gagal tolak H0 maka tetap dianggap

signifikan karena berasal dari satu variabel yang sama. Karena tolak H0

maka koefisien regresi signifikan dalam model.

Berdasarkan uji parsial dapat diketahui bahwa variabel yang

signifikan adalah lama bekerja, usia pekerja dan beberapa variabel dummy

diantaranya dummy 1, dummy 2, dummy 3, dummy 4, dummy 5 dan dummy

6.

3.4.3 Korelasi (R) dan Koefisien Determinasi (R2)

Gambar 3.13 Output Model Summary

Gambar 3.13 diatas merupakan output untuk melihat R dan R-

square. R memiliki rentang dari 0 sampai 1. Tabel diatas menjelaskan

besarnya nilai korelasi/hubungan R yaitu sebesar 0,803, maka R lebih

mendekati 1. Artinya eratnya hubungan antar koefisien regresi sangat kuat.

Koefisien determinasi (R square) menunjukan kebaikan model,

semakin besar R square semakin baik modelnya. Nilai R square berada

antara 0% sampai 100%. Berdasarkan Gambar 3.13 diatas diperoleh

koefisien determinasi (R square) sebesar 0,645. Artinya kemampuan model

dalam menjelaskan variabel Y oleh variabel X adalah sebesar 64,5%

sedangkan sisanya 35,5% dijelaskan atau dipengaruhi oleh faktor lain yang

tidak termasuk di dalam model.

3.5 Uji Asumsi

3.5.1 Uji Normalitas

Hasil uji normalitas dapat dilihat dari gambar histogram sisaan dan

Normal P-P Plot di bawah ini. Perlu diingatkan bahwa asumsi normalitas

20

yang dimaksud dalam asumsi klasik pendekatan OLS adalah (data) residual

yang dibentuk model regresi linier terdistribusi normal, bukan variabel

bebas ataupun variabel terikatnya.

Kriteria sebuah (data) residual terdistribusi normal atau tidak

dengan pendekatan Normal P-P Plot dapat dilakukan dengan melihat

sebaran titik-titik yang ada pada gambar. Apabila sebaran titik-titik tersebut

mendekati atau rapat pada garis lurus (diagonal) maka dikatakan bahwa

(data) residual terdistribusi normal, namun apabila sebaran titik-titik

tersebut menjauhi garis maka tidak terdistribusi normal.

Gambar 3.14 Normal P-P Plot

Berdasarkan Gambar 3.14 diatas sebaran titik-titik dari gambar

Normal P-P Plot di atas relatif mendekati garis lurus, sehingga dapat

disimpulkan bahwa (data) residual terdistribusi normal.

Kemudian kriteria sebuah (data) residual terdistribusi normal atau

tidak dengan pendekatan histogram sisaan dapat dilakukan dengan melihat

bentuk plot plot yang ada pada gambar. Apabila plotnya berbentuk

lonceng maka ada dugaan datanya terdistribusi normal.

21

Gambar 3.15 Histogram Sisaan

Berdasarkan Gambar 3.15 diatas plotnya berbentuk atau

menyerupai lonceng sehingga dapat disimpulkan bahwa (data) residual

terdistribusi normal.

Untuk melihat hasil pengujian normalitas dapat dilihat nilai sig.

pada output tabel tests of normality, apabila sampel yang digunakan lebih

dari 50 maka digunakan tes kolmogorov-smirnov, sedangkan apabila

sampel yang digunakan kurang dari 50 maka digunakan tes shapiro-wilk.

Dalam kasus ini, sampel yang digunakan sebanyak 74, maka untuk

menguji normalitas digunakan nilai sig. pada kolom Kolmogorov-smirnov.

Gambar 3.16 Output SPSS Tests of Normality

Dari output pada Gambar 3.16, maka dapat dilakukan pengujian hipotesis sebagai berikut :Hipotesis :

H0 : Residual berdistribusi normal

H1 : Residual tidak berdistribusi normal

Tingkat Signifikan si = α=0,05 (5% )

Statistik Uji :

Dari Gambar 3.16 di atas didapat nilai Sig.(2-tailed) sebesar

0,200.

Daerah Kritis :

Dalam kasus ini Sig. tersebut dibandingkan dengan alpha.

H0 ditolak jika P-value (Sig.2tailed) ≤ α

Keputusan :

22

Berdasarkan Gambar 3.16 diatas, Sig.(2-tailed) ≥ α maka gagal

tolak Ho.

Kesimpulan :

Dengan menggunakan tingkat kepercayaan 95% data yang ada

gagal menolak H0 (nilai Sig > α) yang berarti residual

berdistribusi bahwa normal.

3.4.2 Uji Autokorelasi

Data yang digunakan untuk mengestimasi model regresi linier merupakan data time series maka diperlukan adanya uji asumsi terbebas dari autokorelasi. Hasil uji autokorelasi, dapat dilihat pada tabel

Model Summaryb kolom terakhir.

Gambar 3.16 Tabel Model Summaryb

Nilai Durbin-Watson yang tertera pada output SPSS disebut dengan DW hitung. Angka ini akan dibandingkan dengan kriteria

penerimaan atau penolakan yang akan dibuat dengan nilai dL dan dU

ditentukan berdasarkan jumlah variabel bebas dalam model regresi (k)

dan jumlah sampelnya (n). Nilai dL dan dU dapat dilihat pada Tabel DW dengan tingkat signifikansi (error) 5% (α = 0,05).

Jumlah variabel bebas (k) = 4Jumlah sampel : n = 74

Tabel Durbin-Watson menunjukkan bahwa nilai dL = 1,5112 dan

nilai dU = 1,7383 . Nilai Dw tersebut berkisar antara 0 sampai 4 dengan

nilai kurang dari 2 merupakan indikasi adanya autokorelasi positif sedangkan nilai lebih dari 2 sebagai indikasi autokorelasi negatif.

Pengujian Hipotesis :Hipotesis :

23

H0 : Tidak terdapat autokorelasi dalam modelH1 : Terdapat autokorelasi dalam model

Tingkat signifikansi= Alpha = 5%Statistik Uji :

Dari Gambar 3.13 di atas didapat nilai DW hitung sebesar 2,327.

dL = 1,5112

dU = 1,7383

Daerah Kritis :0 < dw < dL4dL < d w< 4dU

dU<dw<4-dUKeputusan :

Nilai dU 1,7383 < DW 2,327 < 2,617 (4-dU) yaitu terima H0 artinya berada pada daerah tidak ada autokorelasi.

Kesimpulan :

Sehingga dapat disimpulkan bahwa dalam model regresi linier

tidak terjadi autokorelasi.

3.4.3 Uji Homoskedastisitas

Pengujian homoskedastisitas dilakukan dengan membuat

Scatterplot (alur sebaran) antara residual dan nilai prediksi dari variabel

terikat yang telah distandarisasi. Hasil uji homoskedastisitas dapat dilihat

pada gambar Scatterplot, seperti pada Gambar 3.17 di bawah ini:

Gambar 3.17 Scatterplot Regression Standardized Residual dan Predicted

24

Tolak H0

Gagal Tolak H0

Dari Gambar 3.17di atas terlihat bahwa sebaran titik tidak

membentuk suatu pola/alur tertentu, sehingga dapat disimpulkan tidak

terjadi heteroskedastisitas atau dengan kata lain terjadi homoskedastisitas.

Asumsi klasik tentang heteroskedastisitas dalam model ini terpenuhi, yaitu

terbebas dari heteroskedastisitas. Apabila ingin menguji dengan hipotesis

maka lihat pada tabel seperti Gambar 3.17 dibawah ini :

Gambar 3.17 Tabel One sample Kolmogorov-Smirnov Test

Pengujian Hipotesis :Hipotesis :

H0 : Tidak terdapat heteroskedastisitas.H1 : Terdapat heteroskedastisitas.

Alpha = 5%Statistik Uji :

Dari Gambar 3.17 di atas didapat nilai Asymp.sig sebesar 0,200 ≥ α 0,05.

Daerah Kritis :Dalam kasus ini Asymp.sig model tersebut dibandingkan dengan taraf nyata. H0 ditolak jika Asymp.sig (Sig.2tailed) ≤ α

Keputusan : Gagal Tolak H0 karena Asymp.sig (Sig.2tailed) ≥α

Kesimpulan :

Sehingga dapat disimpulkan bahwa tidak terjadi heteroskedastisitas

atau dengan kata lain terjadi homoskedostisitas.

3.4.4 Uji Multikolinearitas

Hasil uji multikolinieritas, dapat dilihat pada tabel

25

Coefficientsa dua kolom terakhir.


Nilai VIF (variance inflation factor) yaitu 1,010, sedangkan Tolerance-

nya 10. Nilai VIF ini menggambarkan kenaikan varians dari dugaan

parameter antar peubah penjelas. Dari output pada Gambar 3.18 dapat

dilakukan pengujian hipotesis sebagai berikut :


Hipotesis :

H0 : βi = 0 (i=0,3,4....10) (Tidak terjadi multikolinearitas)

H1 : β0 ≠ 0 (i=0,3,4....10) (Terjadi multikolinearitas)

Daerah Kritis :

Tollerance > 0,1 (Gagal tolak H0)

VIF < 10 (Gagal tolak H0)

Statistik Uji : Tabel 3.2 Tabel Statistik Uji Multikolinearitas

Variabel Tollerance VIF

lama bekerja 0,764 1,309

Usia Pekerja 0,713 1,403

Dummy 1 0,249 4,024

Dummy 2 0,204 4,896

Dummy 3 0,159 6,285

Dummy 4 0,269 3,716

Dummy 5 0,179 5,599

Dummy 6 0,172 5,829

26

Keputusan :Tabel 3.3 Keputusan Nilai Tollerance

Variabel Tollerance Keputusan

lama bekerja 0,764 > 0,1 Gagal Tolak H0

Usia Pekerja 0,713 > 0,1 Gagal Tolak H0

Dummy 1 0,249 > 0,1 Gagal Tolak H0






Tabel 3.4 Keputusan Nilai VIF

Variabel VIF Keputusan

lama bekerja 1,309 < 10 Gagal Tolak H0

Usia Pekerja 1,403 < 10 Gagal Tolak H0

Dummy 1 4,024 < 10 Gagal Tolak H0






Kesimpulan :

Hasil pengujian hipotesis data yang ada gagal menolak H0 yang berarti

tidak terjadi multikolinearitas atau dalam model regresi linear berganda

tidak terdapat korelasi antar variabel independen (lama bekerja, usia

pekerja, bidang pemasaran, bidang humas, bidang accounting, bidang

kredit, bidang personalia, pendidikan D3, pendidikan S1 dan pendidikan

S2) .

27

3.5 Penentuan Model Terbaik


Pada perhitungan regresi, praktikkan menggunakan metode enter sehingga

pada Gambar 3.19 dapat langsung diketahui yang mana merupakan model

terbaik. Variabel yang signifikan adalah lama bekerja, usia pekerja dan beberapa

variabel dummy diantaranya dummy 1, dummy 2, dummy 3, dummy 4, dummy 5

dan dummy 6.

Adapun koefisien pada persamaan regresi dapat dilihat pada kolom B.

Sehingga persamaan regresi linear berganda dengan variabel dummy dapat

dituliskan :

Maka diperoleh :

28

Gaji = β0 + β3(Lama Bekerja) + β4(Usia) + β5(dummy bidang pekerjaan 1) +

β6(dummy bidang pekerjaan 2) + β7(dummy bidang pekerjaan 3) + β8(dummy bidang pekerjaan 4) + β9(dummy tingkat pendidikan 1) + β10(dummy tingkat pendidikan2) +ε

Gaji = -218,778+ 27,886(Lama Bekerja) + 22,391(Usia) - 238,004(dummy

bidang pekerjaan 1) – 420,289(dummy bidang pekerjaan 2) – 272,489 β7(dummy bidang pekerjaan 3) – 294,582(dummy bidang pekerjaan 4) + 303,755(dummy tingkat pendidikan 1) + 402,334 (dummy tingkat

pendidikan2) +ε

3.6 Intrepetasi Model dan Peramalan

Koefisien regresi lama bekerja bernilai positif artinya jika semakin

lama bekerja semakin besar maka nilai gajinya akan semakin tinggi. Setiap

bertambah lama bekerja sebanyak 1( tahun) akan menambahkan nilai gaji

sebesar 27,866.

Koefisien regresi usia bernilai positif artinya jika usia semakin

banyak maka nilai gajinya akan semakin tinggi. Setiap bertambah usia

sebanyak 1( tahun) akan menambahkan nilai gaji sebesar 22,391.

Dari persamaan regresi yang didapat, praktikkan diminta untuk

membuat suatu peralaman untuk Y (Gaji) dengan memasukkan suatu nilai X3

untuk lama bekerja dan X4 untuk Usia pekerja ke dalam persamaan tersebut.

Dari persamaan diatas, maka dapat diperkiraan besarnya gaji yang harus

dibayarkan oleh perusahaan apabila terdapat seorang karyawan, bekerja pada

bidang pemasaran, dengan jabatan sekretaris divisi, tingkat pendidikan S1, usia 35

tahun, nilai kerja 5 dengan perhitungan sebagai berikut :

Misalkan X3= 5 dan X4=35 maka,

y = -218,778+ 27,886(Lama Bekerja) + 22,391(Usia) - 238,004(dummy

bidang pekerjaan 1) – 420,289(dummy bidang pekerjaan 2) – 272,489

(dummy bidang pekerjaan 3) – 294,582(dummy bidang pekerjaan 4) + 303,755(dummy tingkat pendidikan 1) + 402,334 (dummy tingkat

pendidikan2) +ε

Gaji = -218,778+ 27,886(5) + 22,391(35) - 238,004 – 420,289(0) – 272,489 β7(0) – 294,582(0) + 303,755+ 402,334 (0)

Gaji = 770,088

Gaji = -218,778+ 27,886(Lama Bekerja) + 22,391(Usia) - 238,004(dummy

bidang pekerjaan 1) – 420,289(dummy bidang pekerjaan 2) – 272,489 β7(dummy bidang pekerjaan 3) – 294,582(dummy bidang pekerjaan 4) + 303,755(dummy tingkat pendidikan 1) + 402,334 (dummy tingkat

pendidikan2) +ε

29

Dari persamaan diatas dapat diperkirakan apabila seorang karyawan,

bekerja pada bidang pemasaran, dengan jabatan sekretaris divisi, tingkat

pendidikan S1, usia 35 tahun, lama kerja 5 maka mendapat gaji sebesar

770,088.

30

BAB IV

PENUTUP

Berdasarkan praktikum yang telah dilakukan, praktikan dapat menarik kesimpulan bahwa :

1. Setiap perubahan yang terjadi pada X3 (lama bekerja) maka akan diikuti

dengan perubahan Y (Gaji) karena hubungannya linear.

2. Semakin lama bekerja semakin besar maka nilai gajinya akan semakin

tinggi. Setiap bertambah lama bekerja sebanyak 1( tahun) akan

menambahkan nilai gaji sebesar 27,866.

3. Semakin banyak maka nilai gajinya akan semakin tinggi. Setiap bertambah

usia sebanyak 1( tahun) akan menambahkan nilai gaji sebesar 22,391.

4. Berdasarkan uji overall model regresi linear yang diestimasi dapat atau

layak digunakan untuk menjelaskan pengaruh lama bekerja, usia pekerja

dan keenam variabel dummy terhadap Gaji.

5. Kemampuan model dalam menjelaskan variabel Y (Gaji) oleh variabel X

(lama bekerja usia) dan oleh variabel dummy adalah sebesar 64,5%

sedangkan sisanya 35,5% dijelaskan atau dipengaruhi oleh faktor lain.

6. Persamaan regresi yang didapat yaitu :

y=¿-218,778+ 27,886(Lama Bekerja) + 22,391(Usia) - 238,004(dummy

bidang pekerjaan 1) – 420,289(dummy bidang pekerjaan 2) – 272,489 (dummy

bidang pekerjaan 3) – 294,582(dummy bidang pekerjaan 4) + 303,755(dummy

tingkat pendidikan 1) + 402,334 (dummy tingkat pendidikan2) +ε

7. Apabila seorang karyawan, bekerja pada bidang pemasaran, dengan

jabatan sekretaris divisi, tingkat pendidikan S1, usia 35 tahun, lama kerja 5

maka mendapat gaji sebesar 770,088.

31

laporan praktikum analisis regresi terapan modul iv-variabel dummy

Education