MAKALAH EKONOMETRI PELAYANAN KESEHATAN

“Analisis Regresi dengan Variabel Dummy “

Disusun Oleh : Kelompok 4

Fitria Rahmi 1711211026

Vebi Adiva 1711212034
Indah Syafira 1711212043
Mike Rasyadi 1711212044
Ulfa Hasanah 1711213031
Shindy Sintia Soraya 1711211020

PROGRAM STUDI ILMU KESEHATAN MASYARAKAT

FAKULTAS KESEHATAN MASYARAKAT

UNIVERSITAS ANDALAS

2020
 KATA PENGANTAR

Puji syukur atas kehadirat Tuhan yang Maha Esa atas segala berkah dan rahmat-Nya
kelompok dapat menyelesaikanmakalah yang berjudul “Analisis Regresi dengan
Variabel Dummy”.Dan tidaklupa pula kelompok mengucapkan banyak terimakasih atas
bantuan dari pihak yang telah memberikan kontribusi baik materi maupun pikirannya.

Makalah ini disusun dengan tujuan memenuhi salah satu tugas matakuliah Ekonometri
Pelayanan Kesehatan, Selain itu makalah ini disusun agar dapat bermanfaat dan
menambah pengetahuan pembaca tentang Analisis Regresi dengan Variabel Dummy
dalam Pelaksanaan Pelayanan Kesehatanini.

Dalam penyusunan makalahini kelompok menyadarimasih banyak kekurangan.Maka

dari itu kelompok berharap agar adanya kritik dan saran yang diberikan, sehingga dapat
menjadi pelajaran untuk kedepannya.

Padang, April 2020

Kelompok 4

ii
 DAFTAR ISI

KATA PENGANTAR...................................................................................................ii

DAFTAR ISI................................................................................................................iii

BAB I.............................................................................................................................4

PENDAHULUAN.........................................................................................................4

1.1 LatarBelakang.................................................................................................4

1.2 RumusanMasalah............................................................................................4

1.3 Tujuan.............................................................................................................5

2.1 Konsep Dasar Analisis Regresi dengan Variabel Dummy.............................6

Contoh Kasus :...........................................................................................................7

1. Pertanyaan Penelitian......................................................................................7

2. Hipotesis.........................................................................................................7

3. Kriteria Pengujian...........................................................................................8

4. Analisis Data...................................................................................................8

BAB III........................................................................................................................36

PENUTUP...................................................................................................................36

3.1 Kesimpulan...................................................................................................36

3.2 Saran.............................................................................................................36

DAFTAR PUSTAKA..................................................................................................37

iii
 BAB I
PENDAHULUAN

1.1 LatarBelakang
Variabel dummy berfungsi sebagai ciri yang memisah-misahkan sesuatu yang diukur atas
dasar kelompok atau kategorinya. Variabel kualitatif atau variabel boneka (dummy) dapat
dipergunakan dalam model regresi bersama dengan variabel kualitatif. Oleh karena itu
ahli ekonomi dapat menganalisis masalah ekonomi dengan memasukkan pengaruh
variabel-variabel non-ekonomis seperti pendidikan dan kebudayaan, politik, agama,
psikologi dan lain-lain terhadap perubahan variabel-variabel ekonomi yang terjadi.
Variabel dummy merupakan alat yang penting untuk mengklasifikasikan data, variabel ini
dapat membagi suatu sampel menjadi berbagai kategori berdasarkan atribut misalnya status
perkawinan, suku bangsa, agama, tingkat pendidikan dan lain-lain yang dapat dibuat
regresi secara individu untuk setiap kelompok kecil.

Di dalam penelitian sejatinya sebuah variabel tak bebas tidak hanya dipengaruhi oleh

variabel bebas yang bersifat kuantitatif saja akan tetapi juga sering dipengaruhi oleh
variabel yang bersifat kualitatif.  Contoh: Besarnya konsumsi tidak hanya dipengaruhi oleh
pendapatan, jumlah anggota keluarga, tetapi juga dapat dipengaruhi oleh jenis kelamin,
gaya hidup dan variabel kualitatif lainnya.

Hal inilah yang kemudian menarik untuk diketahui tentang bagaimana analisis regresi
dengan variable dummy. Oleh karena itu kelompok berusaha untuk memberikan
pemahaman tentang  pertanyaan tersebut dalam makalah ini. Semoga makalah ini dapat
menjadi jawaban dan memberikan pemahaman terkait pertanyaan yang dikaji.

1.2 RumusanMasalah
1. Bagaimana konsep dasar analisis regresi dengan variabel dummy ?
2. Bagaimana model regresi satu variabel dummy dengan dua kategori ?
3. Bagaimana analisis regresi dengan satu variabel kuantitatif dan satu variabel kualitatif
dengan dua kategori.?

4
1.3 Tujuan

1. Mampu mengetahui terkait konsep dasar analisis regresi dengan variabel dummy
2. Mampu mengetahui tentang model regresi satu variabel dummy dengan dua kategori
3. Mampu mengetahui terkait analisis regresi dengan satu variabel kuantitatif dan satu
variabel kualitatif dengan dua kategori.

5
 BAB II

PEMBAHASAN

2.1 Konsep Dasar Analisis Regresi dengan Variabel Dummy

Pada analisis regresi sebelumnya, baik analisis regresi sederhana maupun analisis regresi
baganda, sebuah variabel tergantung dipengaruhi oleh variabel bebas yang bersifat
kuantitatif. Kenyataamya, pada fenomem ekonomi. variabel tergantung tidak hanya
dipengaruhi oleh variabel bebas yang bersifat kuantitatif saja, tetapi juga sering
dipengaruhi oleh variabel bebas yang bersifat kualitatif. Misalnya, besarya konsumsi
sebuah keluarga tidak hanya dipengaruhi oleh pendapatan kepala keluarga, jumlah
anggota keluarga, tetapi juga dapat dipengaruhi oleh gaya hidup keluarga, selera dan
variabel kualitatif lainnya. Untuk melakukan analisis regrasi di mana sebuah variabel
tergantung dipengamhi oleh variabel bebas yang bersifat kualitatif makna digunakan
analisis regresi variabel dummy.

Variabel kuantitatif merupakan variabel yang dinyatakan dalam bentuk pernyataan atau
judgement. Variabel kualitatif biasanya menunjukkan kehadiran atau ketidak hadiran dari
suatu atribut, seperti mutu produk baik atau jelek, jenis kelamin laki-laki atau perempuan,
tempat tinggal di desa atau di kota, dan lainl-ain. Untuk mengkuantitasikan variabel ini
dilakukan dengan membangun variabel buatan (dummy variable) yang mengambil nilai 0
dan 1 di mana nilai lmenunjukkan kehadiran variabel tersebut sedangkan 0 menunjukkan
kctidakhadiran variabel tesebut. Oleh karena itu variabel ini berskala nominal.

2.2 Model Regresi Satu Variabel Dummy dengan Dua Kategori

Regresi satu variabel dummy dengan dua kategori digunakan untuk menganalisis
hubungan kausal satu variabel bebas yang merupakan variabel dummy terhadap satu
variabel tergantung, di mana variabel dummy tersebut menggunakan dua kategori. Model
regresi dengan sutu variabel kualitatif tanpa mengikutsertakan variabel kuantitatif lainnya
adalah serupa dengan analisis ragam (ANOVA model). Model yang digunakan untuk
melakukan analisis regresi dua variabel dummy dengan dua kategori adalah sebagai
berikut:

6
 Y= a + bD+ ε
Keterangan:
Y =Nilai yang diramalkan
a = Konstanta/intercept
b = Koefisien regresi/slope
D = Variabel bebas yang merupakan variabel dummy dengan dua kategori
ε = Nilai residu

Nilai a (konstanta) dan nilai b (koefisien regresi) dalam persamaan di a. dapat ditentukan
dengan rumus sebagai berikut

n(∑ DY )−(∑ D)(∑Y )

b= 2
n ( ∑ D )−¿ ¿

∑ Y −b (∑ D)
a=
n

Contoh Kasus :
Seorang peneliti dengan tujuan untung menganalisis pengaruh jenis kelamin terhadap
produktifitas pegawai. Untuk keperluan tersebut diambil sampel secara acak sebanyak 10
orang yang terdiri dari 5 karyawan dan 5 karyawati .Data sebagai berikut:

Jumlah Kelamin (D) 1 0 0 1 0 1 1 0 0 1

Produktifitas (Y) 12 9 8 13 8 11 10 7 8 13

1. Pertanyaan Penelitian
Apakah terdapat pengaruh jenis kelamin terhadap produktifitas pegawai

2. Hipotesis
Ho : Tidak terdapat pengaruh jenis kelamin terhadap produktifitas pegawai
Ha : Terdapat pengaruh jenis kelamin terhadap produktifitas pegawai

7
3. Kriteria Pengujian
a. Ho tidak dapat ditolak jika:
 -t hitung ≤ t hitung ≤ t tabel, atau
 Sig. > alpha
b. Ha diterima jika:
 t hitung < -t tabel atau t hitung> t tabel, atau
 Sig.≤ alpha (α/2)

4. Analisis Data

a. Membuat Persamaan Regresi

Untuk menghitung persamaan regresi satu variabel dummy dengan dua kategori
secara manual perlu dibuat lembar kerja seperti berikut:

No Sampel Jenis Kelamin (D) Pengeluaran (Y) D DY

1 Tarso 1 12 1 12
2 Rasmini 0 9 0 0
3 Sumirah 0 8 0 0
4 Hudi 1 13 1 13
5 Amini 0 8 0 0
6 Dikin 1 11 1 11
7 Sarno 1 10 1 10
8 Jumini 0 7 0 0
9 Kamitem 0 8 0 0
10 Kasan 1 13 1 13
Jlh Jumlah 5 99 5 59

Berdasarkan lembar kerja di atas maka dapat diketahui:

N = 10

∑D = 5

∑DY = 59

∑X2 = 5

∑Y = 99

8
Dengan demikian besarnya koefisien regresi adalah sebagai berikut:

n(∑ DY )−(∑ D)(∑Y )

b= 2
n ( ∑ D )−¿ ¿

10 (59)−(5)(99)
b=
10 ( 5 )−¿ ¿

∑ Y −b (∑ D)
a=
n

99−3,8(5)
a= =8
10

Sehingga persamaan regresinnya adalah sebagai berikut:

Y = a + bDX
Y = 8 + 3,8D
Arti persamaan regresi :
8 = rata-rata produktifitas pegawai perempuan di pabrik sepatu adalah 8
3,8 = rata-rata perbedaan produktifitas antara pegawai perempuan dan laki-laki di pabrik
sepatu adalah 3,8

b. Menghitung nilai Prediksi

Untuk menghitung nilai prediksi kita harus memasukan nilai variabel bebas, yang dalam
hal ini adalah jenis kelamin setiap sampel (case) ke dalam persamaan regresi yang telah
terbentuk. Untuk menghitung nilai prediksi produktifitas antara pegawai perempuan dan
laki-laki, caranya adalah sebagai berikut:
Ỷ perempuan = 8+3,8(0) = 8
Ỷ laki-laki = 8+3,8(1) = 11,8

c. Menghitung Koefisien Determinasi (R2)

Formula untuk menghitung besarnya koefisien determinasi adalah sebagai berikut:

9
 2 ∑ ( Y −Y^ ) 2
R =1−
∑ ( Y −Ý ) 2

Keterangan :
R2 = Koefisien determinasi
∑ ( Y −Y^ ) = kuadrat selisih nilai Y riil dengan nilai Y prediksi
∑ ( Y −Ý ) = kuadrat selisih nilai Y riil dengan nilai Y rat-rata

Karena untuk menghitung koefisien determinasi diperlukan nilai kuadrat selisih nilai Y
riiil dengan nilai Y prediksi dan nilai kuadrat selisih nilai Y riil dengan nilai Y rata-rata,
maka perlu dibuat lembar kerja sebagai berikut:

Berdasarkan lembar kerja tersebut maka kita dapat menghitung koefisien determinasi
sebagai berikut:
∑ ( Y −Y^ ) 2
R2=1− 2
∑ ( Y −Ý )
2 8,8 2
R =1− = 0,804
44,9 2
Koefisien determinasi memiliki kelemahan, yaitu bias terhadap jumlah variabel bebas
yang dimasukkan dalam model regresi, dimana setiap penambahan satu variabel bebas

10
 dan pengamanan dalam model akan meningkatkan nilai R2, meskipun variabel yang
dimasukkan itu tidak memiliki pengaruh yang signifikan terhadap variabel
tergantungnya. Untuk mengurangi kelemahan tersebut maka digunakan koefisien
determinasi yang telah disesuaikan adjusted R Square. Koefisien determinasi yang telah
disesuaikan berarti bahwa koefisien tersebut telah dikoreksi dengan memasukkan unsur
jumlah variabel dan ukuran sampel yang digunakan. Dengan menggunakan koefisien
determinasi yang disesuaikan maka nilai koefisien determinasi yang disesuaikan itu
dapat naik atau turun akibat adanya penambahan variabel baru dalam model.
Formula untuk menghitung koefisien determinasi yang disesuaikan adalah sebagai
berikut:

2 2P ( 1−R 2 )
R adj =R −
N −P−1

Keterangan:
R2= Koefisien determinasi
N= Ukuran sampel
P= Jumlah variabel bebas
Dengan demikian, berdasarkan kasus di atas, besarnya koefisien determinasi yang
disesuaikan dapat dihitung sebagai berikut:
1 ( 1−0,804 )
R2adj =0,804− =0,779
10−1−1

d. Menghitung Kesalahan Baku Estimasi (Standar Error of the Estimate)

Kesalahan baku estimasi merupakan satuan yang digunakan untuk mengukur tingkat
penyimpangan persamaan regresi dalam nilai riilnya. Formula yang digunakan untuk
mengukur kesalahan baku estimasi adalah sebagai berikut :

∑ ( Y −Y^ ) 2
Se= ¿
√
Keterangan:
n−k

Se = kesalahan baku estimasi

∑ ( Y −Ý ) = kuadrat selisih nilai Y riil dengan nilai Y rata-rata
n = ukuran sampel

11
 K = jumlah variabel yang diamati
Berdasar perhitungan dalam lembar kerja di atas maka dapat ditentukan besarnya
penyimpangan baku estimasi, yaitu sebagai berikut:

∑ ( Y −Y^ ) 2
√
Se= ¿
n−k
( 8,8 )
√
Se= ¿
10−2
=1,049

Semakin rendah nilai kesalahan baku estimasi itu, semakin baik model persamaan
regresi tersebut untuk digunakan sebagai proyeksi.

e. Menghitung Kesalahan Baku Koefisien Regresi

Keselahan baku koefisien regresi digunakan untuk mengukur besarnya penyimpangan
dari masing-masing koefisien regresi yang terbentuk. Semakin rendah kesalahan baku
koefisien regresi semakin berperan variabel tersebut dalam model. Sebaliknya, semakin
tinggi kesalahan baku koefisien regresi maka semakin tidak berperan variabel tersebut
dalam persamaan regresi. Kesalahan baku koefisien regresi dapat diukur dengan
formula sebagai berikut.

Se
Sb=
(∑ D)²
√ ∑ D−
n

Keterangan :
Sb = Kesalahan baku koefisien regresi
Se = Kesalahan baku estimasi
∑ D 2 = Jumah kuadrat variabel bebas
∑ D = Jumah nilai variabel bebas
n = Jumlah pengamatan (ukuran sampel)
Berdasarkan lembar kerja diatas maka kita dapat menghitung besarnya kesalahan baku
koefisien regresinya sebagai berikut.

12
 Se 1,049
Sb= Sb=
(∑ D)² (5)² = 0,663
√ ∑ D−
n √ (5)−
10

f. Menghitung nilai F hitung

Nilai F hitung digunakan untuk menguji ketepatan model atau goodenss of fit,
apakah model persamaan yang terbentuk masuk dalam kriteria cocok (fit) atau tidak. Uji
F ini juga sering disebut sebagai uji stimulan, yaitu untuk menguji apakah variabel
bebas yang digunakan dalam model mampu menjelaskan perubahan nilai variabel
tergantung atau tidak. Untuk menyimpulkan apakah model masuk dalam kategori cocok
atau fit atau tidak, kita harus membandingkan niali F tabel dengan df: (k-1), (n-k).
Untuk menghitung besarnya nilai F digunakan formula sebagai berikut:

R ² /(k −1)
F=
1−R2 /( n−k )

Keterangan :
F = Nilai F hitung
R ² = Koefisien determinasi
k = Jumlah variabel
n = Jumlah pengamatan (ukuran sampel)

R ² /(k −1)
F=
1−R2 /( n−k )

0,804 /(2−1)
F= =32,818
1−0,804 /(10−2)

Dengan df: α, (k-1), (n-k) atau 0,05, (2-1), (10-1) diperoleh besarnya nilai F tabel
sebesar 5,320. Karena nilai F hitung (32,818) > nilai F tabel (5,320), maka dapat
disimpulkan bahwa model persamaan regresi yang terbentuk masuk kriteria cocok atau
fit.

13
g. Menghitung nilai t hitung

Nilai t hitung digunakan untuk menguji apakah variabel tersebut berpengaruh secara
signifikan terhadap varibel tergantung atau tidak. Suatu variabel akan memiliki
pengaruh yang berarti jika nilai t hitung variabel tersebut lebih besar dibanding nilai t
tabel.

Dalam tabel distribusi t terdapat istilah satu ujung dan dua ujung. Penggunaan tabel satu
ujung atau dua ujung tergantung pada hipotesis yang diajukan. Jika hipotesis yang
diajukan sudah menunjukkan arah, misalkan terdapat pengaruh positif, maka
menggunakan satu ujung sebelah kanan. Akan tetapi jika belum menunjukkan arah,
misalnya terdapat pengaruh (tidak menunjukkan pengaruh positif atau negatif maka
menggunakan dua ujung. Jika menggunakan satu ujung maka df:α /2, n-k. Untuk
menghitung besarnya nilai t hitung digunakan rumus berikut:

bj
t=
Sbj
Keterangan:
t = nilai t hitung
bj = Koefisien regresi
sbj = Kesalahan baku koefisien regresi

Dengan menggunakan perhitungan koefisen regresi dan kesalahan baku koefisien

regresi diatas maka kita dapat menghitung besarnya nilai t hitung sebagai berikut :

bj 3,8
t= t= =5,729
Sbj 0,668

Dengan df: α, (n-k) atau 0,025, (10-2) diperoleh nilai t tabel sebesar 2,306.

Karena nilai t hitung (5,729) > nilai t tabel (2,306), maka dapat disimpulkan bahwa
variabel jenis kelamin memiliki pengaruh positif terhadap variabel produktivitas.

14
Untuk melakukan analisis regresi sederhana menggunakan SPSS dilakukan dengan langkah
sebagai berikut :

1. Buka file regresi satu dummy dua kategori

2. Klik analize, Regression, linear

3. Masukkan variabel jenis kelamin pada kotak dependent

4. Masukkan variabel produktivitas dalam kotak independent(s)
5. Abaikan pilihan yang lain, langsung klik OK

15
 Output yang dihasilkan sebagai berikut :

Analisis Tabel
Model

Summary :

a. R atau Multiple R = 0,897

R atau Multiple R menunjukkan korelasi antara variabel bebas dengan variabel
tergantungnya adalah sebesar 0,897. Dalam hal ini, karena regresi satu dummy dua
kategori dimana variabel bebasnya hanya satu, maka dapat dikatakan bahwa korelasi
antara jenis kelamin dan produktifitas adalah sebesar 0,897
b. R Square = 0,804
R Square atau koefisien determinasi sebesar 0,804 berarti bahwa variasi jenis kelamin
dapat dijelaskan oleh variasi produktifitas sebesar 80,4 persen atau variabel jenis kelamin
mempengaruhi produktifitas sebesar 80,4%. Koefisien determinasi sebesar 0,804
merupakan kuadrat multiple R (0,897 x 0,897 = 0,804)

16
 c. Adjusted R Square = 0,780
Adjusted R Square merupakan koefisien determinasi yang telah terkoreksi dengan jumlah
variabel dan ukuran sampel sehingga dapat mengurangi unsur bias jika terjadi
penambahan variabel. Adjusted R Square sebesar 0,780 berarti variasi jenis kelamin
dapat dijelaskan oleh variasi produktifitas sebesar 78,0% atau variabel jenis kelamin
mempengaruhi produktifitas sebesar 78,0%. Koefisien Ajusted R Square sebesar 78,0
diperoleh dari perhitungan sebagai berikut :
P ( 1−R 2 ) 1 ( 1−0,804 )
R2adj =R2− R2adj =0,804− =0,780
N −P−1 10−1−1

d. Std. Error of the Estimate = 1,04881

Std. Error of the Estimatemenunjukkan penyimpangan antara persamaan regresi dengan
nilai dependent riil sebesar 1,04881 satuan variabel tergantung. Semakin kecil nilai
standard error maka semakin baik persamaan regresi tersebut sebagai prediksi.

Analisis Tabel ANOVA :

1. Sum of Squares Regression = 36,100

Merupakannilai yang menunjukan jumlah kuadrat dari selisih antara nilai prediksi
dengan nilai rata-rata prediksi atau dapat diperoleh dengan formula sebagai berikut:
∑( Ŷ −Ӯ )2
2. Sum of Squares Residual = 8,800
Merupakan nilai yang menunjukan jumlah kuadrat dari selisih antara nilai riil dengan
nilai prediksi, diproleh dengan formula sebagai berikut:
∑(Y −Ŷ )2
3. Sum of Squares Total = 44,900
Merupakan nilai yang menunjukan jumlah kuadrat dari selisih antara nilai riil dengan
nilai rata-rata Y riil, diperoleh dengan formula:
∑(Y −Ӯ )2
4. Df Regression (Degree of Freedom Regression) = 1
Nilai Df Regression sebesar 1. Hal ini karna k-1, jumlah variable dikurangi 1 (2-1=1)
5. Df Residual (Degree of Freedom Residual) = 8

17
 Nilai Df Residual sebesar 8. Hal ini karna nilai n-k, jumlah pengamatan dikurangi jumlah
variable (10-2=8)
6. Df Total (Degree of Freedom Total) = 9
Nilai Df Total sebesar 9. Hal ini krna nilai n-1, jumlah pengamatan dikurangi 1 (10-1=9).
7. Mean Square Regression = 36,100
Merupakan hasil pembagian dari Sum Squares Regression dengan Degree of Freedom
Regression diperoleh dari formula sebagai berikut :

Mean Square Regression =

∑ Square Regression = 36,100 = 36,100
Df Regression 1
8. Mean Square Residual = 1,100
Diperoleh dari :

Mean Square Residual =

∑ Square Residual = 8,800 = 1,100
Df Residual 8
9. F (F hitung) = 32,818
Diperoleh dari :
Mean Square Regression 36,100
F= = = 32,818
Mean Square Residual 1,100

10. Sig. = 0,000

Sig. merupakan nilai yang menunjukan titik kesalahan yang terjadi jika nilai F hitung
sebesar 32,818. Ternyata tingkat kesalahan atau probabilitas sebesar 0,000 yang berarti
lebih kecil dari 0,05. Oleh sebab itu disimpulkan variable bebas secara simultan mampu
menjelaskan perubahan pada variable tergantung atau model dinyatakan cocok atau fit.

Analisis Tabel Coefficients :

1. Unstandardize Coefficients (Constant) = 8,000

Merupakan konstanta yang artinya pegawai perempuan mempunyai rata-rata
produktivitas sebesar 8,000. Diperoleh dari :
∑ Y −b (∑ D) 99−3,8 (5)
a= = =8
n 10

2. Unstandardize Coefficients Jenis Kelamin = 3,800

18
 Merupakan koefisien regresi yang artinya jika perusahaan meningkatkan jenis kelamin
sebesar 1 juta rupiah, maka penjualan akan meningkat sebesar 8,761 juta rupiah.
Diperoleh dari :
n ( ∑ DY ) −(∑ D)(∑Y ) 10 ( 59 )−(5)(99)
b= = = 3,800
2
n ( ∑ D ) −(∑ D) 2
10 ( 5 )−5 2

3. Standart Error (Constant) = 0,469

Merupakan penyimpangan dari konstanta yang ada dalam model persamaan regresi.
Dengan formula :

S 2e
Sa =
√ 2
n ( ∑ x ) −(∑ x ) 2
( ∑ x 2)

1,0492
Sa =
√ 2
10 ( 5 ) −(5)2
( 5 2) = 0,469

4. Std. Error Jenis Kelamin = 0,663

Menunjukan penyimpangan koefisien regresi yang ada dalam model regresi tersebut.
Semakin kecil penyimpangan dalam koefisien regresi tersebut maka semakin berarti
kontribusi variable tersebut terhadap variable tergantungnya. Standard error koefisien
regresi dapat dicari dengan formula berikut :
Se
Sb = (∑ D)2
√ ( ∑ D )−
n
1,049
Sb = (5)2 = 0,663
√ ( 5 )−
10

5. Standardize Coefficients (Beta) Jenis Kelamin

Merupakan koefisien jalur atau koefisien regresi tetapi semua variable telah
ditransformasi terlebih dahulu kedalam bentuk standardized menggunakan rumus :
X i− Ẍ
Z=
Ӯ

19
6. t-Constant
Digunakan untuk mengetahui apakah signifikansi constanta. Namun nilai constanta
biasanya tidak diuji. Yang diuji adalah nilai t-stat koefisien regresinya. t-constanta
dihitung dengan formulasi :
Unstandardize Coefficients(Constant ) 8,000
t-Constant = = = 17,056
Standart Error Unstandardize (Constant) 0,469

7. t-Jenis Kelamin
Digunakan untuk mengetahui signifikasi variable X1. Jika nilai t stat lebih besar dari nilai
t table dengan df : α,(n-k), maka variable tersebut memiliki pengaruh yang signifikan
terhadap variable tergantung.
Unstandardize Coefficients Jenis Kelamin 3,800
t-Jenis Kelamin = = = 5,729
Standart Error Jenis Kelamin 0,663

8. Sig. (Constant)
Merupakan angka yang menunjukan besarnya tingkat kesalahan pada nilai t stat constanta
yang diperoleh (17,056). Jika nilai t-stat constanta semakin besar maka nilai kesalahan
Sig. akan semakin kecil. Jika nilai sig. lebih kecil dari α (0,05) maka disebut signifikan.
Pada output diatas ternyata sig. lebih kecil dari 0,05 sehingga constanta signifikan.
Namun demikian dalam analisis regresi hal ini tidak dianalisis karena yang lebih penting
adalah signifikasi dari variable bebasnya.

9. Sig. Jenis Kelamin

Merupakan angka yang menunjukan besarnya tingkat kesalahan pada nilai t jenis
Kelamin yang diperoleh (5,729). Jika nilai t-jenis kelamin semakin besar maka nilai
kesalahan Sig. akan semakin kecil. Karena nilai sig. variable Jenis Kelamin (0,000) lebih
kecil dari 0,05, maka variable jenis kelamin memiliki pengaruh positif terhadap
produktivitas.

20
 Kesimpulan :
Karena nilai t hitung (5,729) > nilai t table (2,306) maka dapat disimpulkan bahwa
variable jenis kelamin memiliki pengaruh terhadap produktifitas, atau karena nilai sig.
variable jenis kelamin (0,000) lebih kecil dari alpha (0,05) maka variable jenis kelamin
memiliki pengaruh terhadap produktivitas.

Berdasarkan table diatas, ada beberapa hal untuk mengisi sel tersebut, yaitu:
1. Jumlah Kuadrat Tabel (JKT)
k r
2 T2
JKT = ∑ ∑ Y ij -
i=l j=l rk
2. Jumlah Kudrat Jenis Kelamin (JK Jk)
TL2 +TP 2 T 2
JKJk = -
r rk
3. Jumlah Kuadrat Galat (JKG)
JKG = JKT – JK Jk
4. Derajat Bebas Jenis Kelamin (DBJk)
K-1, dimana K = jumlah kategori dalam kasus ini ada 2 kategori.
5. Derajat Bebas Galat (DBG)
N-K, dimana N = jumlah pengamatan. Dalam kasus ini 10 pengamatan. K = jumlah
kategori dalam kasus ini ada 2 kategori.
6. Derajat Bebas Total (DBT)
N-1, dimana N = jumlah pengamatan. Dalam kasus ini ada 10 pengamatan.
7. Kuadrat Tengah Jenis Kelamin (KT Jk)
JK
KT Jk =
DB Jk
8. Kuadrat Tengah Galat (KTG)

21
 JKG
KTG =
DBG
9. F Hitung
KT Jk
Fhitung =
KTG

Untuk membuktikan bahwa regresi satu variable kualitatif tanpa mengikutsertakan

variable kuantitatif lainnya, caranya serupa dengan analisis ragam (ANOVA model),
yaitu menggunakan kasus regresi satu variable kualitatif dua kategori yang dianalisis
dengan menggunakan ANOVA.

Kasus 11.2 :

Seorang peneliti melakukan penelitian dengan tujuan untuk menganalisis perbedaan

produktivitas pegawai berdasarkan jenis kelamin. Untuk keperluan tersebut diambil
sampel secara acak sebanyak 10 orang yang terdiri dari 5 karyawati. Data yang
dikumpulkan adalah sebagai berikut:

1. Pertanyaan penelitian
Apakah terdapat perbedaan produktivitas pegawai berdasarkan jenis kelamin
2. Hipotesis
 Ho : tidak terdapat perbedaan produktivitas pegawai berdasarkan jenis kelamin
 Ha : terdapat perbedaan produktivitas pegawai berdasarkan jenis kelamin.
3. Kriteria pengujian
Ho tidak dapat ditolak jika :
 F hitung ≤ F table, df : α , (k-1), k(r-1)

Ha diterima jika :

 F hitung > F table

22
4. Analisis data
a. Menghitung jumlah kuadrat total (JKT)
Untuk menghitung jumlah kuadrat total dengan cara manual maka perlu dibuat
lembar kerja seperti berikut :

Berdasarkan lembar kerja diatas maka :

T2 = 99 TL = 59
R=5 TP = 40
K=2
k r
2 T2
JKT = ∑ ∑ Y ij -
i=l j=l rk
99 2
JKT = 122 + 132 + 112 +….+ 82 - = 44,900
6 x2
b. Menghitung jumlah kudrat jenis kelamin
TL2 +TP2 T 2 592+ 402 99 2
JKJk = - = - = 36,100
r rk r5 5x 2
c. Menghitung jumlah kuadrat galat
JKG = JKT – JK Jk = 44,900 – 36,100 = 8,800
d. Menghitung derajat bebas jenis kelamin (DBJk)
DBJk = K-1 = 2-1 = 1
e. Derajat bebas galat (DBG)
DBG = 10-2 = 8
f. Derajat bebas total (DBT)
DBT = N-1 = 10-1 = 9
g. Kuadrat tengah jenis kelamin (KTJk)
JK 36,100
KT Jk = = = 36,100
DB Jk 1

23
h. Kuadrat tengah galat (KTG)
JKG 8,800
KTG = = = 1,100
DBG 8
i. F hitung
KT Jk 36,100
Fhitung = = = 32,818
KTG 1,100

Setelah semuanya dihitung maka dapat dimasukkan ke dalam table ANOVA :

Untuk melakukan analisis ANOVA menggunakan SPSS dilakukan dengan langkah :

 Buka file ANOVA
 Klik Analyse, Compare Meand, One-Way ANOVA.

 Masukkan variable Produktivitas pada kotak Dependent

 Masukkan variable Jenis Kelamin pada kotak Factor
 Abaikan pilihan yang lain, klik OK

24
 Output yang dihasilkan adalah :

Analisis Tabel ANOVA :

1. Sum of Squares Between Groups = 36,100

T L2+ TP2 T 2 592+ 402 99 2
SSBG = - = - = 36,100
r rk 5 5x 2
2. Sum of Squares Within Groups = 8,800
SSWG = JKT – JK Jk = 44,900 – 36,100 = 8,800
3. Sum of Squares Total = 44,900
k r
T2 2
JKT = ∑ ∑ Y - ij
i=l j=l rk
99 2
JKT = 122 + 132 + 112 +….+ 82 - = 44,900
6 x2
4. Df Between Groups = 1
k-1 = 2-1 = 1
5. Df Within Group = 8
n-k = 10-2 = 8
6. Df Total (Degree of Freedom Total ) = 9
n-1 = 10-1 = 9

25
 7. Mean Square Between Groups = 36,100

MSBG =
∑ Square BetweenGroups = 36,100 = 36,100
df Between Groups 1
8. Mean Square Within Group = 1,100

MSBG =
∑ Square WithinGroups = 8,800 = 1,100
df Within Groups 8
9. F hitung = 32,818
Mean Square BetweenGroups 36,100
F= = = 32,818
Mean SquareWithin Groups 1,100
10. Sig. = 0,000
Sig. merupakan nilai yang menunjukan titik kesalahan yang terjadi jika nilai F hitung
sebesar 32,818. Ternyata tingkat kesalahan atau probabilitas sebesar 0,000, yang berarti
lebih kecil dari 0,05 , sehingga disimpulkan variable bebas secara simultan mampu
menjelaskan perubahan pada variable tergantung atau model dinyatakan masuk kategori
cocok atau fit.

2.3 Analisis Regresi dengan Satu Variabel Kuantitatif dan Satu Variabel Kualitatif dengan
Dua Kategori

Variable tergantung sering dipengaruhi oleh variable bebas yang bersifat kuantitatif dan
kualitatif sekaligus. Misalnya, produktivitas pegawai tidak hanya dipengaruhi oleh jenis
kelamin (kualitatif) tapi juga dipengaruhi masa kerja (kuantitatif). Model yang digunakan
untuk melakukan analisis regresi satu variable kuantitatif dan satu variable kualitatif dengan
dau kategori adalah :
Y = a + b1D + b2X2 + ԑ
Keterangan :
Y : nilai yang diramalkan
a : konstanta
b1: koefisien regresi variable bebas dummy
D : variable bebas yang merupakan variable dummy dengan dua kategori
b2 : koefisien regresi variable bebas kuantitatif
X2: variable bebas yang merupakan variable kuantitatif

26
 ԑ : nilai residu

Kasus 2.3 :
Seorang peneliti melakukan penelitian dengan tujuan untuk menganalisis pengaruh jenis
kelamin dan masa kerja terhadap produktivitas pegawai. Untuk keperluan tersebut diambil
sampel secara acak sebanyak 10 orang yang terdiri dari 5 pegawai laki-laki dan 5 pegawai
perempuan. Data penelitiannya adalah sebagai berikut :

Data Contoh Analisis Regresi dengan Satu Variabel Kuantitatif dan Satu Variabel Kualitatif
dengan Dua Kategori

Jenis
1 0 0 1 0 1 1 0 0 1 1 0
Kelamin (D)
Masa Kerja
6 4 3 6 4 5 4 2 3 6 5 3
(X)
Produktivitas
12 9 8 13 8 11 10 7 8 13 12 9
(Y)

1. Pertanyaan Penelitian
a. Apakah terdapat pengaruh positif jenis kelamin terhadap produktivitas pegawai?
b. Apakah terdapat pengaruh positif masa kerja terhadap produktivitas pegawai?
2. Hipotesis
Hipotesis 1
 H0 : Tidak terdapat pengaruh positif jenis kelamin terhadap produktifitas
pegawai
 Ha : Terdapat pengaruh positif jenis kelamin terhadap produktifitas pegawai
Hipotesis 2
 H0 : Tidak terdapat pengaruh positif masa kerja terhadap produktifitas
pegawai
 Ha : Terdapat pengaruh positif masa kerja terhadap produktifitas pegawai

27
3. Kriteria pengujian Hipotesis 1 dan 2
Ho tidak dapat ditolak jika :
 T table ≤ t hitung, atau
 Sig > alpha (α)
Ha diterima jika :
 T table < t hitung, atau
 Sig ≤ alpha (α)
4. Analisis data
Untuk melakukan analisis regresi satu variable kuantitatif dan satu variable dummy
dua kategori menggunakan SPSS dilakukan langkah berikut :
a. Buka file Regresi satu variable kuantitatif dan satu variable dummy dua
kategori
b. Klik Analyse, Regression, Linear

c. Masukkan variable Jenis kelamin pada kotak Dependent

28
d. Masukkan variable Produktivitas dan Masa Kerja pada kotak Independent(s)

e. Abaikan pilihan yang lain, klik OK

Maka Output yang dihasilkan sebagai berikut :

29
Analisis table model summary :

1. R atau Multiple R = 0,964

R atau Multiple R menunjukkan korelasi amtara variable bebas dengan variable
tergantungnya sebesar 0,964. Dalam hal ini karena regresi terdiiri dari dua variable
bebas maka dapat dikatakan bahwa korelasi antara jenis kelamin dan mas kerja adalah
sebesar 0,964
2. R square = 0,930
R square atau koefisien determinasi sebesar 0,930 berarti bahwa variasi produktivitas
dapat dijelaskan oleh variasi jenis kelamin dan masa kerja sebesar 93%. Koefisien
determinasi sebesar 0,930 merupakan kuadrat dari multiple R (0,963x0,964=0.930).
3. Adjusted R Square = 0,914
Adjusted R square merupakan koefisien determinasi yang telah terkoreksi dengan
jumlah variable dan ukuran sampel sehingga dapat mengurangi unsur bias jika terjadi
penambahan variable dan ukuran sampel. Adjusted R square 0,914, berarti variasi
produktivitas dapat dijelaskan oleh variasi jenis kelamin dan masa kerja sebesar
91,4%. Koefisien adjusted R Square sebesar 91,4 diperoleh dari perhitungan sebagai
berikut :

R2adj = R2 -
( p ( 1−R2 ) )
N −P−1

( 1 ( 1−0,930 ) )
R2adj = 0,930 - = 0,914
12−2−1

4. Std. Error of the Estimate = 0,62361

Std Error of the Estimate menunjukkan penyimpangan antara persamaan regresi
dengan nilai dependent riilnya sebesar 0,62361 satuan variable tergantung. Semakin
kecil nilai standard error of the estimate maka semakin baik persamaan regresi
tersebut sebagai alat prediksi.

30
Analisis Tabel Anova

1. Sum of Squares Regression = 46,500

Merupakan nilai yang menunjukkan jumlah kuadrat dari selisih antara nilai prediksi
dengan nilai rata-rata prediksi atau dapat diperoleh dengan formula sebagai berikut :
∑( Ŷ −Ӯ )2
2. Sum of Squares Residual = 3,500
Merupakan nilai yang menunjukkan jumlah kuadrat dari selisih antara nilai riil
dengan nilai prediksi atau dapat diperoleh dengan formula sebagai berikut :
∑( Y −Ŷ )2
3. Sum of Squares Total = 50,000
Merupakan nilai yang menunjukkan jumlah kuadrat dari selisih antara nilai riil
dengan nilai rata-rata Y riil atau dapat diperoleh dengan formula sebagai berikut :
∑( Y −Ӯ )2
4. Df regression = 2
Nilai Df regression sebesar 1. Hal ini karena nilai k-1, jumlah variable dikurangi 1(3-
1=2)
5. Df residual = 9
Nilai Df residual sebesar 9. Hal ini karena nilai n-k, jumlah pengamatan dikurangi
jumlah variable (11-2=9)
6. Df total = 11
Nilai Df total sebesar 11. Hal ini karena nilai n-1, jumlah pengamatan dikurangi 1
(12-1=11) atau merupakan penjumlahan dari df regression dengan df residual
7. Mean square Regression = 23,250
Mean square Regression merupakan hasil pembagian dari sum square regression
dengan degree of freedom regression, diperoleh dari formula berikut :

Mean Square Regression =

∑ Square regression = 46,500 = 23,250
df Regression 2
a. Mean Square Residual = 3,500
Diperoleh dari formula berikut :

31
 Mean square regression 3,500
F= = = 0,389
df residual 9

b. F ( F Hitung) = 59,786
Diperoleh dari formula berikut :

Mean Square Regression 23,250

F= = = 59,786
Mean Square Residual 0,389
c. Sig = 0,000
Sig merupakan nilai yang menunjukkan titik kesalahan yang terjadi jika nilai F
sebesar 59,786. Ternyata tingkat kesalahan atau probabilitas sebesar 0,000 yang
berarti lebih kecil dari 0,05. Jadi dapat disimpulkan bahwa variable bebas secara
simultan mampu menjelaskan perubahan pada variable tergantung atau model
dinyatakan cocok atau fit.

Analisis Tabel Coefficients

1. Unstandardize Coefficients (constant) = 5,000

Unstandardize Coefficients (constant) merupakan konstanta yang artinya pegawai
perempuan (0) dan belum memiliki masa kerja (0) maka rata-rata produktivitas
sebesar 5,000
2. Unstandardize Coefficients Jenis Kelamin
Unstandardize Coefficients Jenis Kelamin merupakan koefisien regresi yang artinya
jika masa kerja meningkat sebesar 1 tahun, maka produktivitas meningkat sebesar 1
satuan.
3. Standard Error (Constant) = 0,835
Standard Error (Constant) merupakan penyimpangan dari konstanta yang ada dalam
model persamaan regresi.
4. Std. Error Jenis Kelamin = 0,652
Std. Error Jenis Kelamin menunjukkan penyimpangan koefisien regresi yang ada
dalam model regresi tersebut.
5. Standardized Coefficients (Beta) Jenis Kelamin

32
Standardized Coefficients (Beta) Jenis Kelamin merupakan koefisien jalur atau
koefisien regresi tetapi semua variable telah ditransformasi terlebih dahulu ke dalam
bentuk standardized dengan menggunakan rumus sebagai berikut :

X i− X 2
Z=
Ý

a. t-Constant
t-Constant digunakan untuk mengetahui apakah signifikansi constant, namun nilai
constant biasanya tidak diuji, yang diuji adalah nilai t-stat koefisien regresinya. t-
Constant dihitung dengan formula sebagai berikut :

Unstandardized Coefficient Constant 5000

t-Constant = = = 5,988
Std . Error Unstandardized Constant 0,835
b. Jenis Kelamin
t-Jenis Kelamin digunakan untuk mengetahui signifikansi variable XI. Jika nilai t
stat lebih besar dari nilai t table dengan df: α,(n-k), maka variable tersebut
memiliki pengaruh yang signifikansi terhadap variable tergantung.

Unstandardized Coefficient Jenis Kelamin 1,500

t-Jenis Kelamin = = = 2,299
Std . Error Jenis Kelamin 0,652

c. t-Masa Kerja
t-Masa Kerja digunakan untuk mengetahui signifikansi variable masa kerja. Jika
nilai t hitung lebih besar dari nilai t table dengan df: α,(n-k), maka disimpulkan
variable masa kerja memiliki pengaruh yang signifikan terhadap variable
produktivitas.

Unstandardized Masa Kerja 1,000

t-Masa Kerja = = = 3,982
Std . Error Masa Kerja 0,251

33
 dengan df: α,(n-k) atau 0,05(12-3) diperoleh nilai t table sebesar 1,833. Karena
nilai t hitung (3,982) > nilai t table (1,833) maka disimpulkan variable masa kerja
memiliki pengaruh positif terhadap produktivitas.

d. Sig. (Constant)
Sig. (Constant) merupakan angka yang menunjukkan besarnya tingkat kesalahan
pada nilai t stat constant yang diperoleh (5,988). Jika nilai t stat constant semakin
besar, maka nilai kelemahan Sig. akan semakin kecil. Jika nilai Sig. lebih kecil
dari α (0,05) maka dikatakan signifikan. Pada output di atas ternyata Sig. lebih
kecil dari 0,05 sehingga constant signifikan tetapi dalam analisis regresi hal ini
tidak dianalisis karena yang lebih penting adalah signifikansi variable
sebelumnya.

e. Sig. Jenis Kelamin

Sig. jenis kelamin menunjukkan angka yang menunjukkan besarnya tingkat
kesalahan pada nilai t jenis kelamin yang diperoleh (2,299). Jika nilai t-Jenis
Kelamin semakin besar maka nilai kesalahan Sig, akan semakin kecil. Karena
nilai Sig. variable Jenis Kelamin (0,047) lebih kecil dari 0,05 dengan arah
koefisien positif, maka disimpulkan variable jenis kelamin memiliki pengaruh
positif terhadap produktivitas.

f. Sig. Masa Kerja

Sig masa kerja merupakan angka yang menunjukkan besarnya tingkat kesalahan
pada nilai t-masa kerja (3,982). Jika nilai t-masa kerja semakin besar maka nilai
kesalahan Sig. akan semakin kecil. Karena nilai Sig. variable jenis kelamin
(0,003) lebih kecil dari 0,05 dengan arah koefisien positif maka disimpulkan
variable masa kerja memiliki pengaruh positif terhadap produktivitas.

34
Kesimpulan

1. Karena nilai t hitung jenis kelamin (2,999) > nilai t table (1,833), atau karena nilai
Sig. variable jenis kelamin (0,047) lebih kecil dari alpha (0,05) dengan arah koefisien
positif, maka disimpulkan variable jenis kelamin memiliki pengaruh positif terhadap
produktivitas. Artinya laki-laki cenderung lebih produktif dibanding perempuan.

2. Karena nilai t hitung masa kerja (3,982) > nilai t table (1,833) atau karena nilai Sig.
variable masa kerja (0,047) lebih kecil dari alpha (0,05) dengan arah koefisien positif,
maka disimpulkan variable masa kerja memiliki pengaruh positif terhadap
produktifitas.

35
 BAB III

PENUTUP

3.1 Kesimpulan

Untuk melakukan analisis regrasi di mana sebuah variabel tergantung dipengamhi oleh
variabel bebas yang bersifat kualitatif makna digunakan analisis regresi variabel dummy.
Regresi satu variabel dummy dengan dua kategori digunakan untuk menganalisis
hubungan kausal satu variabel bebas yang merupakan variabel dummy terhadap satu
variabel tergantung, di mana variabel dummy tersebut menggunakan dua kategori.
 Model yang digunakan untuk melakukan analisis regresi dua variabel dummy
dengan dua kategori adalah sebagai berikut:
Y= a + bD+ ε
 Model yang digunakan untuk melakukan analisis regresi satu variable kuantitatif
dan satu variable kualitatif dengan dau kategori adalah :
Y = a + b1D + b2X2 + ԑ

3.2 Saran

Dengan adanya makalah ini diharapkan dapat menambah infornasi dan ilmu pengetahuan
mahasiswa kesehatan masyarakat semester 6 tentang “Analisis Regresi dengan Variabel
Dummy” dan semoga dapat diaplikasikan tidak hanya di dunia perkualiahn tetapi juga di
dunia kerja dan kehidupan sehari-hari

36
 DAFTAR PUSTAKA

Suliyanto. 2011. Ekonometrika Terapan, Teori dan Aplikasi dengan SPSS. Yogyakarta : Andi

37