TEORI ONLINE

SERI TUTORIAL SPSS

by Hendry
http://teorionline.wordpress.com/

REGRESI VARIABEL DUMMY

Dalam beberapa, model regresi juga bisa menggunakan variabel independen kualitatif. Variabel
kualitatif ini bisa dalam bentuk kelas, kelompok atau tingkatan. Contohnya adalah peneliti ingin
menganalisis jumlah penjualan sales melalui jenis kelamin dan tingkat pendidikan. Dalam
bahasan kali ini kita akan membahas mengenai analisis regresi dengan variabel independen
kualitatif.

Contoh Kasus Sederhana (Dummy dua kategori)

Seorang Manager sebuah perusahaan otomotif ingin mengetahui gaji karyawan berdasarkan
jenis kelamin karyawannya

Persamaan Regresi

Y = Bo + b1 d1 + e1

Dimana, Y adalah jumlah gaji, dan d1 (untuk karyawan laki-laki), dan do (karyawan wanita)

Intercept (b0) menunjukkan rata-rata gaji karyawana, dan slope (b1) menunjukkan berapa besar
perbedaan gaji antara karyawan laki-laki dan wanita, dan B0 + b1 memberi informasi mengenai
gaji rata-rata karyawan laki-laki
Contoh Data dilihat di http://teorionline.wordpress.com/2011/05/22/data-regresi-dummy/

PENYELESAIAN

Klik Analyze – Regression Linier.

Masukkan variabel gaji kekotak dependent, dan “SEX/jenis kelamin” ke kotak independent
Klik OK, lalu akan tampil Output Sebagai berikut :

Regression

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 SEXa . Enter
a. All requested variables entered.
b. Dependent Variable: GAJI

Model Summaryb

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .236a .056 .034 .88913
a. Predictors: (Constant), SEX
b. Dependent Variable: GAJI

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 2.007 1 2.007 2.538 .118a
Residual 33.993 43 .791
Total 36.000 44
a. Predictors: (Constant), SEX
b. Dependent Variable: GAJI

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 4.534 .190 23.919 .000
SEX .422 .265 .236 1.593 .118
a. Dependent Variable: GAJI
 Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 4.5341 4.9565 4.7500 .21355 45
Residual -1.70652 1.71591 .00000 .87896 45
Std. Predicted Value -1.011 .967 .000 1.000 45
Std. Residual -1.919 1.930 .000 .989 45
a. Dependent Variable: GAJI

INTERPRETASI

Model Summary

Angka R sebesar 0.236 menunjukkan angka korelasi yang kecil antara gaji dengan gender
karyawan.

ANOVA

Dari Tabel anova diketahui bahwa nilai F hitung adalah sebesar 2.538 dengan Sig sebesar 0.118.
Angka ini lebih besar dibanding dengan nilai 0.05 sehingga dapat dikatakan bahwa pengaruh
variabel gender tidak signifikan mempengaruhi besaran gaji yang diterima karyawan.

Persamaan Regresi

Persamaan yang diperoleh dari Tabel Coeff adalah sebabai berikut :

Gaji laki-laki = 4.534 + 0.422 (1), atau sebesar 4.957

Gaji wanita = 4.534 + 0.422 (0), atau sebesar 4.534

Namun karena model tidak signifikan, maka persamaan ini tidak diinterpretasikan lebih lanjut
REGRESI DUMMY > 2 KATEGORI

Jika pada bahasan sebelumnya kita menganalisis regresi dummy dua kategori, maka pada
pembahasan kali ini kita akan membahas mengenai regresi dengan variabel independent yang
memiliki tingkatan lebih dari 2 kategori

Masih menggunakan data yang sama pada bahasan sebelumnya di regresi dummy pertama,
maka selanjutnya kita akan menganalisis pengaruh tingkat pendidikan terhadap gaji yang
diterima karyawan.

Variabel rata-rata gaji bulanan dalam juta Rp

Variabel gaji dikelompokkan menjadi tiga yaitu : SMA, Sarjana, dan Pascasarjana

Variabel masa kerja dalam tahun

Model regresi dapat ditulis sebagai berikut :

Y = b0 + b1 d1 + b2 d2 + b3 X + e1

Y adalah gaji rata-rata,

X adalah masa kerja,

d1 = 1 jika S2, 0 jika tidak,

d2 = 1 jika S1, 0 jika tidak

Data dapat dilihat di http://teorionline.wordpress.com/2011/05/22/data-regresi-dummy-2-

kategori/
PENYELESAIAN

Klik Analyze, pilih Regression Linier..

Masukkan variabel masa kerja, d1, dan d2 ke dalam kotak independent, dan gaji ke kotak
dependent.

Abaikan yang lain lalu klik OK

Regression

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 d2_1, d1_
1, masa_
a
. Enter
kerja
a. All requested variables entered.
b. Dependent Variable: GAJI

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .711a .505 .469 .65901
a. Predictors: (Constant), d2_1, d1_1, masa_kerja

ANOVAb

Sum of
Model 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_1, d1_1, masa_kerja
b. Dependent Variable: GAJI

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 3.531 .267 13.238 .000
masa_kerja .113 .038 .421 3.016 .004
d1_1 .596 .231 .326 2.576 .014
d2_1 .969 .302 .479 3.211 .003
a. Dependent Variable: GAJI
INTERPRETASI

Nilai adj R Square adalah sebesar 0.711 menunjukkan bahwa hubungan antara variabel
independent dan dependent cukup kuat.

Nilai F hitung adalah sebesar 13.964, dengan sig 0.000. Karena sig < 0.05 maka dapat
disimpulkan bahwa model regresi adalah signifikan dan layak digunakan untuk memprediksi gaji
karyawan

Persamaan regresi

Gaji = 3.531 + 0.311 (masa kerja) + 0.596 (d1) + 0.969 (d2)

Karyawan pendidikan SMA

Y = b0 + b1 (masa kerja) = 3.531 + 0.311

Karyawan pendidikan Sarjana

Y = b1 + (b0 + b2) = 0.311 + (3.531 + 0.596)

karyawan pendidikan Pascasarjana

y = b1 + (b0 + b3) = 0.311 + (5.531 + 0.969)

Dari hasil uji t diketahui bahwa nilai sig seluruhnya < 0.05 sehingga dapat dinyatakan bahwa
masa kerja, dan tingkatan pendidikan mempengaruhi besaran gaji karyawan