Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")

1 PENDAHULUAN

1.1 Latar Belakang

Pengaruh usia dan pengalaman terhadap pendapatan merupakan topik penting dalam studi ekonomi tenaga kerja, karena keduanya seringkali mempengaruhi potensi penghasilan seseorang. Secara umum, seiring bertambahnya usia, individu biasanya memperoleh lebih banyak pengalaman kerja, yang dapat meningkatkan keterampilan dan produktivitas mereka. Pengalaman yang lebih lama sering kali disertai dengan pengetahuan yang lebih mendalam dan keahlian khusus dalam bidang tertentu, yang pada gilirannya dapat meningkatkan peluang untuk mendapatkan posisi dengan tanggung jawab lebih besar dan pendapatan lebih tinggi. Oleh karena itu, analisis regresi linear berganda sering digunakan untuk mengkaji dampak usia dan pengalaman terhadap pendapatan secara simultan, membantu mengidentifikasi kontribusi masing-masing faktor dan memberikan wawasan yang lebih komprehensif mengenai dinamika pendapatan dalam berbagai konteks industri dan pekerjaan. Dengan analisis regresi yang dilakukan, maka memungkinkan kita untuk memprediksi pendapatan di masa depan berdasarkan variabel usia dan pengalaman, sehingga dapat mendukung perencanaan karir individu serta pengambilan kebijakan ketenagakerjaan yang lebih efektif.

2 TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif adalah bagian dari ilmu statistik yang bertujuan untuk mendeskripsikan, meringkas, dan menginterpretasikan data yang dikumpulkan dari suatu populasi atau sampel agar lebih mudah untuk dipahami. Statistika deskriptif digunakan untuk memberikan gambaran yang jelas tentang karakteristik data tanpa membuat kesimpulan tentang populasi yang lebih besar.

2.2 Analisis Regresi

Analisis regresi berganda adalah metode analisis yang digunakan untuk membentuk model hubungan antara satu variabel dependen dengan dua atau lebih variabel independen. Sehingga model regresi linier berganda dapat ditunjukkan sebagai berikut.

\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + ... + \beta_pX_p+\varepsilon,i=1,2,...,p \]

Keterangan :

\(\beta_0\) = Konstanta

\(X_1,X_2,...,Xp\) = Variabel Prediktor

\(Y\) = Variabel Respon

\(\varepsilon\) = Error

2.3 Asumsi Klasik

Uji asumsi klasik terhadap model regresi linier digunakan untuk mengetahui apakah model regresi memiliki ketepatan dalam estimasi, tidak bias, dan konsisten. Asumsi klasik harus dipenuhi pada model regresi linear OLS agar model tersebut menjadi valid sebagai alat penduga. Pengujian ini terdiri dari uji normalitas, uji multikolinieritas, uji homoskedastisitas, dan uji autokorelasi.

2.3.1 Asumsi Normalitas

Uji Normalitas digunakan untuk menguji apakah residual dalam model regresi berdistribusi normal atau tidak (Ghozali, 2018). Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal. Ada beberapa cara untuk mengetahui normalitas data yaitu dengan analisis grafik dan uji statistik. Analisis grafik dilakukan dengan melihat grafik histogram dan melihat normal probability plot. Sedangkan untuk uji statistik yang dapat digunakan diantaranya adalah: Uji Chi-Square, Kolmogorov Smirnov, Lilliefors, Shapiro Wilk, Jarque Bera.

Hipotesis yang digunakan:

\(H_0\) = Galat berdistribusi normal
\(H_1\) = Galat tidak berdistribusi normal

2.3.2 Asumsi Non Multikolinearitas

Asumsi ini digunakan pada model regresi linear berganda yang bertujuan untuk mengetahui ada atau tidaknya korelasi antara dua atau lebih variabel bebas.Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas (Jusmansyah, 2020).

\[ VIF=\frac{1}{1-r_s^2} \]Hipotesis yang digunakan:

\(H_0\) = Tidak terdapat multikolinearitas
\(H_1\) = Terdapat multikolinearitas

Kriteria pengambilan keputusan :

Jika nilai VIF < 10 maka artinya tidak terjadi multikolinieritas dalam model regresi (Terima \(H_0\)).
Jika nilai VIF > 10 maka artinya terjadi multikolinieritas dalam model regresi (Tolak \(H_0\)).

2.3.3 Asumsi Homoskedastisitas

Uji Homoskedastisitas adalah uji yang bertujuan untuk melihat apakah ada kesamaan varian dari residual untuk semua pengamatan pada suatu model regresi. Apabila asumsi homoskedastisitas tidak terpenuhi, maka model regresi dinyatakan tidak valid sebagai alat peramalan.

2.3.4 Asumsi Non Autokorelasi

Uji Autokorelasi adalah uji yang dilakukan untuk mengetahui adakah korelasi pada variabel yang ada di dalam model. Jika asumsi Non Autokorelasi terpenuhi, maka pendugaan parameter dalam regresi linear berganda akan bersifat BLUE (Best Linear Unbiased Estimate). Uji autokorelasi di dalam model regresi linear dapat dilakukan apabila data merupakan data time series atau runtut waktu.

3 SOURCE CODE

3.1 Library

> library(readr)
> library(lmtest)
> library(car)

3.2 Data dan Variabel

> data = read.csv("D:/- SEMESTER 4 -/pendapatan.csv")
> Pendapatan = data.frame(data)
> Pendapatan
   age experience income
1   25          1  30450
2   30          3  35670
3   47          2  31580
4   32          5  40130
5   43         10  47830
6   51          7  41630
7   28          5  41340
8   33          4  37650
9   37          5  40250
10  39          8  45150
11  29          1  27840
12  47          9  46110
13  54          5  36720
14  51          4  34800
15  44         12  51300
16  41          6  38900
17  58         17  63600
18  23          1  30870
19  44          9  44190
20  37         10  48700

Keterangan:

\(Y\) = Pendapatan
\(X_1\) = Usia
\(X_2\) = Pengalaman Kerja

4 HASIL DAN PEMBAHASAN

4.1 Statistika Deskriptif

> summary(Pendapatan)
      age          experience        income     
 Min.   :23.00   Min.   : 1.00   Min.   :27840  
 1st Qu.:31.50   1st Qu.: 3.75   1st Qu.:35453  
 Median :40.00   Median : 5.00   Median :40190  
 Mean   :39.65   Mean   : 6.20   Mean   :40736  
 3rd Qu.:47.00   3rd Qu.: 9.00   3rd Qu.:45390  
 Max.   :58.00   Max.   :17.00   Max.   :63600

Berdasarkan data pendapatan yang digunakan, diperoleh nilai rataan sebesar

\[\mu_{X_1} = 39.65\]\[\mu_{X_2} = 6.20\]\[\mu_{Y} = 40736\]

4.2 Analisis Regresi

> X1 = Pendapatan$age
> X2 = Pendapatan$experience
> Y = Pendapatan$income
> Regresi = lm(Y ~ X1 + X2, data = Pendapatan)
> Regresi

Call:
lm(formula = Y ~ X1 + X2, data = Pendapatan)

Coefficients:
(Intercept)           X1           X2  
    31261.7        -99.2       2162.4

Berdasarkan analisis diatas, didapatkan hasil model persamaan regresi sebagai berikut.

\[Y = 31261.7 - 99.2{X_1} + 2162.4{X_2}\]

Berdasarkan persamaan diatas, didapatkan interpretasi sebagai berikut.

Nilai konstanta \(\beta_0\) memiliki nilai positif sebesar \(31261.7\). Tanda positif artinya menunjukkan pengaruh yang searah antara variabel independen dan variabel dependen. Hal ini menunjukkan bahwa jika semua variabel independen yang meliputi umur dan pengalaman kerja, bernilai 0, maka pendapatan secara rata-rata adalah \(31261.7\).
Nilai koefisien regresi untuk variabel \(X_1\) memiliki nilai negatif sebesar \(-99.2\). Hal ini menunjukkan jika umur mengalami kenaikan 1 satuan, maka pendapatan akan turun sebesar \(99.2\) dengan asumsi variabel independen lainnya dianggap konstan. Tanda negatif artinya menunjukkan pengaruh yang berlawanan antara variabel independen dan variabel dependen.
Nilai koefisien regresi untuk variabel \(X_2\) memiliki nilai positif sebesar \(2162.4\). Hal ini menunjukkan jika pengalaman kerja mengalami kenaikan 1 satuan, maka pendapatan akan naik sebesar \(2162.4\) dengan asumsi variabel independen lainnya dianggap konstan. Tanda positif artinya menunjukkan pengaruh yang searah antara variabel independen dan variabel dependen.

> summary(Regresi)

Call:
lm(formula = Y ~ X1 + X2, data = Pendapatan)

Residuals:
     Min       1Q   Median       3Q      Max 
-2707.43  -584.21    25.85   925.75  2043.76 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 31261.69    1306.44  23.929 1.57e-14 ***
X1            -99.20      38.98  -2.545   0.0209 *  
X2           2162.40      94.77  22.817 3.44e-14 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1343 on 17 degrees of freedom
Multiple R-squared:  0.9773,    Adjusted R-squared:  0.9747 
F-statistic: 366.5 on 2 and 17 DF,  p-value: 1.048e-14

Fungsi summary digunakan untuk melihat hasil analisis regresi secara lengkap. Berdasarkan analisis diatas dapat diketahui:

Uji Simultan

Uji-F digunakan untuk melihat seberapa pengaruh umur dan pengalaman kerja terhadap pendapatan secara bersamaan. Berdasarkan nilai signifikansi dari uji-F sebesar \(0.000\) bernilai kurang dari \(\alpha(0.05)\). Artinya, terdapat pengaruh yang signifikan secara bersama-sama diantara usia dan pengalaman kerja terhadap pendapatan seseorang.

Uji Parsial

Berdasarkan hasil diatas, didapatkan nilai signifikansi dari masing-masing variabel penelitian. Nilai signifikansi dari variabel umur sebesar \(0.0209\). Nilai signifikansi tersebut kurang dari \(\alpha(0.05)\) maka tolak H0. Artinya, variabel umur berpengaruh signifikan dengan pendapatan seseorang. Sedangkan, nilai signifikan dari variabel pengalaman kerja sebesar \(0.000\). Nilai signfikan tersebut bernilai kurang dari \(\alpha(0.05)\) maka tolak H0. Artinya, variabel pengalaman kerja berpengaruh signifikan dengan pendapatan seseorang.

Koefisien Determinasi

Analisis koefisien determinasi digunakan untuk mengukur kemampuan model dalam menjelaskan variabel prediktor terhadap variabel respon. Berdasarkan hasil diatas, didapatkan nilai \(R^2\) sebesar \(0.9747\) yang menunjukkan bahwa kemampuan variabel usia dan pengalaman kerja dalam menjelaskan variabel pendapatan sebesar \(97.47\)% dan terdapat \(2.53\)% faktor lain di luar model yang menjelaskan variabel pendapatan.

4.3 Asumsi Klasik

Normalitas

> galat  = residuals(Regresi)
> shapiro.test(galat)

    Shapiro-Wilk normality test

data:  galat
W = 0.97679, p-value = 0.8862

Berdasarkan hasil di atas, didapatkan nilai signifikansi sebesar \(0.8862\) lebih dari alpha (0.05) maka dapat dikatakan bahwa galat berdistribusi normal.

Homoskedastisitas

> bptest(Regresi)

    studentized Breusch-Pagan test

data:  Regresi
BP = 1.6658, df = 2, p-value = 0.4348

Berdasarkan hasil di atas, didapatkan nilai signifikansi sebesar \(0.4348\) lebih dari alpha (0.05) maka dapat dikatakan ragam homogen.

Non Multikolinearitas

> vif(Regresi)
      X1       X2 
1.608825 1.608825

Berdasarkan hasil di atas, didapatkan nilai VIF pada \(X_1\) sebesar \(1.608825\) dan pada \(X_2\) sebesar \(1.608825\) lebih dari alpha (0.05) maka dapat dikatakan ragam homogen. Nilai VIF < 10 maka artinya tidak terjadi multikolinieritas dalam model regresi.

Non Autokorelasi

> dwtest(Regresi)

    Durbin-Watson test

data:  Regresi
DW = 1.6277, p-value = 0.1937
alternative hypothesis: true autocorrelation is greater than 0

Berdasarkan hasil di atas, didapatkan nilai signifikansi sebesar \(0.1937\) lebih dari alpha (0.05) maka dapat dikatakan bahwa asumsi non autokorelasi terpenuhi.

5 KESIMPULAN

Analisis regresi linear berganda adalah metode statistik yang sangat efektif untuk mengidentifikasi dan mengukur hubungan antara satu variabel dependen dengan beberapa variabel independen. Model regresi yang baik harus memenuhi beberapa asumsi klasik agar memberikan hasil yang valid dan reliabel. Asumsi-asumsi ini meliputi homoskedastisitas, yang berarti variansi dari residual harus konstan untuk semua nilai variabel independen; non autokorelasi, yang menunjukkan bahwa residual harus independen satu sama lain; dan normalitas residual, di mana residual harus terdistribusi secara normal. Selain itu, multikolinearitas di antara variabel independen harus dihindari karena dapat menyebabkan ketidakstabilan dalam estimasi koefisien regresi.

Dalam konteks pengaruh usia dan pengalaman kerja terhadap pendapatan, didapatkan bahwa model analisis regresi linear berganda diatas memenuhi semua asumsi klasik sehingga dapat dikatakan bahwa model tersebut akan memberikan estimasi yang lebih akurat dan dapat diandalkan dalam melakukan peramalan, yang pada akhirnya mendukung pembuatan keputusan yang lebih baik dalam perencanaan karir individu dan pengembangan kebijakan ketenagakerjaan.

6 DAFTAR PUSTAKA

Ghozali, I. (2018). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 25 Edisi 9. Semarang: Badan Penerbit Universitas Diponegoro.

Jusmansyah, M. (2020). ANALISIS PENGARUH CURRENT RATIO, DEBT TO EQUITY RATIO, TOTAL ASSET TURN OVER, DAN RETURN ON EQUITY TERHADAP HARGA SAHAM. Jurnal Ekonomika dan Manajemen, 179-198.

Mona, M. G., Kekenusa, J. S., & Prang, J. D. (2015). Penggunaan Regresi Linear Berganda untuk Menganalisis Pendapatan Petani Kelapa Studi Kasus: Petani Kelapa Di Desa Beo, Kecamatan Beo Kabupaten Talaud. d’Cartesian.

Wisudaningsi, B. A., Arofah, I., & Belang, K. A. (2019). PENGARUH KUALITAS PELAYANAN DAN KUALITAS PRODUK TERHADAP KEPUASAN KONSUMEN DENGAN MENGGUNAKAN METODE ANALISIS REGRESI LINEAR BERGANDA. Journal Statistika dan Matematika.

Analisis Regresi Linear Berganda Pengaruh Usia dan Pengalaman Kerja Terhadap Pendapatan

Dimas Nursatya Kurniawan

4 Juni 2024