EKONOM

ETIKA
MODEL
REGRESI
LINEAR
Dosen Pengampu : Arni Susanti,
M.Sc
 KELOMPOK 8

Hasna Ulpa Ujiah Iqwa Futri Angraini

Simamora (0703193078)
(0703193073)

Zakaria Alfikri Sirait

(0703192013)
REGR
Dengan

ESI
Variable

BONE
KA
 Dalam regresi, variabel dependent pada dasarnya tidak
hanya dapat dipengaruhi oleh variabel independent kuantitatif,
tetapi juga dimungkinkan oleh variabel kualitatif. Variabel kualitatif
tersebut harus dikuantitatifkan atributnya (cirinya). Untuk
mengkuantitatifkan atribut variabel kualitatif, dibentuk variabel
dummy dengan nilai 1 dan 0. Jadi, inilah yang dimaksud dengan
variabel dummy tersebut. Nilai 1 menunjukkan adanya, sedangkan
nilai 0 menunjukkan tidak adanya ciri kualitas tersebut. Misalnya
variabel jenis kelamin. Jika nilai 1 digunakan untuk laki-laki maka
nilai 0 menunjukkan bukan laki-laki (perempuan), atau sebaliknya.
Jika variabel kualitatif tersebut terdiri lebih dari dua
kategori, jumlah variabel dummy yang dibentuk harus sebanyak n-
1, dimana n adalah banyaknya kategori variabel tersebut. Misalnya
variabel jenis pekerjaan dengan tiga kategori yaitu pekerja kasar,
setengah terampil dan pekerja terampil, maka dibentuk dua variabel
dummy sebagai berikut:
Alternatif 1
Dk1 = 1 jika kasar, = 0 jika lainnya
Dk2 = 1 jika setengah terampil, = 0 jika lainnya
Pada alternatif 1,
Dk1 = 0, Dk2 = 0 jika terampil
Dk1 = 0, Dk2 = 1 jika ½ terampil
Dk1 = 1, Dk2 = 0 jika kasar

Alternatif 2
Dk1 = 1 jika setengah terampil, = 0 jika lainnya
Dk2 = 1 jika terampil, = 0 jika lainnya
Pada alternatif 2,
Dk1 = 0, Dk2 = 0 jika kasar
Dk1 = 0, Dk2 = 1 jika terampil
Dk1 = 1, Dk2 = 0 jika ½ terampil

(Junaidi, 2015).
Jenis Kelamin Penghasilan
Pendidikan (Pd) Jenis Pekerjaan Dk1 Dk2
(Ds) (Y)

0 10 Pekerja Kasar 0 0 374938

0 15 Pekerja Kasar 0 0 474938

0 12 Pekerja Kasar 0 0 465375

0 12 Pekerja Kasar 0 0 462188

0 15 Pekerja Kasar 0 0 592875

0 12 Pekerja Kasar 0 0 455813

0 8 Pekerja Kasar 0 0 465375

0 15 Pekerja Kasar 0 0 449438

0 16 Pekerja Kasar 0 0 854250

1 8 Pekerja Kasar 0 0 621563

1 15 Pekerja Kasar 0 0 659813

1 15 Pekerja Kasar 0 0 745875

Untuk Dasar latihan

1 15 Pekerja Kasar 0 0 691688

1 15 Pekerja Kasar 0 0 745875

1 15 Pekerja Kasar 0 0 682125

1
12

12

15
Pekerja Kasar

Pekerja Kasar

Pekerja Kasar
0

0
0

0
867000

898875

739500
regresi linear dummy,
0

0
12

11
½ Terampil

½ Terampil
1

1
0

0
637500

631438
diberikan data latihan
sebagai berikut
0 12 ½ Terampil 1 0 663438

0 12 ½ Terampil 1 0 653438

0 12 ½ Terampil 1 0 653438

1 12 ½ Terampil 1 0 673438

1 10 ½ Terampil 1 0 641438

1 17 ½ Terampil 1 0 2104688

1 13 ½ Terampil 1 0 673438

1 17 ½ Terampil 1 0 2214688

1 19 ½ Terampil 1 0 2868750

0 13 Pekerja Terampil 0 1 796125

0 11 Pekerja Terampil 0 1 781725

0 11 Pekerja Terampil 0 1 784125

0 16 Pekerja Terampil 0 1 1465500

1 16 Pekerja Terampil 0 1 1506000

1 10 Pekerja Terampil 0 1 772125

1 15 Pekerja Terampil 0 1 1453500

1 16 Pekerja Terampil 0 1 1530000

1 10 Pekerja Terampil 0 1 798450

1 16 Pekerja Terampil 0 1 2645625

1 18 Pekerja Terampil 0 1 1880645

 1. Regresi atas satu variabel kualitatif (dua kategori)
Dari data yang diberikan, misalnya kita ingin meregresikan variabel kualitatif jenis
kelamin (sex) terhadap penghasilan, dengan kuantifikasi laki-laki =1 dan perempuan =0
Model regresi yang kita bentuk :
Y = b0 + b1 Ds
Dimana :
Y = penghasilan
Ds = variabel dummy untuk seks
Berdasarkan pengolahan data, persamaan regresi yang terbentuk sebagai berikut:

Model ini memungkinkan untuk mengetahui perbedaan penghasilan

berdasarkan jenis kelamin. Interpretasinya : b0 = rata-rata penghasilan
pekerja perempuan, b1 = besarnya perbedaan penghasilan pekerja laki-laki
dengan perempuan, dan b0 + b1 merupakan rata-rata penghasilan pekerja
laki-laki. Karena variabel Ds signifikan, artinya secara statistik terdapat
perbedaan nyata penghasilan laki-laki dengan perempuan Jika Ds=0, artinya
rata-rata penghasilan pekerja perempuan adalah 647884 (sebesarb0). Jika
Ds=1, artinya rata-rata penghasilan pekerja laki-laki adalah 647884 + 552801
=1200685 (sebesar b0 + b1).
2. Regresi atas satu variabel kuantitatif dan satu variabel kualitatif (dua kategori)
Dari data yang sudah diberikan, misalnya kita bentuk suatu model regresi sbb:
Y = b0 + b1 Ds + b2 Pd + ei
Dimana :
Ds = dummy jenis kelamin
Pd = pendidikan
Berdasarkan pengolahan datanya, ditampilkan hasilnya sebagai berikut :

Interpretasi : Pada setiap tingkat pendidikan, terdapat perbedaan besarnya

penghasilanlaki-laki dan perempuan. Perbedaaan tsb besar-nya adalah 331928 (sebesar
b1 ) lebih tinggi untuk laki-laki
Misalnya jika tahun pendidikan (Pd) = 15, maka
Jika Ds=0, rata-rata penghasilan perempuan adalah
Y = -1039341 + 331928 (0) + 134978 (15) = 985329
Jika Ds=1, rata-rata penghasilan laki-laki adalah
Y = -1039341 + 331928 (1) + 134978 (15) = 1317257
3. Regresi atas satu variabel kuantitatif dan satu variabel kualitatif (lebih dua kategori)
Dari data yang diberikan, misalnya kita bentuk suatu model regresi sbb:
Y = b0 + b1 Dk1 + b2 Dk2 + b3 Pd + ei
Dimana :
Dk1 = dummy jenis pekerjaan
1 = setengah terampil
0 = lainnya
Dk2 = dummy jenis pekerjaan
1 = terampil
0 = lainnya
Pd = pendidikan
Berdasarkan pengolahan datanya, ditampilkan hasilnya sebagai berikut :
penghasilan 590905 (sebesar b2) lebih tinggi
dibandingkan pekerja kasar.
Misalnya jika tahun pendidikan (Pd) = 15, maka
Jika Dk1=0 dan Dk2=0, rata-rata penghasilan
pekerja kasar adalah:
Y = -1286520 + 475244 (0) + 590905 (0) +
Interpretasi :
145168 (15) = 891000
Jika Dk1 = 0, Dk2 = 0 ® pekerja kasar Jika Dk1=1 dan Dk2=0, rata-rata penghasilan
Jika Dk1 = 1, Dk2 = 0 ® pekerja setengah terampil pekerja ½ terampil :
Jika Dk1 = 0, Dk2 = 1 ® pekerja terampil Y = -1286520 + 475244 (1) + 590905 (0) +
Pada setiap tingkat pendidikan, terdapat perbedaan 145168 (15) = 1366244
penghasilan pekerja kasar, setengah terampil dan terampil. Jika Dk1=0 dan Dk2=1, rata-rata penghasilan
Pekerja setengah terampil memiliki penghasilan 475244 pekerja terampil:
(sebesar b1) lebih tinggi dibandingkan pekerja kasar. Pekerja Y = -1286520 + 475244 (1) + 590905 (1) +
145168 (15) = 1481905
4. Membandingkan dua regresi dengan variabel boneka (dummy)
Secara implisit, teknik penggunaan variabel dummy (dari pembahasan sebelum ini), pada dasarnya
mengandung asumsi bahwa variabel kualitatif mempengaruhi intersep tetapi tidak mempengaruhi
koefisien kemiringan dari berbagai regresi sub-kelompok. Kita dapat menghindari asumsi ini dengan
menggunakan teknik “pooling” (mengelompokkan), dengan dasar pemikiran sbb: (catatan: banyak
teknik yang lain, tetapi ini salah satunya).
Misalnya, dari model regresi terdahulu:
Y = b0 + b1 Ds + b2 Pd + ei
dimana :
Ds = dummy jenis kelamin,
Pd = pendidikan
Kita dapat merubah model ini dengan meregresi secara terpisah antara pekerja
perempuan dan laki-laki sebagai berikut:
Regresi untuk pekerja perempuan
Y = l0 + l1 Pd + ei
Regresi untuk pekerja laki-laki
Y = a0 + a1 Pd + ei
(Catatan: banyaknya sampel untuk laki-laki dan perempuan tidak perlu sama)
Dua persamaan regresi tersebut, memberikan empat kemungkinan hasil sebagai berikut:
Semua kemungkinan tersebut dapat diuji jika kita mengelompokkan (pool) semua sampel
laki-laki dan perempuan, dengan memodifikasi model menjadi :
Y = b0 + b1 Ds + b2 Pd + b3 (Ds.Pd) + ei
Dibandingkan model sebelumnya, model ini mempunyai variabel tambahan DsPd
Implikasi model ini sebagai berikut:
Jika Ds=0 (perempuan), maka model menjadi :
Y = b0 + b2 Pd + ei, setara dgn Y = l0 + l1 Pd + ei
Jika Ds=1 (laki-laki), maka model menjadi :
Y = (b0 + b1) + (b2 + b3 )Pd + ei, setara dgn Y = a0 + a1 Pd + ei
Dari data yg telah diberikan, kita meregresikan secara terpisah untuk pekerja perempuan
dan laki-laki didapatkan :
Regresi pekerja perempuan : Y = 12971 + 50793 Pd
Regresi pekerja laki-laki : Y = -1242495 + 172830 Pd
Dengan teknik “pooling” kita modifikasi model tersebut, dan melalui perhitungan,
persamaan regresinya menjadi :
Y = 12971 -1255466 Ds + 50793 Pd + 122036 DsPd
Jika Ds=0 (perempuan), persamaan regresi tsb menjadi:
Y = 12971 -1255466 (0) + 50793 Pd + 122036 (0)Pd
Y = 12971 + 50793 Pd
Jika Ds=1 (laki-laki), persamaan regresi tsb menjadi :
Y = 12971 -1255466 (1) + 50793 Pd + 122036 (1)Pd
Y = 12971 -1255466 + 50793 Pd + 122036 (1)Pd
Y = -1242495 + 172830 Pd
MODEL

ANOVA
Anova adalah sebuah analisis statistik yang
menguji perbedaan rerata antar grup. Grup
disini bisa berarti kelompok atau jenis
perlakuan. Anova merupakan singkatan
dari Analysis of variance. Merupakan
prosedur uji statistik yang mirip dengan t
test. Namun kelebihan dari Anova adalah
dapat menguji perbedaan lebih dari dua
kelompok. Berbeda dengan independent
sample t test yang hanya bisa menguji
perbedaan rerata dari dua kelompok saja.
PENGERTIAN
ANOVA
PENGERTIAN
ANOVA
Anova digunakan sebagai alat analisis
untuk menguji hipotesis penelitian yang
mana menilai adakah perbedaan rerata
antara kelompok. Hasil akhir dari analisis
ANOVA adalah nilai F test atau F hitung.
Nilai F Hitung ini yang nantinya akan
dibandingkan dengan nilai pada tabel f.
Jika nilai f hitung lebih dari f tabel, maka
dapat disimpulkan bahwa menerima H1
dan menolak H0 atau yang berarti ada
perbedaan bermakna rerata pada semua
kelompok. Analisis ANOVA sering
digunakan pada penelitian eksperimen
dimana terdapat beberapa perlakuan
 CIRI-CIRI ANOVA

Ciri khasnya adalah adanya satu atau lebih variabel bebas sebagai faktor penyebab
dan satu atau lebih variabel response sebagai akibat atau efek dari adanya faktor.
Contoh penelitian yang dapat menggambarkan penjelasan ini: “Adakah pengaruh jenis
bahan bakar terhadap umur thorax mesin.” Dari judul tersebut jelas sekali bahwa
bahan bakar adalah faktor penyebab sedangkan umur thorax mesin adalah akibat atau
efek dari adanya perlakuan faktor. Ciri lainnya adalah variabel response berskala data
rasio atau interval (numerik atau kuantitatif).
Anova merupakan salah satu dari berbagai jenis uji parametris, karena mensyaratkan
adanya distribusi normal pada variabel terikat per perlakuan atau distribusi normal
pada residual. Syarat normalitas ini mengasumsikan bahwa sample diambil secara
acak dan dapat mewakili keseluruhan populasi agar hasil penelitian dapat digunakan
sebagai generalisasi. Namun keunikannya, uji ini dapat dikatakan relatif robust atau
kebal terhadap adanya asumsi tersebut.
J
E Jenisnya adalah berdasarkan jumlah variabel faktor (independen
N variable atau variabel bebas) dan jumlah variabel responsen (dependent
I variable atau variabel terikat). Pembagiannya adalah sebagai berikut:
Univariat:
S • Univariate One Way Analysis of Variance. Apabila variabel bebas
| dan variabel terikat jumlahnya satu.
J • Univariate Two Way Analysis of Variance. Apabila variabel bebas
E ada 2, sedangkan variabel terikat ada satu.
N • Univariate Multi way Analysis of Variance. Apabila variabel bebas
ada > 2, sedangkan variabel terikat ada satu.
I Multivariat:
S • Multivariate One Way Analysis of Variance. Apabila variabel bebas
A dan variabel terikat jumlahnya lebih dari satu.
N • Multivariate Two Way Analysis of Variance. Apabila variabel bebas
O ada 2, sedangkan variabel terikat jumlahnya lebih dari satu.
• Multivariate Multi way Analysis of Variance. Apabila variabel bebas
V ada > 2, sedangkan variabel terikat jumlahnya lebih dari satu.
A
J
E
N Jenis lain yang menggunakan prinsip ini adalah:
I • Repeated Measure Analysis of variance.
• Analysis of Covariance (ANCOVA).
S • Multivariate Analysis of covariance (MANCOVA).
|
J Adapun Contoh Anova, contohnya adalah seorang peneliti ingin menilai
adakah perbedaan model pembelajaran A, B dan C terhadap hasil
E pembelajaran mata pelajaran fisika pada kelas 6. Dimana dalam penelitian
N tersebut, kelas 6A diberi perlakuan A, kelas 6B diberi perlakuan B dan kelas
I 6C diberi perlakuan C. Setelah adanya perlakuan selama satu semester,
kemudian dibandingkan hasil belajar semua kelas 6 (A, B dan C). Masing-
S masing kelas jumlahnya berkisar antara 40 sampai dengan 50 siswa. Hasil
A akhir yang didapatkan adalah nilai f hitung. Nilai tersebut dibandingkan
N dengan nilai dalam tabel f pada derajat kebebasan tertentu (degree of
freedom). Jika F hitung > F Tabel, maka disimpulkan bahwa menerima H1
O atau yang berarti ada perbedaan secara nyata atau signifikan hasil ujian siswa
V antar perlakuan model pembelajaran.
A
 KESIMPULAN

Regresi linier digunakan untuk mengetahui apakah variabel bebas yang diteliti memiliki
korelasi yang signifikan terhadap variabel terikat. Untuk mengkuantitatifkan atribut
variabel kualitatif, dibentuk variabel dummy dengan nilai 1 dan 0. Jadi, inilah yang
dimaksud dengan variabel dummy tersebut. Nilai 1 menunjukkan adanya, sedangkan
nilai 0 menunjukkan tidak adanya ciri kualitas tersebut.
Analisis of Variance atau yang biasa kita kenal dengan ANOVA merupakan salah satu uji
statitika yang paling sering digunakan dalam penelitian. ANOVA merupakan suatu
metode yang digunakan untuk mengetahui ada tidaknya perbedaan yang berarti antar
tiga kelompok atau lebih. Beberapa peneliti juga menggunakan ada tidak nya pengaruh
suatu variabel bebas terhadap variabel terikatnya dalam hipotesis ANOVA. ANOVA
dapat dilakukan menggunakan nilai F-Statistik. Adapun nilai F statistik ini merupakan
rasio dari dari Kuadrat Tengah Perlakuan dengan Kuadrat Tengah Galatnya.
 DAFTAR
PUSTAKA
• Junaidi, J. (2015). Regresi dengan Variabel Dummy. June, 1–7.
https://doi.org/10.13140/RG.2.1.2176.0164
• Junaidi, J. (2014). Analisis Hubungan Deret Waktu untuk Peramalan.
Jambi. Fakultas Ekonomi dan Bisnis Universitas Jambi.
• Junaidi, J. (2014). Regresi dengan Microsoft Office Excel. Jambi.
Fakultas Ekonomi dan Bisnis Universitas Jambi.
TERIMA
KASIH