Analisis Regresi Berganda Dummy

Nama Kelompok :

Fisher (4)

Nama Anggota :

1. Dimas Farhan Nugraha (2019)

2. Maya Robiyani (2019)
3. Pedro Putrananda Lende (2019)
4. Shinta Istibsyaroh Umami (2019)
5. Andreas Situmorang (2020)
6. Erra Claudia Damayanti (2020)
7. Jenny Rubiandar (2020)
TINJAUAN PUSTAKA

1. Uji Asumsi Klasik

1.1 Uji Normalitas
Uji normalitas berfungsi untuk menguji apakah dalam sebuah model regresi,
variabel pengganggu memiliki distribusi normal (Ghozali, 2011:160). Dalam
penelitian ini akan digunakan uji One Sample Kolmogorov-Smirnov dengan
menggunakan taraf signifikansi 0,05. Data dinyatakan berdistribusi normal jika
signifikansi lebih besar dari 0,05.

1.2 Uji Multikolinearitas

Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya korelasi
antar variabel independen dalam model regresi. Model regresi yang baik adalah yang
tidak mengandung multikolinearitas. Mendeteksi multikolinieritas dapat melihat nilai
tolerance dan varian inflation factor (VIF) sebagai tolak ukur. Apabila nilai tolerance ≤
0,10 dan nilai VIF ≥10 maka dapat disimpulkan bahwa dalam penelitian tersebut
terdapat multikolinieritas (Ghozali, 2011: 106).

1.3 Uji Heteroskedastisitas

Uji heteroskedastisitas digunakan untuk menguji apakah dalam sebuah regresi
terjadi ketidaksamaan varian dari residual dari suatu pengamatan ke pengamatan lain.
Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya gejala
heteroskedastisitas.

1.4 Uji Autokorelasi

Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada kolerasi
antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada
periode t-1 (sebelumnya). Jika terjadi autokolerasi maka dinamakan ada problem
autokolerasi.

2. Analisis Regresi
Analisis regresi dipergunakan untuk mengetahui hubungan fungsional antara
peubah-peubah yang dinyatakan dalam bentuk persamaan matematik dan garis.
Persamaan matematik dan garis yang didapat disebut dengan persamaan regresi yang
dapat berbentuk garis lurus (linear) dan atau tidak lurus (non linear). Hubungan
fungsional terdiri dari dua jenis peubah yaitu peubah bebas (independent) dan peubah
tak bebas (dependent).
Secara kuantitatif, hubungan antara peubah bebas dan peubah tak bebas tersebut
dapat kita modelkan dalam suatu persamaan matematik, sehingga kita dapat menduga
nilai suatu peubah tak bebas bila diketahui nilai dari peubah bebasnya. Persamaan
matematik yang menggambarkan hubungan antara peubah bebas dan tak bebas sering
disebut persamaan regresi.
Regresi metode kuadrat terkecil merupakan regresi yang sering dipakai pada saat
data pada peubah respon merupakan numerik (kuantitatif). Namun pada data riil,
seringkali datadalam bentuk kategorik (kualitatif).Sehingga data tersebut tidak akan
cocok jika dianalisis menggunakan regresi sederhana atau regresi berganda biasa.
 Maka, analisis regresi yang digunakan untuk peubah bebas kualitatif yaitu analisis
regresi dummy.

3. Analisis Regresi dengan Dummy

Nama lain Regresi Dummy adalah Regresi Kategori. Regresi ini menggunakan
prediktor kualitatif. Peubah (variabel) dummy disebut juga peubah kategorik,
kualitatif, boneka atau peubah dikotomi. Prinsipnya adalah membandingkan
karakteristik, misal jenis kelamin (pria dan wanita), tempat tinggal (desa dan kota),
dll. Analisis regresi dummy merupakan analisis regresi berganda, hanya saja salah satu
peubah bebasnya merupakan peubah kualitatif yang berskala nominal atau ordinal.

Metode yang digunakan adalah mengganti informasi yang bersifat kategori,

misal untuk jenis kelamin, PRIA diwakili angka 1 dan WANITA diwakili angka 0.
Jika peubah kualitatif tersebut lebih dari dua kategori, jumlah peubah dummy yang
dibentuk harus sebanyak n-1, dimana n adalah banyaknya kategori peubah
tersebut.Skala Pengukuran

4. Skala Pengukuran

Berdasarkan skala pengukurannya, peubah dapat dikategorikan menjadi

empat, yaitu dari yang terendah ke yang tertinggi diantaranya peubah berskala
nominal, ordinal, dan interval
1.1 Skala Nominal
Skala ini hanya digunakan untuk memberikan kategori saja. Misalnya
digunakan untuk memberi label, simbol, lambang, atau nama pada sebuah kategori
sehingga akan mempermudah pengelompokan data menurut kategorinya. Misalnya
gender mempunyai skala pria dan wanita. Peubah nominal sering juga dinamakan
peubah kualitatif, karena peubah atau variabel yang ada pada skala ini berbeda dalam
hal kualitas, bukan kuantitas. Angka-angka yang disajikan pada skala nominal hanya
untuk menggolongkan dan tidak bisa digunakan untuk mengukur besaran.
1.2 Skala Ordinal
Skala ordinal merupakan skala pengukuran yang sudah menyatakan peringkat
antar tingkatan. Jarak atau interval antar tingkatan juga tidak harus sama. Skala ordinal
ini memiliki tingkatan yang lebih tinggi daripada skala nominal, karena skala ini tidak
hanya menunjukkan kategori saja tetapi juga menunjukkan peringkat. Ada urutan-
urutan di antara nilai-nilai pada skala ordinal, namun jarak antara nilai-nilai tidak
memiliki makna numerik yang pasti. Untuk masing-masing peubah ini, kita dapat
membandingkan dua pengamatan dengan cara mengatakan mana yang lebih tinggi
peringkatnya pada peubah-peubah tersebut. Untuk semua peubah ordinal, meskipun
ada urutan kategori yang jelas, namun perbedaan jarak antara kategori- kategori itu
tidak diketahui.
1.3 Skala Interval
Skala interval dapat diurutkan dan memiliki sifat bahwa ada perbedaan jarak
pada setiap nilai peubah. Di dalam skala interval, jarak antara semua nilai peubah yang
bersebelahan adalah sama. Contoh peubah interval adalah harga suatu barang dan
umur. Kita dapat membandingkan nilai peubah pada skala interval dengan
menggunakan sifat-sifat berikut:
1. Apakah keduanya berbeda (sifat nominal)
2. Mana yang lebih besar (sifat ordinal)
3. Jarak atau perbedaan antara keduanya (sifat interval)

1.4 Skala Ratio

Skala rasio adalah skala pengukuran yang ditujukan pada hasil pengukuran
yang bisa dibedakan, diurutkan, memiliki jarak tertentu, dan bisa dibandingkan. kala
rasio merupakan tingkatan skala paling tinggi dan paling lengkap dibanding skala-
skala lainnya. Jarak atau interval antar tingkatan sudah jelas, dan memiliki nilai “0”
(nol) yang mutlak. Nilai nol mutlak berarti benar-benar menyatakan tidak ada.

Tabel dibawah ini menjelaskan jenis-jenis pembandingan yang dapat

dilakukan untuk ketiga taraf pengukuran. Masing- masing skala pengukuran memiliki
sejumlah metode statistika yang paling cocok untuk skala bersangkutan.

Cara Membandingkan Objek Pengamatan menurut Skala Pengukuran Peubah

JENIS SKALA CARA TELADAN

DATA PENGUKUR MEMBANDINGKAN
AN
Kuantitatif Interval Apakah berbeda? Harga, Umur
Mana yang lebih besar?
Seberapa lebih besar?

Apakah berbeda? Tinggi badan

Rasio Mana yang lebih besar?
Seberapa lebih besar?
Apakah ada nol mutlak?
Kualitatif Ordinal Apakah berbeda? Mana Kelas sosial
yang lebih besar?
Nominal Apakah berbeda? Gender
HASIL ANALISIS

“Analisis Regresi Linier Berganda Dummy”

NO PENJUALAN OUTLET SPG INDEKS 1 INDEKS 2 INDEKS 3

1 256,67 4 3 0 0 0
2 250,34 7 5 0 1 0
3 234,00 5 3 1 0 0
4 222,09 3 1 0 0 0
5 214,67 3 2 0 0 1
6 418,06 10 7 1 0 0
7 401,87 7 5 0 1 0
8 379,67 9 4 0 0 0
9 289,98 13 9 0 0 1
10 567,78 11 8 0 1 0
11 677,89 16 11 1 0 0
12 689,90 19 13 0 0 1
13 290,45 5 3 0 1 0
14 345,90 9 7 0 0 1
15 234,44 7 5 0 0 0
16 333,12 6 4 0 1 0
17 238,00 4 3 1 0 0
18 435,55 5 4 0 0 1
19 324,90 9 7 0 0 0
20 678,80 18 15 1 0 0

Penyelesaian :

Data di atas diuji dengan Analisis Regresi Linier Berganda Dummy dengan 5 variabel
prediktor dan 1 variabel respon. Pengujian ini menggunakan Software SPSS.

Hipotesis :

H0 : Terdapat pengaruh antara banyak outlet, banyak SPG, dan tingkat penghasilan pembeli
(kategori indeks 1, indeks 2, indeks 3) terhadap jumlah pembelian roti berbagai rasa di
Kota Jakarta Pusat

H1 : Tidak terdapat pengaruh antara banyak outlet, banyak SPG, dan tingkat penghasilan
pembeli (kategori indeks 1, indeks 2, indeks 3) terhadap jumlah pembelian roti berbagai
rasa di Kota Jakarta Pusat

Variables Entered/Removeda

Model
Variables Entered
Variables Removed
 Method

1
Indeks3, Outlet, Indeks2, Indeks1, SPGb
.
Enter

a. Dependent Variable: Pembelian

b. All requested variables entered.

Model Summary

Model
R
R Square
Adjusted R Square
Std. Error of the Estimate
1
,875a
,766
,683
89,83689

a. Predictors: (Constant), Indeks3, Outlet, Indeks2, Indeks1, SPG

 ANOVAa

Model
Sum of Squares
df
Mean Square
F
Sig.

1
Regression
370149,457
5
74029,891
9,173
,000b

Residual
112989,325
14
8070,666

Total
483138,783
19

a. Dependent Variable: Pembelian

b. Predictors: (Constant), Indeks3, Outlet, Indeks2, Indeks1, SPG

Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t
Sig.

B
 Std. Error
Beta

1
(Constant)
106,571
53,399

1,996
,066

Outlet
24,842
19,818
,747
1,254
,231

SPG
4,499
26,099
,105
,172
,866

Indeks1
44,365
62,768
,124
,707
,491

Indeks2
60,786
57,932
,169
1,049
,312

Indeks3
13,687
60,331
,038
,227
,824
a. Dependent Variable: Pembelian

Persamaan regresi :

Y = 106,571 + 24,842 X1 + 4,499 X2 + 44,365 X3 +60,786 X4 + 13,687 X5

Keterangan :
Y : Jumlah pembelian roti
X1 : Banyak outlet
 X2 : Banyak SPG
X3 : Indeks 1
X4 : Indeks 2
X5 : Indeks 3

Interpretasi :
a. Koefisien Determinasi
Koefisien determinasi pada analisi kali ini sebesar ,875 yang berarti bawah
koefisien determinasi mendekati 1 dimana semakin tinggi nilai variabel bebas (banyak
outlet, banyak SPG, indeks 1, indeks 2, indeks 3) untuk menjelaskan keterkaitannya
dengan variabel terikat (Jumlah penjualan roti) atau sebesar 76,6% dari variabel terikat
dijelaskan oleh variabel bebasnya
a. Tabel Anova
Nilai signifikansi(0,000) < 0,05, maka terima H0 ( tolak H1)
Sehingga, dapat disimpulkan bahwa secara simultan terdapat pengaruh antara
banyak outlet, banyak spg, dan tingkat penghasilan pembeli (kategori indeks 1, indeks
2, indeks 3) terhadap jumlah pembelian roti berbagai rasa di Kota Jakarta Pusat
b. Persamaan Regresi
- a = 106,571
Nilai a = 106,571 berarti bahwa jika banyak outlet, banyak SPG, dan tingkat
penghasilan pembeli (kategori indeks 1, indeks 2, indeks 3) konstan (tetap) maka
jumlah penjualan roti akan sebesar 106,571

- b1 = 24,842
Nilai b1 = 24,842 berarti bahwa jika banyak outlet bertambah 1 maka jumlah
penjualan roti akan meningkat sebesar 24,842 (untuk variabel lain konstan)

- b2 = 4,499
Nilai b2 = 4,499 berarti bahwa jika banyak SPG bertambah 1 maka jumlah
penjualan roti akan meningkat sebesar 4,499 (untuk variabel lain konstan)

- b3 = 44,365
Nilai b3 = 44,365 berarti bahwa jika penghasilan pembeli dengan golongan
menengah kebawah bertambah 1 satuan maka jumlah penjualan roti akan meningkat
sebesar 44,365 (untuk variabel lain konstan)

- b4 = 60,786
Nilai b4 = 60,786 berarti bahwa jika penghasilan pembeli dengan golongan
menengah bertambah 1 satuan maka jumlah penjualan roti akan meningkat sebesar
60,786 (untuk variabel lain konstan)
 - b5 = 13,687
Nilai b5 = 13,687 berarti bahwa jika penghasilan pembeli dengan golongan
kaya bertambah 1 satuan maka jumlah penjualan roti akan meningkat sebesar 13,687
(untuk variabel lain konstan)

Uji Asumsi Klasik

1. Uji Normalisasi
a. Histogram

Interpretasi :
Dari tampilan histogram tersebut, terlihat bahwa grafik distribusi data membentuk
lonceng (bell shaped), tidak condong ke kanan maupun ke kiri. Maka grafik histogram
tersebut dikatakan normal.

b. P-P Plot
Interpretasi :
Dari tampilan P-P plot tersebut, terlihat bahwa data menyebar disekitar garis
diagonal/disekeliling garis lurus, serta tidak ada data yang letaknya jauh dari garis. Maka,
dapat dikatakan bahwa model regresi berdistribusi normal dan memenuhi syarat asumsi
normalitas.

c. Uji Kolmogorov Smirnov

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 20
Normal Parametersa,b Mean .0000000
Std. Deviation 77.11554059
Most Extreme Differences Absolute .156
Positive .156
Negative -.117
Test Statistic .156
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

Interpretasi :
Berdasarkan hasil uji normalitas Kolmogorov Smirnov, diketahui bahwa nilai
signifikansi 0,2 > 0,05. Maka dapat disimpulkan bahwa nilai residual data berdistribusi
normal.
 2. Uji Multikolinearitas

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 106.571 53.399 1.996 .066
Outlet 24.842 19.818 .747 1.254 .231 .047 21.266
SPG 4.499 26.099 .105 .172 .866 .045 22.193
Indeks1 44.365 62.768 .124 .707 .491 .546 1.831
Indeks2 60.786 57.932 .169 1.049 .312 .641 1.559
Indeks3 13.687 60.331 .038 .227 .824 .591 1.691
a. Dependent Variable: Pembelian

Interpretasi :
Syarat tidak adanya Multikolinieritas :
1. Nilai tolerance > 0,10
Dari hasil uji tersebut, terlihat bahwa terdapat beberapa variabel yang memiliki nilai
tolerance > 0,10 (variabel indeks 1, indeks 2, dan indeks 3). Sedangkan variabel Outlet
dan SPG memiliki nilai tolerance < 0.10
Maka terdapat gejala multikolinieritas dalam model regresi.

2. Nilai VIF < 10,00

Dari hasil uji tersebut, terlihat bahwa terdapat beberapa variabel yang memiliki nilai
VIF < 10,00 (variabel indeks 1, indeks 2, dan indeks 3). Sedangkan variabel Outlet
dan SPG memiliki nilai VIF > 0.10
Maka terdapat gejala multikolinieritas dalam model regresi.

3. Uji Heteroskedastisitas

a. Scatterplot
 Interpretasi :
Dari tampilan scatterplot tersebut, terlihat bahwa tidak terdapat pola yang jelas
(bergelombang, melebar kemudian menyempit,dll). Selain itu, titik-titik menyebar diatas dan
dibawah angka 0 pada sumbu Y. Sehingga dapat dikatakan bahwa tidak terjadi
heteroskedastisitas.

b. Uji Glejser

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 35.185 33.159 1.061 .307
Outlet 1.391 12.306 .127 .113 .912 .047 21.266
SPG -.496 16.207 -.035 -.031 .976 .045 22.193
Indeks1 -8.770 38.977 -.074 -.225 .825 .546 1.831
Indeks2 9.000 35.974 .076 .250 .806 .641 1.559
Indeks3 43.911 37.463 .372 1.172 .261 .591 1.691
a. Dependent Variable: Abs_Res

Interpretasi :
Berdasarkan output Uji Glejser di atas, dapat diketahui nilai signifikansi (Sig.) untuk
masing-masing variabel yaitu:
1. Variabel Outlet sebesar 0.912
2. Variabel SPG sebesar 0.976
 3. Variabel Indeks 1 sebesar 0.825
4. Variabel Indeks 2 sebesar 0.806
5. Variabel Indeks 3 sebesar 0.261

Karena nilai signifikansi seluruh variabel > 0.05 , maka dapat disimpulkan bahwa tidak
terdapat gejala heteroskedastisitas dalam model regresi.

LAMPIRAN

REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5
/SCATTERPLOT=(*SRESID ,*ZPRED)
/RESIDUALS DURBIN HISTOGRAM(ZRESID) NORMPROB(ZRESID).

Regression

Descriptive Statistics

Mean Std. Deviation N

Pembelian 374.2040 159.46271 20

Outlet 8.50 4.796 20

 SPG 5.95 3.720 20
Indeks1 .25 .444 20
Indeks2 .25 .444 20
Indeks3 .25 .444 20

Correlations
Pembelian Outlet SPG Indeks1 Indeks2 Indeks3
Pearson Correlation Pembelian 1.000 .860 .851 .279 -.020 .078
Outlet .860 1.000 .975 .259 -.161 .161
SPG .851 .975 1.000 .295 -.151 .167
Indeks1 .279 .259 .295 1.000 -.333 -.333
Indeks2 -.020 -.161 -.151 -.333 1.000 -.333
Indeks3 .078 .161 .167 -.333 -.333 1.000
Sig. (1-tailed) Pembelian . .000 .000 .117 .466 .372
Outlet .000 . .000 .135 .249 .249
SPG .000 .000 . .104 .262 .241
Indeks1 .117 .135 .104 . .075 .075
Indeks2 .466 .249 .262 .075 . .075
Indeks3 .372 .249 .241 .075 .075 .
N Pembelian 20 20 20 20 20 20
Outlet 20 20 20 20 20 20
SPG 20 20 20 20 20 20
Indeks1 20 20 20 20 20 20
Indeks2 20 20 20 20 20 20
Indeks3 20 20 20 20 20 20

Variables Entered/Removeda

Model Variables Entered Variables Removed Method

1 Indeks3, Outlet, . Enter
Indeks2, Indeks1,
SPGb

a. Dependent Variable: Pembelian

b. All requested variables entered.

Model Summaryb
Mode R Adjusted R Std. Error of Durbin-
l R Square Square the Estimate Watson
1 .875a .766 .683 89.83689 2.370
a. Predictors: (Constant), Indeks3, Outlet, Indeks2, Indeks1, SPG
b. Dependent Variable: Pembelian

ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 370149.457 5 74029.891 9.173 .000b
 Residual 112989.325 14 8070.666
Total 483138.783 19
a. Dependent Variable: Pembelian
b. Predictors: (Constant), Indeks3, Outlet, Indeks2, Indeks1, SPG

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 106.571 53.399 1.996 .066
Outlet 24.842 19.818 .747 1.254 .231 .047 21.266
SPG 4.499 26.099 .105 .172 .866 .045 22.193
Indeks1 44.365 62.768 .124 .707 .491 .546 1.831
Indeks2 60.786 57.932 .169 1.049 .312 .641 1.559
Indeks3 13.687 60.331 .038 .227 .824 .591 1.691
a. Dependent Variable: Pembelian

Collinearity Diagnosticsa
Condition Variance Proportions
Model Dimension Eigenvalue Index (Constant) Outlet SPG Indeks1 Indeks2 Indeks3
1 1 3.624 1.000 .01 .00 .00 .01 .01 .01
2 1.016 1.888 .00 .00 .00 .10 .34 .01
3 1.000 1.904 .00 .00 .00 .14 .02 .28
4 .228 3.983 .04 .01 .01 .44 .15 .37
5 .125 5.383 .75 .00 .00 .25 .45 .30
6 .006 25.022 .19 .99 .98 .07 .04 .04
a. Dependent Variable: Pembelian

Residuals Statisticsa
Std.
Minimum Maximum Mean Deviation N
Predicted Value 185.5954 665.5707 374.204 139.57632 20
0
Std. Predicted Value -1.351 2.088 .000 1.000 20
Standard Error of 40.371 69.597 48.519 8.404 20
Predicted Value
Adjusted Predicted Value 173.3661 645.7133 369.781 137.97870 20
6
Residual -193.71167 173.08751 .00000 77.11554 20
Std. Residual -2.156 1.927 .000 .858 20
Stud. Residual -2.471 2.281 .020 1.002 20
Deleted Residual -254.32420 242.50018 4.42244 105.48373 20
Stud. Deleted Residual -3.170 2.772 .007 1.161 20
Mahal. Distance 2.887 10.453 4.750 2.133 20
Cook's Distance .000 .348 .060 .098 20
Centered Leverage Value .152 .550 .250 .112 20
a. Dependent Variable: Pembelian

Charts
REGRESSION
 /DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X1 X2 X3 X4 X5
/SCATTERPLOT=(*SRESID ,*ZPRED)
/RESIDUALS DURBIN HISTOGRAM(ZRESID) NORMPROB(ZRESID)
/SAVE RESID.

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 35.185 33.159 1.061 .307
Outlet 1.391 12.306 .127 .113 .912 .047 21.266
SPG -.496 16.207 -.035 -.031 .976 .045 22.193
Indeks1 -8.770 38.977 -.074 -.225 .825 .546 1.831
Indeks2 9.000 35.974 .076 .250 .806 .641 1.559
Indeks3 43.911 37.463 .372 1.172 .261 .591 1.691
a. Dependent Variable: Abs_Res

NPAR TESTS
/K-S(NORMAL)=RES_1
/MISSING ANALYSIS.

NPar Tests

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 20
a,b
Normal Parameters Mean .0000000
Std. Deviation 77.11554059
Most Extreme Differences Absolute .156
Positive .156
Negative -.117
Test Statistic .156
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

DAFTAR PUSTAKA
Roza Zelvia, Alva Yenica Nandavita, dan Hotman. 2017. Penerapan Analisis Regresi Dummy
Pada Data Kualitatif Kasus Ekonomi. Hukum dan Ekonomi Syariah, 15(1), 4.

Rizky Primadita Ayuwardani. 2018. Pengaruh Informasi Keuangan dan Non Keuangan
Terhadap Underpricing Harga Saham Pada Perusahaan yang Melakukan Initial Public
Offering. Nominal, 7(1), 6.