R Markdown

This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.

When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:

summary(cars)
##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00

Including Plots

You can also embed plots, for example:

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

#Pendahuluan #Kesehatan dan keselamatan kerja (K3) merupakan aspek penting dalam menciptakan lingkungan kerja #yang aman dan nyaman bagi pekerja. Penerapan K3 yang baik dapat meminimalkan risiko kecelakaan #kerja serta menjaga kondisi kesehatan pekerja sehingga berpotensi meningkatkan produktivitas kerja. #Sebaliknya, rendahnya perhatian terhadap aspek kesehatan dan keselamatan kerja dapat berdampak #negatif terhadap kinerja dan produktivitas karyawan. #Penelitian ini bertujuan untuk menganalisis pengaruh kesehatan kerja dan keselamatan kerja terhadap #produktivitas kerja menggunakan metode regresi linier berganda. Data yang digunakan mengacu #pada penelitian Putra et al. (2022) pada UKM Solo Bakery yang dipublikasikan dalam Journal Industrial Servicess. #Analisis dilakukan menggunakan perangkat lunak R melalui RStudio untuk mengetahui pengaruh variabel kesehatan kerja #dan keselamatan kerja terhadap produktivitas kerja.

#Deskripsi data & Sumber data #Data yang digunakan dalam penelitian ini merupakan data sekunder yang mengacu pada jurnal Pengaruh Kesehatan #dan Keselamatan Kerja terhadap Produktivitas Menggunakan Regresi Linier Berganda oleh Putra et al. (2022) #yang dipublikasikan dalam Journal Industrial Servicess. Penelitian tersebut dilakukan pada UKM Solo Bakery #dengan jumlah responden sebanyak 15 orang pekerja bagian produksi #Data dikumpulkan menggunakan kuesioner dengan skala Likert (1–5) yang mencakup tiga variabel penelitian, yaitu #kesehatan kerja (X1), keselamatan kerja (X2), dan produktivitas kerja (Y). Dalam analisis ini, data disusun kembali #dalam bentuk dataset numerik berdasarkan rata-rata skor indikator masing-masing variabel untuk keperluan pembelajaran #dan analisis regresi linier berganda menggunakan perangkat lunak R.

rmarkdown::render(“nama_file.Rmd”)

Input data

data_k3 <- data.frame( X1_Kesehatan = c(4.2, 3.8, 4.0, 3.5, 3.9, 4.3, 3.6, 3.7, 4.1, 3.4, 4.0, 3.6, 4.2, 3.5, 3.8), X2_Keselamatan = c(4.0, 3.9, 4.1, 3.6, 4.0, 4.2, 3.7, 3.8, 4.0, 3.5, 4.1, 3.7, 4.1, 3.6, 3.9), Y_Produktivitas = c(3.8, 3.5, 3.9, 3.2, 3.6, 4.0, 3.3, 3.4, 3.7, 3.1, 3.8, 3.3, 3.9, 3.2, 3.5) )

Melihat struktur dan statistik deskriptif

str(data_k3) summary(data_k3)

cor(data_k3)

pairs(data_k3, main = “Scatterplot Matrix Variabel Penelitian”) #Model linier regresi berganda model <- lm(Y_Produktivitas ~ X1_Kesehatan + X2_Keselamatan, data = data_k3)

summary(model) #Uji asumsi klasik res <- residuals(model)

shapiro.test(res)

#plot normalitas hist(res, col = “lightblue”, main = “Histogram Residual”, xlab = “Residual”)

qqnorm(res) qqline(res, col = “red”)

#p-value > 0.05 → residual normal

#Uji Multikolinieritas library(car) vif(model)

#VIF < 10 → tidak terjadi multikolinearitas

#Uji Heteroskedastisitas library(lmtest) bptest(model)

#p-value > 0.05 → tidak terjadi heteroskedastisitas

#Uji Autokorelasi dwtest(model)

#Plot Residual vs Fitted plot(fitted(model), res, main = “Residual vs Fitted”, xlab = “Nilai Prediksi”, ylab = “Residual”) abline(h = 0, col = “red”)

#Kesimpulan Singkat Analisis summary(model)\(r.squared summary(model)\)adj.r.squared

#Metode Analisis #Penelitian ini menggunakan metode regresi linier berganda untuk menganalisis pengaruh kesehatan kerja (X1) dan #keselamatan kerja (X2) terhadap produktivitas kerja (Y). Analisis dilakukan menggunakan perangkat lunak R. #Sebelum dilakukan estimasi model, data dianalisis secara deskriptif dan diuji menggunakan uji asumsi klasik #yang meliputi uji normalitas residual, uji multikolinearitas, dan uji heteroskedastisitas. Pengujian hipotesis #dilakukan melalui uji t untuk pengaruh parsial dan uji F untuk pengaruh simultan dengan tingkat signifikansi 5%. #Koefisien determinasi (R²) digunakan untuk melihat kemampuan model dalam menjelaskan variabel dependen.

#Hasil dan Pembahasan model <- lm(Y_Produktivitas ~ X1_Kesehatan + X2_Keselamatan, data = data_k3)

summary(model)

#Output summary(model) menampilkan koefisien regresi, nilai signifikansi (p-value), uji t, uji F, serta nilai R². #Koefisien regresi menunjukkan arah dan besar pengaruh variabel kesehatan kerja dan keselamatan kerja terhadap produktivitas kerja. #Nilai p-value < 0,05 menunjukkan bahwa variabel independen berpengaruh signifikan.

res <- residuals(model) shapiro.test(res) #Jika nilai p-value > 0,05, maka residual berdistribusi normal. #Hal ini menunjukkan bahwa asumsi normalitas dalam regresi linier berganda telah terpenuhi.

hist(res, col = “lightblue”, main = “Histogram Residual”) qqnorm(res) qqline(res, col = “red”) #Histogram dan QQ Plot menunjukkan pola residual yang mendekati distribusi normal. library(car) vif(model) #Nilai Variance Inflation Factor (VIF) untuk setiap variabel independen berada di bawah 10. #Hal ini menunjukkan tidak terdapat multikolinearitas antar variabel independen, sehingga model regresi layak digunakan. library(lmtest) bptest(model)

#Plot Residual vs Fitted plot(fitted(model), res, main = “Residual vs Fitted”, xlab = “Nilai Prediksi”, ylab = “Residual”) abline(h = 0, col = “red”) #Plot menunjukkan sebaran residual yang acak di sekitar garis nol.

#Uji t(Parsial) summary(model)

#Uji F(Simultan) anova(model)

#Koefisien Determinasi summary(model)\(r.squared summary(model)\)adj.r.squared