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
3

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 :
Gambar 2.6 Uji Linearitas dengan Scatterplot
4

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 :
variabel X4 ( Usia) ke kolom X Axis lalu klik OK seperti Gambar 2.10
berikut :
5

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
independent(s) karena merupakan variabel yang bersifat kategorik atau
merupakan variabel boneka (dummy) seperti pada Gambar 2.13 berikut :
6

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
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 :
7

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.
Gambar 2.18. Menandai Durbin Watson
8

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
Gambar 2.21 Memasukkan Unstandardize ke dalam kotak Test Variable List
9

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
30. Klik Analyze regression linear dan ganti dependentnya dengan “abs_res”.
31. Maka akan terbuka windows baru yang berisi output SPSS.
10

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
11

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 :
1 0
2 1
3 0
4 0
5 0
1 0
2 0
3 1
4 0
5 0
12

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
Gambar 3.2 Output Simple Scatterplot variabel X1 dan variabel Y
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
13

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 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
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
16

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 :
Fhitung =
𝑅2/(𝑘−1)
(1−𝑅2)/(𝑛−𝑘)
Dari Gambar 3.11 di atas didapat nilai Fhitung sebesar 14,511
dan Sig. Sebesar 0,000.
17

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 :
Gambar 3.12 Output Tabel Coefficients
Gambar 3.12 Output tabel coefficients
18

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−𝑟2
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
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.
19

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
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
20

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.
Gambar 3.15 Histogram Sisaan
21

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 :
Berdasarkan Gambar 3.16 diatas, Sig.(2-tailed) ≥ α maka gagal
tolak Ho.
22

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) = 4
Jumlah 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.
Hipotesis :
H0 : Tidak terdapat autokorelasi dalam model
H1 : Terdapat autokorelasi dalam model
23

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 < dL
4dL < d w< 4dU
dU<dw<4-dU
Keputusan :
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
Dari Gambar 3.17di atas terlihat bahwa sebaran titik tidak
24
Tolak H0
Gagal Tolak H0

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
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
Coefficientsa
dua kolom terakhir.
25

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,
𝑦̂ = -218,778+ 27,886(Lama Bekerja) + 22,391(Usia) - 238,004(dummy
(dummy bidang pekerjaan 3) – 294,582(dummy bidang pekerjaan 4) +
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
β7(dummy bidang pekerjaan 3) – 294,582(dummy bidang pekerjaan 4) +
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 :
𝑦̂̂ =-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

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Laporan Praktikum Analisis Regresi Terapan Modul IV-Variabel Dummy

Similar to Laporan Praktikum Analisis Regresi Terapan Modul IV-Variabel Dummy (20)

More from Shofura Kamal

More from Shofura Kamal (14)

Recently uploaded

Recently uploaded (20)

Laporan Praktikum Analisis Regresi Terapan Modul IV-Variabel Dummy