BAB I

PENDAHULUAN

1.1 Pengertian Analisis Regresi

Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur
ada atau tidaknya korelasi antarvariabel. Jika memiliki dua buah variabel atau lebih
maka sudah selayaknya mempelajari bagaimana variabel-variabel itu berhubungan
atau dapat diramalkan. Analisis regresi berguna untuk mendapatkan hubungan
fungsional antara dua variabel atau lebih. Selain itu analisis regresi berguna untuk
mendapatkan pengaruh antar variabel prediktor terhadap variabel kriteriumnya atau
meramalkan pengaruh variabel prediktor terhadap variabel kriteriumnya.
Analisis regresi mempelajari hubungan yang diperoleh dinyatakan dalam
persamaan matematika yang menyatakan hubungan fungsional antara variabel-
variabel. Hubungan fungsional antara satu variabel prediktor dengan satu variabel
kriterium disebut analisis regresi sederhana (tunggal), sedangkan hubungan fungsional
yang lebih dari satu variabel disebut analisis regresi ganda.
1.2 Pengertian Uji Asumsi Klasik
Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada
analisis regresi linear berganda yang berbasis ordinary least square (OLS). Tidak
semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya uji
multikolinearitas tidak dapat dipergunakan pada analisis regresi linear sederhana dan
uji autokorelasi tidak perlu diterapkan pada data cross sectional. Jadi, regresi linear
sederhana memiliki 4 asumsi yaitu: asumsi linearitas, asumsi normalitas, asumsi
homoskedastisitas, dan asumsi autokorelasi. Sedang regresi linear berganda :
asumsi multikolinearitas, asumsi normalitas, asumsi heteroskedastisitas, dan asumsi
autokorelasi.
1.2.1 Pengertian Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual
terdistribusi normal atau tidak. Model regresi yang baik adalah
memiliki nilai residual yang terdistribusi normal. Jadi uji normalitas
bukan dilakukan pada masing-masing variabel tetapi pada nilai
residualnya. Sering terjadi kesalahan yang jamak yaitu bahwa uji
normalitas dilakukan pada masing-masing variabel. Hal ini tidak
dilarang tetapi model regresi memerlukan normalitas pada nilai
residualnya bukan pada masing-masing variabel penelitian.
Uji normalitas dapat dilakukan dengan menggunakan Uji Chi
Kuadrat, Uji Lillifors, dan Uji Kolmogorov-Smirnov.
1.2.2 Uji Autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi
antara suatu periode t dengan periode sebelumnya (t -1). Secara
sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh
antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada
korelasi antara observasi dengan data observasi sebelumnya.
1.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah terdapat
ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan
yang lain. Model regresi yang memenuhi persyaratan adalah di
mana terdapat kesamaan varians dari residual satu pengamatan ke
pengamatan yang lain tetap atau disebut homoskedastisitas.
Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter
plot dengan memplotkan nilai ZPRED (nilai prediksi) dengan SRESID
(nilai residualnya). Model yang baik didapatkan jika tidak terdapat pola
tertentu pada grafik, seperti mengumpul di tengah, menyempit kemudian
melebar atau sebaliknya melebar kemudian menyempit.
 Uji statistik yang dapat digunakan adalah uji Gletser, uji Park
atau uji White.
1.2.4 Uji Multikolinieritas
Uji multikolinearitas adalah untuk melihat ada atau tidaknya
korelasi (keterkaitan) yang tinggi antara variabel-variabel bebas dalam
suatu model regresi linear berganda. Jika ada korelasi yang tinggi
di antara variabel-variabel bebasnya, maka hubungan antara variabel
bebas terhadap variabel terikatnya menjadi terganggu.
Alat statistik yang sering dipergunakan untuk menguji
gangguan multikolinearitas adalah dengan variance inflation factor
(VIF), korelasi pearson antara variabel-variabel bebas, atau dengan
melihat eigenvalues dan condition index (CI). (Sumber: Budianas,
Nanang. 2013).

1.3 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 continue. Variabel dummy sering diseut variabel boneka, binary, kategorik,
atau dikotom. Variabel dummy hanya mempunyai dua nilai yaitu 1 dan 0, serta diberi
simbol D. Dummy memiliki nilai 1 (D=1) utnuk salah satu kategori dan nol (D=0)
untuk kategori yang lain.
 BAB II

DESKRIPSI KERJA

2.1 Studi Kasus

Pada praktikum kali ini praktikan diminta untuk menyelesaikan suatu
permasalahan dengan menggunakan analisis regresi berganda dengan variabel
dummy dan uji asumsi klasik terhadap data yang tersedia. Berikut adalah data
persoalan pada praktikum kali ini :
Gaji Bidang Tingkat Pendidikan Lama Bekerja Usia
115 1 1 2 23
245 1 1 2 21
315 1 1 4 21
365 1 1 3 22
575 1 1 5 24
385 1 1 4 25
425 1 1 4 25
350 1 1 3 26
587 1 1 5 29
985 1 1 7 30
635 1 1 4 30
695 1 1 7 30
785 1 1 7 30
402 1 1 4 30
612 1 1 6 31
425 2 2 4 20
680 2 2 6 24
623 2 2 6 27
651 2 2 5 29
620 2 2 6 31
606 2 2 7 30
1055 2 2 10 33
565 2 2 5 33
185 3 3 1 20
545 3 3 5 20
245 3 3 2 21
245 3 3 3 22
415 3 3 4 22
155 3 3 3 24
565 3 3 6 26
415 3 3 3 27
485 3 3 4 30
659 3 3 6 30
596 3 3 4 30
750 3 3 7 30
285 4 2 10 22
575 4 2 6 22
567 4 2 5 22
650 4 3 6 22
485 4 2 4 23
482 4 2 4 23
485 4 2 2 24
567 4 3 5 25
245 4 1 2 25
585 4 3 5 26
582 4 2 5 26
554 4 2 4 26
387 4 2 4 26
522 4 2 5 28
650 4 3 6 28
560 4 3 5 28
565 4 3 5 30
845 4 3 5 30
567 4 2 5 30
597 4 2 3 31
885 4 3 8 33
965 4 3 7 33
485 4 3 2 33
985 4 3 4 33
115 5 1 10 30
285 5 2 1 22
245 5 2 3 22
605 5 3 2 22
115 5 1 6 22
285 5 1 1 24
605 5 2 2 25
474 5 2 5 25
594 5 3 4 25
594 5 3 5 27
500 5 3 5 27
785 5 3 6 29
 745 5 3 6 29
609 5 3 4 30

Data diatas adalah data gaji pegawai sesuai kriterianya dengan keterangan sebagai
berikut :
Keterangan bidang :
1 = Pemasaran
2 = Humas
3 = Accounting
4 = Kredit
5 = Personalia
Keterangan tingkat pendidikan :
1 = D3
2 = S1
3 = S2
Dari persoalan data di atas hitunglah :
a. Lakukan analisis regresi linear berganda dan variabel dummy
b. Tuliskan model
c. Simulasikan peramalan dan interpretasinya
2.2 Penyelesaian Studi Kasus
Berikut adalah langkah-langkah yang praktikan gunakan untuk melakukan
analisis regresi linear berganda dan variabel dummy serta uji asumsi klasik terhadap
data di atas dengan menggunakan SPSS :
2.2.1 Buka aplikasi SPSS dengan melakukan double click pada icon desktop.
2.2.2 Setelah aplikasi terbuka, buat nama variabel gaji, bidang, tingkat pendidikan,
lama bekrja, usia, bd1, bd2, bd3, bd4, bp1, bp2 pada lembar kerja variable
view dan masukkan keterangan bidang dan tingkat pendidikan dalam bentuk
kategori sesuai dengan studi kasus pada kolom values.
2.2.3 Masukan data sesuai studi kasus pada lembar kerja data view.
2.2.4 Lakukan analisis regresi linear berganda dengan menggunkana metode enter
terhadap semua variabel kecuali bidang dan tingkat pendidikan.
2.2.5 Klik analyze > regression > linear, masukkan variabel gaji ke dalam kotak
dependent dan variabel lama bekerja, usia, bd1, bd2, bd3, bd4, bp1, bp2 ke
dalam kotak independent. Pilih metode enter
2.2.6 Pada button statistics beri tanda ceklist pada kotak durbin-watson (uji
kebebasan sisaan), collinierity diagnostics, estimates, dan model fit. Lalu klik
continue dan OK.
2.2.7 Pada button plot masukan *ZPRED ke dalam kolom X dan *SRESID ke
dalam kolom Y (untuk uji homoskedastisitas) lalu beri tanda centang pada
kotak histogram dan normal probability plot (untuk uji kenormalan sisaan)
lalu klik continue .
2.2.8 Pada button save beri tanda centang pada unstandardized dalam kotak
residuals, kemudian klik continue dan OK.
2.2.9 Kemudian pada lembar kerja data view akan muncul kolom baru dengan mana
kolom RES_1, ini merupakan residual regresi.
2.2.10 Pilih menu bar analyze > nonparametric test > legacy dialogs > 1-sample K-
S, kemudian masukan nilai unstandardized residual ke dalam kolom test
variable list dan beri tanda centang pada kotak normal, lalu klik OK.
 BAB III

PEMBAHASAN

Pada kesempatan kali ini praktikan akan membahas mengenai hasil output
dari analisis regresi linear berganda dan variabel dummy yang telah praktikan ujikan
menggunakan software SPSS
3.1 Uji Linearitas
Untuk menentukan apakah ada bentuk hubungan linear atau tidak, maka
praktikan menampilkan visualisasi berupa diagram pencar yang menyatakan
hubungan variabel gaji dengan bidang (gambar 3.1), gaji dengan tingkat
pendidikan (gambar 3.2), gaji dengan lama bekerja (gambar 3.3) dan gaji dengan
usia (gambar 3.4).
Dalam kasus ini, terlihat bahwa tingkat pendidikan, bidang, lama bekerja dan
usia merupakan variabel yang mempengaruhi variabel gaji. Dengan demikian gaji
merupakan variabel dependen (y), bidang, tingkat pendidikan, lama bekerja, dan
usia merupakan variabel independen.

Gambar 3.1 Uji Linearitas Gaji Dengan Bidang

 Gambar 3.2 Uji Linearitas Gaji Dengan Tingkat Pendidikan

Gambar 3.3 Uji Linearitas Gaji Dengan Lama Bekerja

Gambar 3.4 Uji Linearitas Gaji Dengan Usia

Dari bentuk diagram pencar di atas (gambar 3.1 sampai 3.4), dapat
disimpulkan bahwa hubungan variabel gaji dengan bidang, tingkat pendidikan, lama
bekerja, dan usia adalah tidak linier. Hal ini dikarenakan apabila pada gambar 3.1
sampai 3.4 praktikan tarik garis lurus linier titik-titik dari nilai observasi terlalu
banyak yang berada jauh dari garis lurus linier sehingga dapat dikatakan tidak linier.
Dalam uji linearitas dengan menggunakan hasil output berupa visualisasi grafik
belum tentu analisisnya tepat dikarenakan masing-masing penelti memiliki persepsi
masing-masing dalam membaca gambar grafiknya.

3.2 Analisis Regresi Linear Berganda dan Variabel Dummy

Gambar 3.5 Output Analisis Regresi Linear Berganda Dan Variabel Dummy
Untuk menguji signifikansi linieritas antara variabel independen dengan
variabel dependen, maka dipakai :
3.2.1 Menguji signifikansi hubungan linier antara gaji dengan lama bekerja,
usia, variabel dummy bidang dan variabel dummy tingkat pendidikan (
Uji Overall ).
- Hipotesis
H0 : βi = 0 (Tidak ada hubungan linier pada model regresi linier
berganda / model tidak layak digunakan) i = 0,1,2,3,4,5,6,7,8
H1 : βi ≠ 0 (Ada hubungan linier pada model regresi linier/ model
layak digunakan) i = 0,1,2,3,4,5,6,7,8
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig. yaitu 0,000
- Keputusan
Karena nilai Sig. < α yaitu 0,000 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,000 > 0,05 maka tolak H0 yang artinya ada
 hubungan linier antara gaji dengan lama bekerja, usia, variabel
dummy bidang dan variabel dummy tingkat pendidikan atau model
layak digunakan atau ada salah satu nilai βi yang tidak sama dengan
0.
Dari gambar tabel model summary diperoleh nilai R2 = 0,645. Artinya
variabel lama bekerja, usia, variabel dummy bidang dan variabel tingkat
pendidikan dapat menerangkan variabilitas sebesar 64,5% dari variabel
gaji, sedangkan sisanya diterangkan oleh variabel lain (R2 merupakan
koefisien determinasi)
3.2.2 Menguji signifikansi konstanta pada model linier.
- Hipotesis
H0 : β1 = 0 (Konstanta / variabel harga rumah tidak signifikan)
H1 : β1 ≠ 0 (Konstanta / variabel harga rumah signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,081
- Keputusan
Karena nilai Sig. > α yaitu 0,081 > 0,05 maka terima H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,081 > 0,05 maka tolak H0 yang artinya
konstanta variabel gaji tidak signifikan.
3.2.3 Menguji signifikansi koefisien variabel lama bekerja pada model linier
(uji parsial variabel lama bekerja)
- Hipotesis
 H0 : β1 = 0 (Koefisien regresi variabel lama bekerja tidak signifikan)
H1 : β1 ≠ 0 (Koefisien regresi variabel lama bekerja signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig. 0,003
- Keputusan
Karena nilai Sig. < α yaitu 0,003 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig. lebih
dari α yaitu 0,003 < 0,05 maka tolak H0 yang artinya koefisien
regresi variabel lama bekerja signifikan.
3.2.4 Menguji signifikansi koefisien variabel usia pada model linier (uji
parsial variabel usia)
- Hipotesis
H0 : β2 = 0 (Koefisien regresi variabel usia tidak signifikan)
H1 : β2 ≠ 0 (Koefisien regresi variabel usia signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,000
- Keputusan
Karena nilai Sig. < α yaitu 0,000 < 0,05 maka tolak H0
- Kesimpulan
 Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,000 < 0,05 maka tolak H0 yang artinya
koefisien regresi variabel usia signifikan.
3.2.5 Menguji signifikansi koefisien variabel dummy bidang 1 pada model
linier (uji parsial variabel dummy bidang 1)
- Hipotesis
H0 : β3 = 0 (Koefisien regresi variabel dummy bidang 1 tidak
signifikan)
H1 : β3 ≠ 0 (Koefisien regresi variabel dummy bidang 1 signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,019
- Keputusan
Karena nilai Sig. < α yaitu 0,019 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,019 < 0,05 maka tolak H0 yang artinya
koefisien regresi variabel dummy bidang 1 signifikan.
3.2.6 Menguji signifikansi koefisien variabel dummy bidang 2 pada model
linier (uji parsial variabel dummy bidang 2)
- Hipotesis
H0 : β4 = 0 (Koefisien regresi variable dummy bidang 2 tidak
signifikan)
H1 : β4 ≠ 0 (Koefisien regresi variable dummy bidang 2 signifikan)
- Tingkat Signifikansi
 α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,000
- Keputusan
Karena nilai Sig. < α yaitu 0,000 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,000 < 0,05 maka tolak H0 yang artinya
koefisien regresi variabel dummy bidang 2 signifikan.
3.2.7 Menguji signifikansi koefisien variabel dummy bidang 3 pada model
linier (uji parsial variabel dummy bidang 3)
- Hipotesis
H0 : β5 = 0 (Koefisien regresi variabel dummy bidang 3 tidak
signifikan)
H1 : β5 ≠ 0 (Koefisien regresi variabel dummy bidang 3 signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,002
- Keputusan
Karena nilai Sig. < α yaitu 0,002 < 0,05 maka tolak H0
- Kesimpulan
 Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,002 < 0,05 maka tolak H0 yang artinya
koefisien regresi variabel dummy bidang 3 signifikan.
3.2.8 Menguji signifikansi koefisien variabel dummy bidang 4 pada model
linier (uji parsial variabel dummy bidang 4)
- Hipotesis
H0 : β6 = 0 (Koefisien regresi variabel dummy bidang 4 tidak
signifikan)
H1 : β6 ≠ 0 (Koefisien regresi variabel dummy bidang 4 signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,000
- Keputusan
Karena nilai Sig. < α yaitu 0,000 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,000 < 0,05 maka tolak H0 yang artinya
koefisien regresi variabel dummy bidang 4 signifikan.
3.2.4 Menguji signifikansi koefisien variabel usia pada model linier (uji
parsial variabel usia)
- Hipotesis
H0 : β2 = 0 (Koefisien regresi variabel usia tidak signifikan)
H1 : β2 ≠ 0 (Koefisien regresi variabel usia signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
 - Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,000
- Keputusan
Karena nilai Sig. < α yaitu 0,000 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,000 < 0,05 maka tolak H0 yang artinya
koefisien regresi variabel usia signifikan.
3.2.4 Menguji signifikansi koefisien variabel usia pada model linier (uji
parsial variabel usia)
- Hipotesis
H0 : β2 = 0 (Koefisien regresi variabel usia tidak signifikan)
H1 : β2 ≠ 0 (Koefisien regresi variabel usia signifikan)
- Tingkat Signifikansi
α : 5% = 0,05
- Daerah Kritis
Nilai Sig. < α maka tolak H0
- Statistik Uji
Nilai Sig.= 0,000
- Keputusan
Karena nilai Sig. < α yaitu 0,000 < 0,05 maka tolak H0
- Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% dan nilai Sig.
kurang dari α yaitu 0,000 < 0,05 maka tolak H0 yang artinya
koefisien regresi variabel usia signifikan.
3.3 Model Regresi Linear Berganda dan Variabel Dummy

3.4 Simulasi Peramalan dan Interpretasi