devlore.files.wordpress.com · Web viewBAB I. PENDAHULUAN. Variabel Dummy. Variabel dummy adalah...

BAB I

PENDAHULUAN

1.1 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 kontinu. 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.

Kita pertimbangkan model berikut ini:

I. Y = a + bX + c D1 (Model Dummy Intersep)

II. II. Y = a + bX + c (D1X) (Model Dummy Slope)

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

Salah satu bagian dari regresi linear berganda adalah regresi berganda dengan variabel dummy (variabel boneka). 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.

Pengkodean data kategorikal memerlukan pengkategorian eksklusif. Artinya satu subjek/sampel adalah masuk dalam satu kategori, tidak boleh dua kategori. Sampel A misalnya, tidak boleh masuk ke dalam kategori laki-laki dan perempua. Si B tidak boleh masuk ke dalam kategori PNS dan wiraswasta meskipun kedua profesi tersebut dijalaninya. Aturan ini berlaku variabel dummy. Sebuah variabel dengan kategori sebanyak k akan membutuhkan seperangkat k – 1 variabel dummy untuk menjangkau semua informasi yang terkandung didalamnya. Jadi misalnya saya memiliki variabel tingkat pendidikan dari SD hingga PT (4 kategori) maka jumlah variabel kategori yang sama buat ada 3 kategori. Menggunakan pola koding biner (0,1), variabel dummy selalu vaiables berbentuk dikotomi.

Misalnya semua responden yang menjadi anggota kategori yang diberi kode 1 sedangkan responden tidak dalam kategori tersebut dikode dari 0. Dengan cara seperti ini maka setiap responden akan memiliki kode 1 pada kategori yang sesuai dengannya dan kode 0 pada kategori yang tidak sesuai dengannya. Kode biner dapat dianggap sebagai mirip ke saklar listrik: kode A 1 sinyal bahwa kategori yang diberikan adalah “on” untuk responden (misalnya, dia adalah anggota dari kelompok tertentu, atau karakteristik tertentu hadir ), karena bukan anggota, variabel yang menunjukkan kategori yang diaktifkan “off (yaitu, karakteristik ini tidak ada).

16

10

BAB II

DESKRIPSI KERJA

2.1Studi Kasus

Sebuah perusahaan maskapai penerbangan sedang dalam kondisi pailit, untuk itu tim peneliti perusahaan berusaha untuk menemukan solusi yang tepat bagi keberlangsungan perusahaan. Salah satu opsi terakhir yang diajukan adalah melakukan Pemutusan Hubungan Kerja (PHK) bagi karyawan perusahaan dengan data karyawan calon PHK yang telah ada. Untuk itu perusahaan ingin mengetahui besar nilai yang harus dibayarkan perusahaan pada gaji terakhir sebelum di PHK. Hal tersebut didasarkan pada divisi yang dijalankan (penerbangan : 1, pemasaran: 2, akunting: 3, personalia: 4, sistem informasi: 5, public relation: 6, kredit : 7, armada: 8, ground handling: 9), jabatan dalam perusahaan (kepala divisi: 1, sekretaris divisi:2, staff divisi:3, office boy: 4) , tingkat pendidikan yang telah ditempuh (S2: 1, S1 : 2, D3: 3, SMA/Sederajat : 4) , penilaian hasil kinerja, dan usia.

a) Dapatkan pemodelan regresi linearnya

b) Lakukan uji hipotesis dan cantumkan variabel mana yang Saudara jadikan sebagai variabel dummy

c) Apabila terdapat seorang karyawan calon PHK, bekerja pada divisi penerbangan , jabatan dalam perusahaan adalah sekretaris divisi, tingkat pendidikan D3, usia 24 tahun, nilai kerja 5, berapakah kira-kira gaji yang harus dibayarkan oleh perusahaan?

Berikut ini adalah data karyawan calon penerima keputusan PHK :

DIVISI

JABATAN

DIDIK

KINERJA

USIA

GAJI ($)

1

1

1

7

50

730

1

2

2

7

47

530

1

3

3

3

30

312

1

3

2

5

31

410

1

3

2

5

31

403

1

3

2

6

32

400

1

3

3

4

27

342

2

3

1

6

50

636

2

4

4

5

19

232

2

3

2

6

43

342

2

3

2

5

34

338

2

4

4

6

23

243

2

3

4

3

34

232

2

3

4

6

24

243

2

3

4

5

31

240

3

1

2

4

45

546

3

3

2

5

43

430

3

3

2

5

45

469

3

4

4

5

23

229

3

4

4

6

24

231

3

2

3

5

34

476

3

3

2

4

31

340

3

3

2

4

32

340

3

4

4

6

20

233

4

1

1

6

51

578

4

3

2

5

33

502

4

3

3

4

25

421

4

3

2

7

35

498

4

3

2

4

31

456

4

3

3

4

37

421

4

3

3

3

36

420

5

3

1

5

50

700

5

2

2

5

34

462

5

3

2

6

32

427

5

4

4

3

46

232

5

4

4

3

20

231

5

3

2

5

36

356

5

3

2

4

34

329

5

4

4

4

26

247

5

4

4

6

21

251

6

3

4

4

31

246

6

3

3

3

36

403

6

2

2

7

31

500

6

4

4

4

23

233

6

2

3

4

30

407

6

3

3

3

35

257

6

3

2

3

37

356

6

4

4

4

18

234

7

1

1

3

46

531

7

3

2

6

41

465

7

3

2

5

37

461

7

4

4

3

47

234

7

3

3

5

34

340

7

3

4

7

29

250

7

4

4

5

22

232

7

4

4

4

23

231

8

1

1

4

47

525

8

2

3

6

34

468

8

2

3

5

35

428

8

3

3

4

38

300

8

3

2

6

37

461

8

3

4

5

35

342

8

3

4

4

36

321

9

1

1

4

48

531

9

2

2

5

33

420

9

3

2

7

28

478

9

3

2

6

31

473

9

4

4

6

29

234

9

2

3

6

31

423

2.2Langkah Kerja

Berikut ini adalah langkah-langkah yang dilakukan oleh praktikan untuk melakukan analisis regresi linear dan uji asumsi pada data menggunakan aplikasi SPSS.

1. Buka aplikasi SPSS yang telah terinstall pada PC, kemudian masukkan variable name sesuai data yang diberikan, seperti gambar dibawah ini,

Gambar 2.1 Memasukkan variabel view

1. Kemudian input data berdasarkan studi kasus yang diberikan pada lembar data view seperti gambar berikut,

Gambar 2.2 Memasukkan data pada kolom data view

1. Selanjutnya, klik values pada variabel view untuk memberikan kode pada variabel divisi sesuai dengan kode yang telah ditentukan dari nilai 1-9 seperti pada gambar berikut,

Gambar 2.3 Koding variabel divisi

1. Berikan kode pada variabel jabatan sesuai dengan kode yang telah ditentukan dari nilai 1-4 seperti pada gambar berikut,

Gambar 2.4 Koding variabel jabatan

1. Berikan kode pada variabel didik/pendidikan sesuai dengan kode yang telah ditentukan dari nilai 1-4 seperti pada gambar berikut,

Gambar 2.5 Koding variabel didik

1. Kemudian membuat variabel dummy untuk variabel divisi pilih menu Transform > klik Recode into Different Variables. Pindahkan variabel divisi ke dalam kotak Numeric Variable, kemudian beri nama baru, pada kasus ini praktikan memberi nama “DIV_1” sampai “DIV_8” pada bagian Output Variable lalu pilih change. Lalu klik pada Old and New Values, kemudian pada old value isi 2 sampai 9 satu persatu dan pada new value isi 1, disesuaikan dengan keinginan model lalu pilih add. Kemudian pilih All other values, masukkan value 0 lalu pilih Add dan klik continue seperti pada gambar berikut,

Gambar 2.6 Membuat variabel dummy untuk variabel divisi

1. Untuk membuat variabel dummy jabatan pilih menu Transform > klik Recode into Different Variables. Pindahkan variabel smoke ke dalam kotak Numeric Variable, kemudian beri nama “JAB_1” sampai “JAB_3” pada Output Variable lalu pilih change. Lalu klik pada Old and New Values, kemudian pada old value isi 2 sampai 4 satu persatu dan pada new value isi 1 lalu pilih add. Kemudian pilih All other values masukkan value 0 lalu pilih Add dan klik continue.

Gambar 2.7 Membuat variabel dummy untuk variabel jabatan

1. Untuk membuat variabel dummy didik/pendidikan pilih menu Transform > klik Recode into Different Variables. Pindahkan variabel alcohol ke dalam kotak Numeric Variable, kemudian beri nama “DIK_1” sampai “DIK_3” pada Output Variable lalu pilih change. Lalu klik pada Old and New Values, kemudian pada old value isi 2 sampai 4 satu persatu dan pada new value isi 1 lalu pilih add. Kemudian pilih All other values lalu masukkan values 0 lalu Add dan klik continue,

Gambar 2.8 Membuat variabel dummy untuk variabel pendidikan

1. Hasil variabel dummy ketiga variabel diatas akan tertampil lembar data view seperti pada gambar berikut,

Gambar 2.9 Output variabel dummy

1. Setelah membuat variabel dummy, kemudian praktikan melakukan analisis regresi seperti biasa. Pilih menu Analyze > Regression > klik Linear, kemudian akan muncul kotak dialog Linear Regression. Kemudian pindahkan variabel gaji ke kotak dependent yang berada disebelah kanan dan masukkan semua variabel selain variabel divisi, jabatan, dan pendidikan ke kotak independent(s) yang ada disebelah kanan. Seperti pada gambar berikut,

Gambar 2.10 Pengaturan linear regression

1. Kemudian klik Statistics, beri centang Durbin-Watson pada Residuals lalu klik Continue. Lalu klik Ok seperti berikut,

Gambar 2.10 Pengaturan Statistics

BAB III

PEMBAHASAN

Pada laporan praktikum kali ini praktikan akan membahas tentang output dari analisis regresi dengan variabel dummy. Berikut pembahasan output dari kegiatan yang telah dilakukan.

Gambar 3.1 Output model summary

Berdasarkan hasil output diatas dapat diketahui untuk nilai R (Koefisien Korelasi) itu sendiri sebesar 0,941 untuk model 1 yang berarti bahwa antara variabel dependent dengan variabel independent memiliki hubungan linear yang kuat dan kedua variabel tersebut memiliki hubungan yang searah yang artinya jika variabel X tinggi maka variabel Y juga akan tinggi pula.

Kemudian untuk nilai R Square (Koefisien Determinasi) yang digunakan untuk mengukur seberapa jauh kemampuan model dalam menerangkan variabel independent. Pada gambar diatas nilai koefisien determinasi yang didapat untuk model 1 sebesar 0,885 atau 88,5 % yang artinya sebesar 88,5 % keragaman Y mampu dijelaskan oleh X dalam model, sedangkan sisanya dijelaskan oleh peubah lain diluar model atau dijelaskan oleh model lain.

Sehingga dapat disimpulkan bahwa model tersebut baik karena > 0,05 atau mendekati 1.

Gambar 3.2 Output Anova

Untuk uji statistik F ini menggunakan model 2 karena sudah dijelaskan diatas tadi bahwa model yang terbaik adalah model 2. Uji Statistik F menunjukkan apakah semua variabel independen mempunyai pengaruh terhadap variabel dependen atau untuk mengetahui apakah model regresi dapat digunakan untuk memprediksi variabel dependen atau tidak. Sig adalah hubungan yang terjadi dapat berlaku untuk populasi (dapat digeneralisasi).

Pengujian overall dapat dilakukan dengan melihat nilai Sig (p-value) :

a. Hipotesis

H0 : βi = 0 ; i = 0, 3, 4, ..., 8 (model tidak sesuai)

H1 : ada salah satu nilai βi yang tidak sama dengan 0; i = 0, 3, 4, ..., 8(model sesuai/layak digunakan)

b. Tingkat Signifikansi

α = 0,05

c. Daerah Kritis

Jika Sig ≤ α maka tolak H0

d. Statistik Uji

Sig = 0,000

e. Keputusan

Karena Sig (0,000) < α (0,05) maka keputusannya adalah tolak H0.

f. Kesimpulan

Jadi dengan tingkat signifikansi 5% didapatkan kesimpulan bahwa model sesuai/layak digunakan.

Kemudian melakukan uji parsial untuk melakukan penentuan model. Sama seperti sebelumnya, uji parsial dapat dilakukan dengan cara melihat output Coefficients seperti gambar berikut.

Gambar 3.3 Output Coefficients

Berdasarkan gambar diatas, dengan menggunakan metode enter pada SPSS diperoleh model regresi :

Ŷ = 7,547 + 52,346 + 0,887 X1

Uji-t digunakan untuk menguji parameter secara parsial, dengan kata lain untuk mengetahui apakah variabel independen (X) berpengaruh signifikan terhadap variabel dependen (Y).

Uji Parsial Untuk Koefisien :

a. Hipotesis

: = 0 (konstanta tidak signifikan)

: 0 (konstanta signifikan)


c. Daerah ktitis

ditolak jika

d. Statistik Uji

e. Keputusan

maka terima

f. Kesimpulan

Dengan tingkat signifikansi 5% maka didapat terima yang berarti konstanta tidak signifikan.


a. Hipotesis

: = 0 (koefisien tidak signifikan)

: 0 (koefisien signifikan)


c. Daerah ktitis

ditolak jika

d. Statistik Uji

e. Keputusan

tolak

f. Kesimpulan

Dengan tingkat signifikansi 5% maka didapat tolak yang berarti koefisien signifikan.


a. Hipotesis




c. Daerah ktitis

ditolak jika

d. Statistik Uji

e. Keputusan

tolak

f. Kesimpulan

Dengan tingkat signifikansi 5% maka didapat tolak yang berarti konstanta signifikan.


a. Hipotesis




c. Daerah ktitis

ditolak jika

d. Statistik Uji

e. Keputusan

terima

f. Kesimpulan



a. Hipotesis




c. Daerah ktitis

ditolak jika

d. Statistik Uji

e. Keputusan

terima

f. Kesimpulan



a. Hipotesis




c. Daerah ktitis

ditolak jika

d. Statistik Uji

e. Keputusan

terima

f. Kesimpulan



a. Hipotesis




c. Daerah ktitis

ditolak jika

d. Statistik Uji

e. Keputusan

terima

f. Kesimpulan



a. Hipotesis




c. Daerah ktitis

ditolak jika

d. Statistik Uji

e. Keputusan

terima

f. Kesimpulan



a. Hipotesis




c. Daerah ktitis

ditolak jika

d. Statistik Uji

e. Keputusan

terima

f. Kesimpulan



g. Hipotesis



h. Tingkat Signifikansi

i. Daerah ktitis

ditolak jika

j. Statistik Uji

k. Keputusan

terima

l. Kesimpulan



m. Hipotesis



n. Tingkat Signifikansi

o. Daerah ktitis

ditolak jika

p. Statistik Uji

q. Keputusan

terima

r. Kesimpulan



s. Hipotesis



t. Tingkat Signifikansi

u. Daerah ktitis

ditolak jika

v. Statistik Uji

w. Keputusan

terima

x. Kesimpulan



y. Hipotesis



z. Tingkat Signifikansi

aa. Daerah ktitis

ditolak jika

ab. Statistik Uji

ac. Keputusan

terima

ad. Kesimpulan



ae. Hipotesis



af. Tingkat Signifikansi

ag. Daerah ktitis

ditolak jika

ah. Statistik Uji

ai. Keputusan

terima

aj. Kesimpulan



g. Hipotesis



h. Tingkat Signifikansi

i. Daerah ktitis

ditolak jika

j. Statistik Uji

k. Keputusan

tolak

l. Kesimpulan



m. Hipotesis



n. Tingkat Signifikansi

o. Daerah ktitis

ditolak jika

p. Statistik Uji

q. Keputusan

tolak

r. Kesimpulan



s. Hipotesis



t. Tingkat Signifikansi

u. Daerah ktitis

ditolak jika

v. Statistik Uji

w. Keputusan

tolak

x. Kesimpulan


BAB IV

PENUTUP

Dari hasil analisis diatas didapatkan kesimpulan sebagai berikut:

1. Berdasarkan analisis regresi yang telah praktikan lakukan, terdapat pengaruh dari variabel lain terhadap variabel denyut nadi kedua. Variabel yang berpengaruh yaitu variabel dummy ran dan variabel denyut nadi pertama.

2. Berdasarkan output Coefficient pada SPSS maka didapatkan model terbaik yaitu:

Ŷ = 7,547 + + 0,887 X1 + 52,346 (Dmran)

Dengan interpretasi sebagai berikut:

· Intersept berdasarkan model diatas yaitu nilai konstanta. Nilai konstanta diperoleh nilai sebesar 7,547. Hal ini berarti jika jumlah nadi pertama dan jumlah dummy ran tetap atau tidak mengalami penambahan atau pegurangan, maka nilai denyut nadi 2 sebesar nilai konstanta yaitu 7,547.

· Slope pertama berdasarkan model diatas yaitu nilai X1 atau denyut nadi 1 sebesar 0,887. Artinya yaitu bahwa setiap kenaikan denyut nadi 1 satu satuan maka variabel denyut nadi 2 akan naik 0,887 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

· Slope kedua yaitu variabel dummy ran sebesar 52,346. Hal ini berarti bahwa setiap kenaikan dummy ran satu satuan maka denyut nadi 2 akan naik 0,050 dengan asumsi bahwa variabel bebas yang lain dari model regresi adalah tetap.

3. Perhitungan jumlah detak nadi per menit pada pengukuran kedua untuk jenis kelamin laki-laki adalah sebagai berikut:

Ŷ (Pulse 2) = 7,547 + 0,887 X1 + 52,346 (Dmran)

Ŷ (Pulse 2) = 7,547 + 0,887 (100) + 52,346 (1)

Ŷ (Pulse 2) = 148,593

Perhitungan jumlah detak nadi per menit pada pengukuran kedua untuk jenis kelamin perempuan adalah sebagai berikut:

Ŷ (Pulse 2) = 7,547 + 0,887 X1 + 52,346 (Dmran)

Ŷ (Pulse 2) = 7,547 + 0,887 (100) + 52,346 (0)

Ŷ (Pulse 2) = 96,247

devlore.files.wordpress.com · Web viewBAB I. PENDAHULUAN. Variabel Dummy. Variabel dummy adalah...

Documents

Transcript of devlore.files.wordpress.com · Web viewBAB I. PENDAHULUAN. Variabel Dummy. Variabel dummy adalah...