1. Latar Belakang

Pengalaman kerja merupakan salah satu faktor penting yang memengaruhi pendapatan karyawan. Pengalaman kerja juga memengaruhi negosiasi gaji pada saat mendaftar pekerjaan. Karyawan dengan pengalaman kerja yang sesuai dan lebih lama biasanya memiliki kesempatan lebih untuk mendapatkan gaji lebih tinggi. Namun, ternyata tidak semua karyawan dengan pengalaman kerja yang lebih lama selalu mendapatkan pendapatan yang lebih tinggi. Hal ini menimbulkan pertanyaan apakah pengalaman kerja selalu berkorelasi positif dengan pendapatan, atau ada faktor-faktor lain yang lebih dominan.

Oleh karena itu, analisis regresi sederhana pengaruh pengalaman kerja terhadap pendapatan karyawan dapat memberikan wawasan awal tentang hal ini. Hasil analisis ini dapat membantu mengetahui apakah pengalaman kerja benar-benar mempengaruhi pendapatan atau tidak. Selain itu, hasil ini juga bisa menjadi acuan untuk memahami potensi penghasilan karyawan seiring bertambahnya pengalaman, dan dapat membantu pelamar pekerjaan menetapkan ekspektasi gaji yang sesuai.

2. Tinjauan Pustaka

Metode regresi linier sederhana merupakan salah satu teknik analisis statistik yang digunakan untuk melihat hubungan antara variabel respon (dependen) dengan variabel prediktor (independen). Analisis ini bertujuan untuk mengetahui bagaimana perubahan pada variabel independen dapat memengaruhi variabel dependen. Hubungan antara kedua variabel tersebut biasanya dinyatakan dalam bentuk persamaan garis lurus yang dapat digunakan untuk menjelaskan maupun memperkirakan nilai variabel dependen berdasarkan nilai variabel independen.

Secara umum, model regresi linier sederhana dapat dituliskan dalam bentuk persamaan sebagai berikut: \[ y = \beta_0 + \beta_1 X_1 + \epsilon \] Pada model tersebut, variabel Y merupakan variabel dependen, sedangkan variabel X merupakan variabel independen. Konstanta dalam model menunjukkan nilai variabel dependen ketika variabel independen bernilai nol. Sementara itu, koefisien regresi menunjukkan besarnya perubahan pada variabel dependen yang terjadi apabila variabel independen mengalami kenaikan satu satuan. Selain itu, terdapat komponen error atau residual yang menggambarkan selisih antara nilai hasil pengamatan dengan nilai yang diprediksi oleh model.

Estimasi parameter pada model regresi biasanya dilakukan menggunakan metode Ordinary Least Squares (OLS), yaitu dengan meminimalkan jumlah kuadrat selisih antara nilai pengamatan dengan nilai yang diprediksi oleh model.

Model regresi linear sederhana memiliki beberapa asumsi yang perlu dipenuhi agar hasil analisis dapat dianggap valid. Beberapa asumsi tersebut antara lain normalitas residual, linieritas hubungan antara variabel, homoskedastisitas, serta tidak adanya autokorelasi. Oleh karena itu, setelah model regresi diperoleh biasanya dilakukan pengujian asumsi untuk memastikan bahwa model yang dihasilkan telah memenuhi syarat yang diperlukan dalam analisis regresi.

3. Metodologi

Data yang digunakan terdiri dari dua variabel, yaitu Pengalaman Kerja sebagai variabel independen (X) dan Pendapatan Karyawan variabel dependen (Y) yang diperoleh dari dataset yang tersedia secara publik di Kaggle. Variabel pengalaman kerja menggambarkan lamanya seseorang bekerja yang dinyatakan dalam satuan tahun. Sementara itu, variabel pendapatan karyawan menunjukkan jumlah penghasilan yang diperoleh karyawan.

Metode analisis yang digunakan dalam penelitian ini adalah regresi linear sederhana yang bertujuan untuk mengetahui hubungan antara pengalaman kerja dan pendapatan karyawan. Melalui metode ini dapat diketahui apakah peningkatan pengalaman kerja memiliki pengaruh terhadap perubahan pendapatan yang diterima oleh karyawan.

Selanjutnya dilakukan pengujian hipotesis untuk mengetahui signifikansi hubungan antara kedua variabel tersebut. Pengujian dilakukan menggunakan uji t untuk mengetahui pengaruh variabel pengalaman kerja secara parsial terhadap pendapatan karyawan, serta uji F untuk melihat signifikansi model regresi secara keseluruhan.

Selain itu, dilakukan pula pengujian asumsi model regresi yang meliputi uji normalitas residual, uji linieritas, uji homoskedastisitas, dan uji autokorelasi guna memastikan bahwa model regresi yang digunakan telah memenuhi asumsi yang diperlukan dalam analisis regresi.

4. Analisis dan Pembahasan

4.1 Statistik Deskriptif

pengalaman <- c(1.1,1.3,1.5,2.0,2.2,2.9,3.0,3.2,3.2,3.7,
3.9,4.0,4.0,4.1,4.5,4.9,5.1,5.3,5.9,6.0,
6.8,7.1,7.9,8.2,8.7,9.0,9.5,9.6,10.3,10.5)

pendapatan <- c(39343,46205,37731,43525,39891,56642,60150,54445,64445,57189,
63218,55794,56957,57081,61111,67938,66029,83088,81363,93940,
91738,98273,101302,113812,109431,105582,116969,112635,122391,121872)

data <- data.frame(pengalaman, pendapatan)

summary(data)
##    pengalaman       pendapatan    
##  Min.   : 1.100   Min.   : 37731  
##  1st Qu.: 3.200   1st Qu.: 56721  
##  Median : 4.700   Median : 65237  
##  Mean   : 5.313   Mean   : 76003  
##  3rd Qu.: 7.700   3rd Qu.:100545  
##  Max.   :10.500   Max.   :122391

4.2 Scatterplot

Scatterplot Pendapatan vs Pengalaman

Scatterplot Pendapatan vs Pengalaman

4.3 Model AWal

model = lm(pendapatan ~ pengalaman, data = data)
summary(model)
## 
## Call:
## lm(formula = pendapatan ~ pengalaman, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -7958.0 -4088.5  -459.9  3372.6 11448.0 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  25792.2     2273.1   11.35 5.51e-12 ***
## pengalaman    9450.0      378.8   24.95  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5788 on 28 degrees of freedom
## Multiple R-squared:  0.957,  Adjusted R-squared:  0.9554 
## F-statistic: 622.5 on 1 and 28 DF,  p-value: < 2.2e-16

Berdasarkan output diatas, diperoleh model awal: - β0 : 25792.2 - β1 : 9450.0

Sehingga, persamaan regresinya : \[ \hat{y} = 2.57922\times 10^{4} + 9449.9623 X_1 \]

4.4 Uji Asumsi

4.4.1 Uji Normalitas Residual

error = model$residuals
ks.test(error,"pnorm",mean(error),sqrt(var(error)))
## 
##  Exact one-sample Kolmogorov-Smirnov test
## 
## data:  error
## D = 0.083446, p-value = 0.9737
## alternative hypothesis: two-sided

Berdasarkan output diatas, diperoleh nilai p-value sebesar 0.9737 atau lebih besar dari α (0.05), sehingga dapat disimpulkan bahwa residual data berdistribusi normal atau asumsi normalitas terpenuhi.

4.4.2 Uji Linieritas

library(lmtest)
resettest(model)
## 
##  RESET test
## 
## data:  model
## RESET = 2.3713, df1 = 2, df2 = 26, p-value = 0.1132

Berdasarkan output diatas, diperoleh nilai p-value sebesar 0.1132 atau lebih besar dari α (0.05), sehingga dapat disimpulkan bahwa terdapat hubungan yang linier antara variabel pengalaman kerja dan variabel pendapatan karyawan atau asumsi linieritas terpenuhi.

4.4.3 Uji Homoskedastisitas

bptest(model)
## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 0.39905, df = 1, p-value = 0.5276

Berdasarkan output diatas, diperoleh nilai p-value sebesar 0.5276 atau lebih besar dari α (0.05), sehingga dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas atau asumsi homoskedastisitas terpenuhi.

4.4.4 Uji Autokorelasi

library(lmtest)
dwtest(model)
## 
##  Durbin-Watson test
## 
## data:  model
## DW = 1.648, p-value = 0.1178
## alternative hypothesis: true autocorrelation is greater than 0

Berdasarkan output diatas, diperoleh nilai p-value sebesar 0.1178 atau lebih besar dari α (0.05), sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi pada residual data atau asumsi autokorelasi terpenuhi.

4.5 Uji Signifikansi dan Koefisien Determinasi

summary(model)
## 
## Call:
## lm(formula = pendapatan ~ pengalaman, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -7958.0 -4088.5  -459.9  3372.6 11448.0 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  25792.2     2273.1   11.35 5.51e-12 ***
## pengalaman    9450.0      378.8   24.95  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5788 on 28 degrees of freedom
## Multiple R-squared:  0.957,  Adjusted R-squared:  0.9554 
## F-statistic: 622.5 on 1 and 28 DF,  p-value: < 2.2e-16

4.5.1 Uji F

Berdasarkan output diatas, diperoleh nilai p-value sebesar < 2.2e-16 atau lebih kecil dari α (0.05), sehingga dapat disimpulkan bahwa model cocok atau model regresi dapat digunakan untuk memprediksi pengaruh pengalaman kerja terhadap pendapatan karyawan.

4.5.2 Uji t

Berdasarkan output diatas, diperoleh nilai p-value sebesar < 2e-16 atau lebih kecil dari α (0.05), sehingga dapat disimpulkan bahwa variabel pengalaman kerja berpengaruh terhadap variabel pendapatan karyawan.

4.5.3 Koefisien Determinasi

Berdasarkan output diatas, diperoleh nilai R-Squared sebesar 0.957. Artinya sebesar 95.7% variabel pendapatan karyawan dipengaruhi oleh variabel pengalaman kerja, sedangkan 4.3% sisanya dipengaruhi oleh faktor lain.

4.6 Model Akhir

Berdasarkan uji F, model regresi yang dibuat cocok untuk digunakan untuk analisis lebih lanjut dan berdasarkan uji t, koefisien parameter regresi X yaitu β1 berpengaruh signifikan terhadap Y. Karena pada analisis ini semua asumsi terpenuhi, maka model akhir sama dengan model awal.

Adapun persamaannya, yaitu: \[ y = 2.57922\times 10^{4} + 9449.9623 X_1 + \epsilon \]

5. Kesimpulan

Berdasarkan analisis regresi yang telah dilakukan, diperoleh model awal regresi adalah: \[ \hat{y} = 2.57922\times 10^{4} + 9449.9623 X_1 \]

Berdasarkan uji asumsi yang telah dilakukan, diperoleh bahwa semua uji asumsi klasik terpenuhi. Berdasarkan uji F, diperoleh bahwa model cocok atau model regresi dapat digunakan untuk memprediksi pengaruh pengalaman kerja terhadap pendapatan karyawan dan berdasarkan uji t, variabel pengalaman kerja berpengaruh terhadap variabel pendapatan karyawan.

Pada uji koefisien determinasi, diperoleh nilai R-Squared sebesar 0.957. Artinya sebesar 95.7% variabel pendapatan karyawan dipengaruhi oleh variabel pengalaman kerja, sedangkan 4.3% sisanya dipengaruhi oleh faktor lain.

Karena pada analisis ini semua asumsi terpenuhi, maka model akhir sama dengan model awal, yaitu: \[ y = 2.57922\times 10^{4} + 9449.9623 X_1 + \epsilon \]

yang berarti setiap kenaikan satu satuan dari penglaman kerja akan meningkatkan nilai pendapatan karyawan sebesar 9449.9623 satuan.