Warning: package 'reshape2' is in use and will not be installed
install.packages("ggplot2")
Warning: package 'ggplot2' is in use and will not be installed
cor_matrix <-cor(sosial_data) cor_melted <-melt(cor_matrix)#membuat heatmap dengan angka korelasiggplot(data = cor_melted, aes(Var1, Var2, fill = value)) +geom_tile() +geom_text(aes(label =round(value, 2)), color ="black", size =5) +#Menampilkan angka korelasiscale_fill_gradient2(low ="blue", high ="red", mid ="white",midpoint =0, limit =c(-1, 1), space ="Lab",name="Korelasi") +theme_minimal() +theme(axis.text.x =element_text(angle =45, vjust =1,size =12, hjust =1)) +labs(title ="Heatmap Korelasi Sosial", x ="", y ="")
Nilai korelasi sebesar 0,0818 antara variabel “pengalaman” dan “jam kerja per minggu” menunjukkan bahwa hubungan antara keduanya sangat lemah dan nyaris tidak ada keterkaitan linier. Artinya, semakin banyak atau sedikitnya pengalaman seseorang tidak secara konsisten mempengaruhi jumlah jam kerja yang mereka lakukan dalam seminggu. Korelasi yang mendekati nol ini juga bisa mengindikasikan adanya faktor-faktor lain di luar pengalaman yang lebih menentukan jumlah jam kerja.
# Model regresi linier sederhanamodel <-lm(jam_kerja_per_minggu ~ pengalaman, data = sosial_data)
# Melihat summary model regresisummary(model)
Call:
lm(formula = jam_kerja_per_minggu ~ pengalaman, data = sosial_data)
Residuals:
Min 1Q Median 3Q Max
-15.8676 -5.2368 -0.3556 5.4319 16.0815
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 43.84355 1.63650 26.791 <2e-16 ***
pengalaman 0.07496 0.09224 0.813 0.418
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 7.861 on 98 degrees of freedom
Multiple R-squared: 0.006694, Adjusted R-squared: -0.003442
F-statistic: 0.6604 on 1 and 98 DF, p-value: 0.4184
Model Regresi Linier Sederhana
Persamaan Regresi
\[\hat{y} = 43.84355 + 0.07496x\]
Keterangan :
Y = Jam kerja per minggu (variabel dependen)
x = Pengalaman kerja dalam tahun (variabel independen)
Intercept (43.84355) menunjukkan bahwa jika pengalaman kerja = 0 tahun, maka jumlah jam kerja per minggu yang diprediksi adalah 43.84 jam.
Koefisien pengalaman kerja (0.07496) berarti setiap penambahan 1 tahun pengalaman kerja akan meningkatkan jam kerja per minggu sebesar 0.07496 jam.
Namun, berdasarkan p-value = 0.418, koefisien tidak signifikan secara statistik atau cenderung lemah (karena lebih besar dari 0.05). Hal ini menunjukkan bahwa pengalaman kerja tidak memiliki pengaruh yang signifikan terhadap jam kerja per minggu dalam model ini. Nilai R-squared = 0.006694 menunjukkan bahwa hanya sekitar 0.67% variasi dalam jam kerja per minggu yang dapat dijelaskan oleh pengalaman kerja. Sisanya dipengaruhi oleh faktor lain yang tidak dimasukkan dalam model ini.
# Model regresi linier sederhanamodel <-lm(jam_kerja_per_minggu ~ pengalaman, data = sosial_data)# Scatter plotplot(sosial_data$pengalaman, sosial_data$jam_kerja_per_minggu,main ="Hubungan Pengalaman Kerja dan Jam Kerja per Minggu",xlab ="Pengalaman Kerja (Tahun)",ylab ="Jam Kerja per Minggu",pch =16, col ="blue")# Garis regresiabline(model, col ="green", lwd =2)
Berdasarkan grafik analisis regresi linier sederhana ini, terdapat hubungan positif antara pengalaman kerja dan jumlah jam kerja per minggu. Semakin banyak pengalaman kerja, maka semakin tinggi jam kerja per minggu.
Call:
lm(formula = pengalaman ~ jam_kerja_per_minggu + pendidikan,
data = sosial_data)
Residuals:
Min 1Q Median 3Q Max
-15.4385 -7.2756 0.0369 7.1205 15.1425
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 9.0056 6.5449 1.376 0.172
jam_kerja_per_minggu 0.1027 0.1124 0.914 0.363
pendidikan 0.1410 0.2325 0.606 0.546
Residual standard error: 8.608 on 97 degrees of freedom
Multiple R-squared: 0.01045, Adjusted R-squared: -0.009957
F-statistic: 0.512 on 2 and 97 DF, p-value: 0.6009
Interpretasi
Berdasarkan hasil regresi linier berganda antara pengalaman, jam kerja per minggu, dan pendidikan, terdapat beberapa hal yang perlu diperhatikan
Koefisien Regresi
Intercept = 9.0056, yang berarti jika seseorang tidak memiliki jam kerja dan pendidikan (jam_kerja_per_minggu = 0 dan pendidikan = 0), maka pengalaman kerja yang diprediksi adalah sekitar 9 tahun.
Koefisien jam_kerja_per_minggu = 0.1027, yang berarti setiap penambahan 1 jam kerja per minggu meningkatkan pengalaman sebesar 0.1027 tahun, dengan asumsi variabel lain tetap.
Koefisien pendidikan = 0.1410, yang berarti setiap tambahan 1 tingkat pendidikan meningkatkan pengalaman sebesar 0.1410 tahun, dengan asumsi variabel lain tetap.
Uji signifikansi koefisien (p-value)
P-value = 0.172, menunjukkan bahwa intercept ini tidak signifikan pada α = 0.05.
jam_kerja_per_minggu: p-value = 0.363 (tidak signifikan pada α = 0.05). Hal ini menunjukkan setiap tambahan 1 jam kerja per minggu, pengalaman kerja diperkirakan bertambah 0.1027 tahun.
pendidikan: p-value = 0.546 (tidak signifikan pada α = 0.05). Artinya, tidak ada bukti kuat bahwa variabel jam kerja per minggu dan pendidikan berpengaruh signifikan terhadap pengalaman.
Uji F (overall significance) : Hasil regresi menunjukkan bahwa tidak ada variabel yang signifikan dalam model ini, karena p-value untuk jam_kerja_per_minggu (0.363) dan pendidikan (0.546) lebih besar dari 0.05. Selain itu, uji F menghasilkan p-value 0.6009, menunjukkan bahwa model secara keseluruhan tidak signifikan dalam menjelaskan variasi pengalaman. Dengan R-squared hanya 0.01045, model ini sangat lemah dalam menggambarkan hubungan antara pengalaman kerja dengan jumlah jam kerja per minggu dan pendidikan.
Goodness-of-Fit (R-squared)
R-squared = 0.01045: Hanya sekitar 1.05% variasi dalam pengalaman yang dijelaskan oleh variabel jam kerja per minggu dan pendidikan. Hal ini menunjukkan bahwa jam_kerja_per_minggu dan pendidikan hanya mampu menjelaskan sekitar 1.05% variasi pengalaman kerja, sementara sisanya dipengaruhi oleh faktor lain. Ini menunjukkan model yang sangat lemah.
Adjusted R-squared = -0.009957: Bahkan setelah penyesuaian, model menjadi lebih lemah dan kurang mampu menjelaskan hubungan antara variabel independen dan dependen. Hal ini menandakan bahwa menambahkan variabel dalam model justru tidak meningkatkan kemampuan prediksi, sehingga model ini kurang cocok untuk menjelaskan pengalaman kerja.
Kesimpulan
Model regresi ini menunjukkan bahwa baik variabel “jam kerja per minggu” maupun “pendidikan” tidak berpengaruh signifikan terhadap “pengalaman”. Kualitas model juga sangat rendah, sehingga model ini kurang tepat untuk memprediksi atau menjelaskan hubungan antara variabel-variabel tersebut. Mungkin diperlukan penambahan atau penggantian variabel lain yang lebih relevan.
