Metodologi Penelitian

Penelitian ini menggunakan metode analisis regresi linier berganda untuk mengetahui pengaruh beberapa variabel independen terhadap variabel dependen. Regresi linier berganda merupakan metode statistik yang digunakan untuk menganalisis hubungan antara satu variabel terikat dengan dua atau lebih variabel bebas.

Data yang digunakan dalam penelitian ini merupakan data sekunder yang disimulasikan. Kemudian data tersebut diimpor ke dalam software RStudio menggunakan package readxl untuk selanjutnya dilakukan analisis.

Variabel yang digunakan dalam penelitian ini terdiri dari satu variabel dependen dan tiga variabel independen. Variabel dependen dalam penelitian ini adalah gaji karyawan (Y), sedangkan variabel independennya meliputi tingkat pendidikan (X1) yang dinyatakan dalam jumlah tahun pendidikan, pengalaman kerja (X2) yang diukur dalam tahun pengalaman kerja, serta jam kerja per minggu (X3).

Model regresi linier berganda yang digunakan dalam penelitian ini dapat dituliskan sebagai berikut:

\[ Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 X_3 + \epsilon \]

dengan: Y = Gaji karyawan

X1 = Pendidikan

X2 = Pengalaman kerja

X3 = Jam kerja

Beta0 = Konstanta

Beta1, Beta2, Beta3 = Koefisien regresi

Epsilon = Error

Langkah 1

Import library yang diperlukan

library(readxl)
library(ggplot2)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

Langkah 2

Import data

data <- read_excel("D:/Kuliah/Semester 6/Komlan/data_tugas1.xlsx")

data
## # A tibble: 15 × 4
##    Pendidikan Pengalaman Jam_Kerja Gaji 
##         <dbl>      <dbl>     <dbl> <chr>
##  1         12          1        40 3.5  
##  2         16          3        45 5.2  
##  3         14          2        42 4.3  
##  4         12          5        50 5.5  
##  5         18          4        48 6.8  
##  6         16          6        55 7.2  
##  7         14          3        46 5.0  
##  8         12          2        40 3.8  
##  9         16          5        52 6.5  
## 10         18          7        60 8.0  
## 11         14          4        48 5.3  
## 12         16          6        55 7.0  
## 13         12          3        44 4.1  
## 14         18          8        62 8.5  
## 15         16          5        50 6.4

Langkah 3

Statistik deskriptif data

summary(data)
##    Pendidikan      Pengalaman      Jam_Kerja         Gaji          
##  Min.   :12.00   Min.   :1.000   Min.   :40.00   Length:15         
##  1st Qu.:13.00   1st Qu.:3.000   1st Qu.:44.50   Class :character  
##  Median :16.00   Median :4.000   Median :48.00   Mode  :character  
##  Mean   :14.93   Mean   :4.267   Mean   :49.13                     
##  3rd Qu.:16.00   3rd Qu.:5.500   3rd Qu.:53.50                     
##  Max.   :18.00   Max.   :8.000   Max.   :62.00

Langkah 4

Visualisasi data

ggplot(data, aes(x=Pendidikan, y=Gaji)) +
  geom_point() +
  geom_smooth(method="lm", se=FALSE) +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

ggplot(data, aes(x=Pengalaman, y=Gaji)) +
  geom_point() +
  geom_smooth(method="lm", se=FALSE) +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

ggplot(data, aes(x=Jam_Kerja, y=Gaji)) +
  geom_point() +
  geom_smooth(method="lm", se=FALSE) +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

Langkah 5

Model Regresi Linier Berganda

model <- lm(Gaji ~ Pendidikan + Pengalaman + Jam_Kerja, data=data)

summary(model)
## 
## Call:
## lm(formula = Gaji ~ Pendidikan + Pengalaman + Jam_Kerja, data = data)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -0.252592 -0.098372  0.003412  0.109644  0.286963 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -1.41133    1.52520  -0.925   0.3746    
## Pendidikan   0.27711    0.03180   8.714 2.87e-06 ***
## Pengalaman   0.43027    0.15067   2.856   0.0156 *  
## Jam_Kerja    0.02532    0.04679   0.541   0.5992    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1734 on 11 degrees of freedom
## Multiple R-squared:   0.99,  Adjusted R-squared:  0.9873 
## F-statistic: 363.7 on 3 and 11 DF,  p-value: 2.781e-11

Interpretasi Hasil Regresi Linier Berganda

Berdasarkan hasil analisis regresi linier berganda menggunakan perangkat lunak R, diperoleh model regresi sebagai berikut:

\[ Y = -1.41133 + 0.27711 X_1 + 0.43027 X_2 + 0.02532 X_3 \]

Interpretasi Koefisien Regresi

  1. Konstanta (Intercept)

Nilai konstanta sebesar -1.41133 menunjukkan bahwa apabila variabel pendidikan, pengalaman kerja, dan jam kerja bernilai 0, maka nilai gaji diperkirakan sebesar -1.41133.

  1. Pengaruh Pendidikan

Koefisien variabel pendidikan sebesar 0.27711 menunjukkan bahwa setiap penambahan 1 tahun pendidikan, maka gaji karyawan diperkirakan meningkat sebesar 0.27711 satuan, dengan asumsi variabel lain tetap.

Nilai p-value = 2.87e-06 (< 0.05) menunjukkan bahwa variabel pendidikan berpengaruh signifikan terhadap gaji.

  1. Pengaruh Pengalaman Kerja

Koefisien pengalaman kerja sebesar 0.43027 menunjukkan bahwa setiap penambahan 1 tahun pengalaman kerja, maka gaji diperkirakan meningkat sebesar 0.43027 satuan, dengan asumsi variabel lain tetap.

Nilai p-value = 0.0156 (< 0.05) menunjukkan bahwa variabel pengalaman kerja berpengaruh signifikan terhadap gaji.

  1. Pengaruh Jam Kerja

Koefisien jam kerja sebesar 0.02532 menunjukkan bahwa setiap penambahan 1 jam kerja per minggu, maka gaji diperkirakan meningkat sebesar 0.02532 satuan, dengan asumsi variabel lain tetap.

Namun nilai p-value = 0.5992 (> 0.05) menunjukkan bahwa variabel jam kerja tidak berpengaruh signifikan terhadap gaji.

Koefisien Determinasi (R^2)

Nilai Multiple R-squared = 0.99 menunjukkan bahwa 99% variasi gaji karyawan dapat dijelaskan oleh variabel pendidikan, pengalaman kerja, dan jam kerja.

Sedangkan 1% sisanya dijelaskan oleh faktor lain di luar model.

Nilai Adjusted R-squared = 0.9873 menunjukkan bahwa model regresi yang digunakan memiliki kemampuan penjelasan yang sangat baik.

Uji Signifikansi (Uji F)

Nilai F-statistic = 363.7 dengan p-value = 2.781e-11 (< 0.05) menunjukkan bahwa variabel pendidikan, pengalaman kerja, dan jam kerja berpengaruh signifikan terhadap gaji karyawan.

Dengan demikian, model regresi linier berganda yang digunakan layak untuk menjelaskan hubungan antara variabel independen dan variabel dependen.