ANALISIS REGRESI DENGAN VARIABEL BEBAS DUMMY

Untuk Memenuhi Tugas Mata Kuliah Ekonometrika

Diasuh Oleh :
Dr. H. Karim, M.Si.
Taufiq Hidayanto, M.Pd.

Oleh :
Anneza Berliana Putri (1610118320004)
Sri Dilla Rizmawwati Putri (1610118220020)

PROGRAM STUDI PENDIDIKAN MATEMATIKA

JURUSAN PENDIDIKAN MATEMATIKA DAN IPA
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS LAMBUNG MANGKURAT
DESEMBER 2019
 DAFTAR ISI

1. KAJIAN TEORI ................................................................................................................... 3

1.1 Analisis Regresi .......................................................................................................... 3
1.2 Variabel Dummy......................................................................................................... 3
1.3 Pemanfaatan Regresi Berganda dengan Variabel Dummy ........................................ 3
2. SAJIAN/TABULASI DATA ................................................................................................ 4
2.2 Pernyataan Teori atau Hipotesis ................................................................................ 5
2.3 Menyajikan Model Matematis dari Teori Tersebut ................................................... 6
2.4 Uji Analisis Regresi Sederhana dengan Menggunakan SPSS...................................... 6
a. Uji Simultan (Uji F) .............................................................................................. 7
b. Uji Koefisien Regresi (Uji t) ................................................................................. 7
c. Koefisien Determinasi ........................................................................................... 8
d. Uji Asumsi Klasik terhadap Model Hasil Uji Kelayakan...................................... 8
DAFTAR PUSTAKA .............................................................................................................. 13
1. KAJIAN TEORI
1.1 Analisis Regresi
Analisis regresi adalah suatu proses melakukan estimasi untuk memperoleh
suatu hubungan fungsional antara variable acak Y dengan variabel X. Persamaan
regresi digunakan untuk memprediksi nilai Y untuk nilai X tertentu. Regresi dibagi
menjadi dua, yaitu :
a. Analisis Regresi Linier Sederhana
Analisis regresi sederhana adalah analisis regresi antara satu variabel Y dan satu
variabel X. hubungan antara variabel Y dan variabel X dapat linier atau bukan
linier.
b. Analisis Regresi Linier Berganda
Analisis regresi ganda digunakan apabila kita ingin meramalkan pengaruh
variabel dua buah variabel (X) atau lebih terhadap sebuah variabel terikat (Y)
atau membuktikan bahwa terdapat atau tidak terdapatnya hubungan fungsional
antara dua variabel bebas (X) atau lebih dengan sebuah variabel terikat (Y).

1.2 Variabel Dummy

Dalam analisis regresi, variabel terikat sering kali dipengaruhi tidak hanya
oleh variabel-variabel yang bisa dikuantifikasi pada beberapa skala yang sudah
tertentu (seperti pendapatan, output, biaya, harga, bobot, suhu,), tapi juga oleh
variabel-variabel yang pada dasarnya bersifat kualitatif (seperti jenis kelamin, ras,
warna, agama, kebangsaan, ukuran, afiliasi partai politik, status perkawinan).
Variabel dummy digunakan untuk menguji variabel bebas yang berskala
ukuran nom-metrik atau kategori. Di dalam regresi , kita bisa memasukkan variabel
kualitatif kedalam model regresi. Jika variabel bebas berukuran ketegori atau
dikotomi, maka dalam model regresi variabel tersebut harus dinyatakan sebagai
variabel dummy dengan memberi kode 0 (nol) atau 1 (satu). Maka dapat
disimpulkan, 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).

1.3 Pemanfaatan Regresi Berganda dengan Variabel Dummy

Tujuan menggunakan regresi berganda dummy adalah memprediksi besarnya
nilai variabel tergantung/dependent atas dasar satu atau lebih variabel
3
 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. Contoh data kualitatif misal jenis
kelamin adalah laki-laki dan perempuan, harus di transform ke dalam bentuk
Lakilaki = 1 ; Perempuan = 0. atau tingkat pendidikan misal SMA dan Sarjana, maka
diubah menjadi SMA = 0 ; Sarjana = 1, skala yang terdiri dari dua yakni 0 dan 1
disebut kode Binary, sedangkan persamaan model yang terdiri dari Variabel
Dependentnya Kuantitatif dan variabel Independentnya skala campuran : kualitatif
dan kuantitatif, maka persamaan tersebut disebut persamaan regresi berganda
Dummy.
Dalam kegiatan penelitian, kadang variabel yang akan diukur bersifat
Kualitatif, sehingga muncul kendala dalam pengukuran, dengan adanya variabel
dummy tersebut, maka besaran atau nilai variabel yang bersifat Kualitatif tersebut
dapat di ukur dan diubah menjadi kuantitatif..

2. SAJIAN/TABULASI DATA
2.1 Kasus
Kemungkinan terjadinya hujan berdasarkan temperatur dan kelembaban udara.
Dimana curah hujan sebagai variabel terikat, temperatur dan kelembaban udara
sebagai variabel bebas. Data yang dipakai adalah data bulanan pada tahun 2007
sampai 2009 di Karangploso, Malang. Pada variabel terikat, disimbolkan dengan 0
untuk bulan yang jarang terjadi hujan, dengan kriteria curah hujan kurang dari 150
milimeter dan disimbolkan 1 untuk bulan yang sering terjadi hujan, dengan kriteria
curah hujan lebih dari 150 milimeter.
Data dapat dilihat pada tabel berikut :

Tabel 1Data Curah Hujan di Karangploso, Malang

No Bulan dan Curah Temperatur Kelembaban

Tahun Hujan
1 Januari 0 20.4 48
2 Februari 1 20.9 52
2007

3 Maret 1 21.2 42
4 April 1 20.8 53
 5 Mei 0 20.1 43
6 Juni 0 19.7 60
7 Juli 0 18.8 48
8 Agustus 0 17.8 44
9 September 0 17.7 27
10 Oktober 0 19.7 40
11 November 1 20.3 47
12 Desember 1 20.6 55
13 Januari 1 20.4 55
14 Februari 1 21.1 58
15 Maret 1 20.2 61
16 April 0 20.1 53
17 Mei 0 19.7 41
18 Juni 0 18.4 43
2008

19 Juli 0 17.2 40
20 Agustus 0 18.1 39
21 September 0 18.1 28
22 Oktober 0 21 33
23 November 1 21.1 59
24 Desember 1 20.7 56
25 Januari 1 20.8 54
26 Februari 1 21.1 56
27 Maret 0 20.2 46
28 April 0 20.8 46
29 Mei 0 19.7 41
30 Juni 0 18.9 41
2009

31 Juli 0 17.8 41
32 Agustus 0 17.6 38
33 September 0 19.4 33
34 Oktober 0 20.1 29
35 November 1 20.7 35
36 Desember 1 20.6 37

2.2 Pernyataan Teori atau Hipotesis

 Hubungan temperature dan kelembaban terhadap curah hujan.
 Hipotesis :
Uji F
a. Fhitung > Ftabel artinya variabel bebas secara simultan berpengaruh secara
signifikan terhdap variabel terikat.
5
 b. Fhitung < Ftabel artinya variabel bebas secara simultan tidak berpengaruh secara
signifikan terhdap variabel terikat.
 Uji hipotesis membandingkan nilai Sig. dengan α = 0,05
Dasar pengambilan keputusan dalam analisis regresi dengan melihat nilai
signifikansi (Sig.) hasil output SPSS adalah:
a. Jika nilai Sig. < α artinya variabel bebas berpengaruh secara signifikan
terhadap variabel terikat.
b. Jika nilai Sig. > α artinya variabel bebas tidak berpengaruh secara signifikan
terhadap variabel terikat.

2.3 Menyajikan Model Matematis dari Teori Tersebut

 Misal :
CH = Curah Hujan
T = Temperatur
K = Kelembaban
 Persamaan : CH = α1 + α2T + α3K + Ԑ
 Analisis variabel bebas dan variabel terikat : Curah Hujan (CH) adalah variabel
terikat, sedangkan temperatur dan kelembaban adalah variabel bebas.

2.4 Uji Analisis Regresi Sederhana dengan Menggunakan SPSS

2.4.1 Menduga Parameter dari Model Ekonometrika
Metode statistika yang digunakan untuk pendugaan parameter Analisis
Regresi Linier Berganda.

Analisis Regresi Linier Berganda yang diterapkan pada Curah Hujan

[Y], Temperatur [X1], dan Kelembapan [X2] memiliki persamaan:
𝑌 = −4,453 + 0,209𝑋1 + 0,016𝑋2
2.4.2 Uji Kelayakan Model
a. Uji Simultan (Uji F)
Hasil uji F dapat dilihat pada tabel ANOVAa di bawah ini. Nilai
prob. F hitung terlihat pada kolom terakhir (sig.).

Dari hasil uji F pada penelitian ini, didapatkan nilai F hitung sebesar
16,332 dengan angka signifikansi sebesar 0,000. Dengan tingkat
signifikansi 95% (α = 0,05) .Angka signifikansi sebesar 0,000 < 0,005.
Atas dasar perbandingan tersebut, maka H0 ditolak atau berarti variabel
temperatur [X1] dan kelembapan [X2] mempunyai pengaruh yang
signifikansi secara bersama-sama terhadap variabel Curah Hujan [Y]
dengan persamaan sebagai berikut.
𝑌 = −4,453 + 0,209𝑋1 + 0,16𝑋2
b. Uji Koefisien Regresi (Uji t)
Hasil pengujian dapat dilihat pada tabel Coefficientsa di bawah ini.

Berdasarkan tabel di atas, maka hasil uji t pada penelitian ini dapat
dijelaskan sebagai berikut.
 Temperatur
Hipotesis temperatur, yaitu:
H0: Temperatur tidak berpengaruh secara signifikan terhadap curah
hujan
H1: Temperatur berpengaruh secara signifikan terhadap curah hujan

7
 Hasil pengujian dengan SPSS diperoleh untuk variabel
temperatur diperoleh nilai t hitung = 3,606 dengan tingkat signifikansi
0,001. Dengan menggunakan batas signifikansi 0,05, nilai signifikansi
tersebut lebih kecil dari taraf 5% yang berarti H0 ditolak dan H1
diterima. Artinya temperatur berpengaruh secara signifikan terhadap
curah hujan.
 Kelembapan
Hipotesis kelembapan, yaitu:
H0: Kelembapan tidak berpengaruh secara signifikan terhadap curah
hujan
H1: Kelembapan berpengaruh secara signifikan terhadap curah hujan
Hasil pengujian dengan SPSS diperoleh untuk variabel
kelembapan diperoleh nilai t hitung = 2,096 dengan tingkat signifikansi
0,044. Dengan menggunakan batas signifikansi 0,05, nilai signifikansi
tersebut lebih kecil dari taraf 5% yang berarti H0 ditolak dan H1
diterima. Artinya kelembapan berpengaruh secara signifikan terhadap
curah hujan.
c. Koefisien Determinasi
Koefisien determinasi dari persamaan di atas dapat dilihat pada tabel
berikut.

Dapat dikatakan bahwa 46,7% keragaman dari Harga Saham dapat

dijelaskan oleh:
𝑌 = −4,453 + 0,209𝑋1 + 0,016𝑋2

d. Uji Asumsi Klasik terhadap Model Hasil Uji Kelayakan

1. Multikolinieritas
Hasil uji multikolinieritas, dapat dilihat pada tabel Coefficientsa
dua kolom terakhir.
 Nilai VIF untuk variabel temperatur dan kelembapan berturut-
turut adalah 1,316 dan 1,316 sedangkan Tolerance-nya 0,760 dan
0,760. Karena nilai VIF dari kedua variabel tidak ada yang lebih besar
dari 10 atau 5 (banyak buku yang menyaratkan tidak lebih dari 10, tapi
ada juga yang menyaratkan tidak lebih dari 5) maka dapat dikatakan
tidak terjadi multikolinieritas pada kelima variabel bebas tersebut.
Model regresi linier yang baik adalah yang terbebas dari adanya
multikolinieritas. Dengan demikian, model di atas telah terbebas dari
adanya multikolinieritas.
2. Autokorelasi
Hasil uji autokorelasi, dapat dilihat pada tabel Model Summaryd
kolom terakhir.

Nilai Durbin-Watson yang tertera pada output SPSS disebut

dengan DW hitung. Nilai dL dan dU dapat dilihat pada Tabel DW
dengan tingkat signifikansi (error) 5% (α = 0,05).
Jumlah variabel bebas: k = 2
Jumlah sampel: n = 36
Tabel Durbin-Watson menunjukkan bahwa nilai dL = 1,3537 dan
nilai dU = 1,5872 sehingga dapat ditentukan kriteria terjadi atau
tidaknya autokorelasi seperti terlihat pada gambar di bawah ini.

9
0 1,3537 1,5872 2,4128 2,6463 4
Gambar 1.4
Nilai DW hitung sebesar 1,340 lebih kecil dari 1,3537 yang
artinya berada pada daerah autokorelasi positif. Sehingga dapat
disimpulkan bahwa dalam model regresi linier autokorelasinya positif.
3. Heteroskedasitas
Hasil uji heteroskedastisitas dapat dilihat pada gambar
Scatterplot, seperti pada gambar berikut.

Dari gambar di atas terlihat bahwa sebaran titik membentuk suatu

pola/alur tertentu, sehingga dapat disimpulkan terjadi
heteroskedastisitas atau dengan kata lain tidak terjadi
homoskedastisitas. Asumsi klasik tentang heteroskedastisitas dalam
model ini tidak terpenuhi, yaitu terbebas dari homoskedastisitas.
 4. Normalitas
Hasil uji normalitas dapat dilihat dari gambar Normal P-P Plot di
bawah ini.

Sebaran titik-titik dari gambar Normal P-P Plot di atas relatif

mendekati garis lurus, sehingga dapat disimpulkan bahwa (data)
residual terdistribusi normal.

2.4.3 Interpretasi Model

Dari hasil regresi dengan menggunakan program SPSS, maka
didapatkan koefisien regresi yang dapat dilihat pada gambar berikut.

Berdasarkan tabel di atas maka didapatkan persamaan regresi linier

berganda sebagai berikut.
𝑌 = −4,453 + 0,209𝑋1 + 0,016𝑋2
Persamaan di atas dapat dijelaskan sebagai berikut.

11
a. Jika temperatur naik satu persen, maka tingkat inflasi naik 0,209 persen.
Berarti, temperatur berpengaruh positif terhadap curah hujan.
b. Jika kelembapan naik satu persen, maka tingkat inflasi naik 0,016
persen. Berarti, kelembapan berpengaruh positif terhadap curah hujan.
 DAFTAR PUSTAKA

Aeni, N. (2017). Model Regresi Dummy dalam Memprediksi Variabel yang Mempengaruhi
IPK Mahasiswa Matematika. Skripsi.
Sa'adah, F. Z. (2011). Analisis Regresi Dummy Variable Model Probit. Skripsi, 40-41.
Algifari. 2000. Analisis Regresi (Teori, Kasus dan solusi). Edisi II. Yogyakarta: Badan
Penerbit Fakultas Ekonomi Yogyakarta.

Miller. J.C. 1991. Statistika untuk Kimia Analitik. Bandung : ITB

M. Nazir. 1983. Metode Statistika dasar I. Jakarta: Gramedia Pustaka Utama

13