Tujuan

Analisa ini ditujukan untuk melakukan analisa lebih mendalam mengenai variabel-variabel yang dapat mempengaruhi hasil survey mofin 2017.

Penggunaan dan Pembersihan Data

Susunan Data Base

## Learn more about sjmisc with 'browseVignettes("sjmisc")'.
##    MOFIN statusNikah  TOMO MasaKerja Pendidikan Eselon1 JenisKelamin Agama
## 1  92.16           2 125.0        33          8       3            2     3
## 2  60.78           2 125.0        13          8       3            2     3
## 3  50.00           1 120.0         4          4       3            2     1
## 4  96.15           1 115.0        20          8       3            1     1
## 5 100.00           2 115.0        32          8       5            2     1
## 6  92.31           2 112.5         7         11       6            2     1
##   Jabatan Golongan GolonganRuang ProvinsiKantor JumlahAnak HomeBase
## 1       4        3             9             25          1        1
## 2       7        2             5              6          0        1
## 3       7        2             2             18          0        3
## 4       7        3             6             14          0        2
## 5       7        3             9             13          2        1
## 6       7        2             5             11          0        1
##  [1] "MOFIN"          "statusNikah"    "TOMO"           "MasaKerja"     
##  [5] "Pendidikan"     "Eselon1"        "JenisKelamin"   "Agama"         
##  [9] "Jabatan"        "Golongan"       "GolonganRuang"  "ProvinsiKantor"
## [13] "JumlahAnak"     "HomeBase"

Adapun variabel-variabel yang akan disertakan dalam analisa ini adalah :

colnames(df)
##  [1] "MOFIN"          "statusNikah"    "TOMO"           "MasaKerja"     
##  [5] "Pendidikan"     "Eselon1"        "JenisKelamin"   "Agama"         
##  [9] "Jabatan"        "Golongan"       "GolonganRuang"  "ProvinsiKantor"
## [13] "JumlahAnak"     "HomeBase"

Jumlah Responden dan Variabel

## [1] 42970    14

Hasil Analisa

R Squared Secara Umum

Berikut hasil perhitungan R Kuadrat dari persamaan linier diatas

library(rsq)
fit <- glm(MOFIN~., data = df,control = list(maxit = 100))
rsq<-rsq(fit)
print(rsq)
## [1] 0.3064764

Setelah dilakukan Adjustment

rsqa<-rsq(fit,adj=TRUE)
print(rsqa)
## [1] 0.3048749

Dapat dikatakan bahwa variabel-variabel yang dipergunakan dapat menjelaskan sebesar 30.4%.

selanjutnya dilakukan analisa R Kuadrat secara parsial dari masing-masing variabel

rsqp<-rsq.partial(fit,adj=TRUE)
tab<-cbind(rsqp$variable,rsqp$partial.rsq)
tab1<-as.data.frame(tab)
rsq<- rsqp$partial.rsq * 100
tab2<-cbind(tab1,rsq)
tab3<-as.data.frame(tab2)
colnames(tab3)[1] <- "Variable"#rename column
colnames(tab3)[2] <- "rsqp_partial"#rename column
colnames(tab3)[2] <- "r_squared"#rename column
library(knitr)
kable(tab3, digits=4)
Variable r_squared rsq
statusNikah 0.000250051309433008 0.0250
TOMO 0.12392211873412 12.3922
MasaKerja 0.000395686926019878 0.0396
Pendidikan 0.00417006741161041 0.4170
Eselon1 0.089770939755354 8.9771
JenisKelamin 0.0004501684173156 0.0450
Agama 5.26428854309424e-05 0.0053
Jabatan 0.00374522021440848 0.3745
Golongan 0 0.0000
GolonganRuang 0.000388373469306313 0.0388
ProvinsiKantor 0.00463917117728729 0.4639
JumlahAnak -1.14858204331991e-05 -0.0011
HomeBase 0.00154573203665076 0.1546

Tampak bahwa Hasil pengukuran Total Motivasi menyumbang 12.4% dan variabel jenis eselon 1 menyumbang 9.034% terhadap hasil Mofin 2017, variabel selebihnya berkontribusi dibawah 1%

Jika dianalisa lebih lanjut TOMO terhadap hasil Mofin adalah sebagai berikut :

library(ggplot2)
p1 <- ggplot(df, aes(df$MOFIN, df$TOMO))
p2 <- p1 + geom_line()
p3 <- p2 + geom_smooth(method = "lm", se = TRUE)  
p4 <- p3 + labs(x="Mofin", y = "TOMO", title= "Linear Regression of MOFIN and TOMO")
p4

Tampak garis trendnya menunjukkan perbandingan lurus artinya semakin tinggi nilai TOMO maka akan semakin kuat hasil Mofin 2017nya.

Untuk Jenis Eselon 1 terhadap Mofin 2017 dilakukan analisa regresi lanjutan dan didapatkan hasil sebagai berikut

fit2<-glm(MOFIN~Eselon1,data=df)
sum<-summary(fit2)

data<-as.matrix(fit2[[1]])
colnames(data)[1] <- "Coefficient"#rename column

sum1<-as.data.frame(sum[[12]])
colnames(sum1)
## [1] "Estimate"   "Std. Error" "t value"    "Pr(>|t|)"
colnames(sum1)[4] <- "Probability"#rename column

y <- ifelse(sum1$Probability< 0.01, '***',
            ifelse(sum1$Probability< 0.05, '**', ''))
sum2<-cbind(sum1,y)
colnames(sum2)[5] <- "Sig"#rename column

library(knitr)
kable(sum2, digits=4)
Estimate Std. Error t value Probability Sig
(Intercept) 86.0185 0.4942 174.0431 0.0000 ***
Eselon12 -2.5461 0.9444 -2.6961 0.0070 ***
Eselon13 -13.0686 0.5161 -25.3205 0.0000 ***
Eselon14 2.7022 0.5411 4.9939 0.0000 ***
Eselon15 10.5182 0.5508 19.0956 0.0000 ***
Eselon16 3.8020 0.6231 6.1021 0.0000 ***
Eselon17 4.5341 1.2297 3.6870 0.0002 ***
Eselon18 1.2921 1.2075 1.0701 0.2846
Eselon19 1.7058 1.0451 1.6322 0.1026
Eselon110 -15.5312 1.2587 -12.3392 0.0000 ***
Eselon111 -4.6471 0.8338 -5.5735 0.0000 ***
Eselon112 -3.8891 3.6217 -1.0738 0.2829
Eselon113 0.7715 20.6162 0.0374 0.9701

Dari hasil analisa di atas dihasilkan terdapat perbedaan hasil mofin yang signifikan pada eselon 12,13,14,15,16,17, 110,111 sedangkan pada eselon 18, 19, 12 dan 13 tidak terdapat perbedaan hasil mofin 2017 yang signifikan.

Adapun tabulasi hasil mofin 2017 pada masing-masing eselon 1sebagai berikut:

library(gmodels)
CMOFIN <- ifelse(mofin2017$MOFIN < 60, 'Ailing',
            ifelse(mofin2017$MOFIN < 70, 'Able', 'Elite'))
mytable<-table(df$Eselon1, CMOFIN) 
print(mytable)
##     CMOFIN
##       Able Ailing Elite
##   1    123    159  1457
##   2     53     89   514
##   3   1943   4842 12422
##   4    400    547  7807
##   5     95    101  6988
##   6    135    170  2646
##   7     10     20   305
##   8     28     22   300
##   9     26     38   437
##   10    43     93   181
##   11    74    146   722
##   12     3      4    26
##   13     0      0     1
chisq.test(df$JenisKelamin, CMOFIN)
## 
##  Pearson's Chi-squared test
## 
## data:  df$JenisKelamin and CMOFIN
## X-squared = 5.6345, df = 2, p-value = 0.05977

Dari tabel diatas dapat dikatakan bahwa distribusi hasil mofinnya memang berbeda secara signikan

Analisa Koefisien Regresi Lanjutan

Untuk mengetahui lebih lanjut variabel-variabel secara lebih rinci dilakukan analisa regresi terhadap seluruh variabel yang digunakan dan hasilnya sebagai berikut :

## [1] "Estimate"   "Std. Error" "t value"    "Pr(>|t|)"
Estimate Std. Error t value Probability Sig
(Intercept) 79.0543 21.4733 3.6815 0.0002 ***
statusNikah2 -1.2313 0.3596 -3.4238 0.0006 ***
TOMO 0.2909 0.0037 77.8791 0.0000 ***
MasaKerja 0.0870 0.0205 4.2391 0.0000 ***
Pendidikan2 -0.0975 3.3297 -0.0293 0.9766
Pendidikan3 -2.0490 3.0520 -0.6714 0.5020
Pendidikan4 -6.0796 3.0446 -1.9969 0.0458 **
Pendidikan5 2.8652 6.2459 0.4587 0.6464
Pendidikan6 -7.5952 3.0803 -2.4657 0.0137 **
Pendidikan7 -6.6689 3.1666 -2.1060 0.0352 **
Pendidikan8 -4.7466 3.0843 -1.5389 0.1238
Pendidikan9 -5.4768 3.1137 -1.7589 0.0786
Pendidikan10 -3.3196 3.8426 -0.8639 0.3876
Pendidikan11 -5.5130 3.1879 -1.7294 0.0838
Eselon12 -2.6577 0.8743 -3.0398 0.0024 ***
Eselon13 -10.2417 0.5044 -20.3033 0.0000 ***
Eselon14 2.8567 0.5381 5.3085 0.0000 ***
Eselon15 5.2063 0.5457 9.5409 0.0000 ***
Eselon16 2.4999 0.6006 4.1620 0.0000 ***
Eselon17 2.9560 1.1294 2.6173 0.0089 ***
Eselon18 0.5861 1.1092 0.5284 0.5972
Eselon19 3.2713 0.9762 3.3510 0.0008 ***
Eselon110 -13.3686 1.1579 -11.5452 0.0000 ***
Eselon111 -4.4215 0.7755 -5.7011 0.0000 ***
Eselon112 -2.7137 3.3354 -0.8136 0.4159
Eselon113 -1.7680 21.1493 -0.0836 0.9334
JenisKelamin2 -0.9962 0.2211 -4.5064 0.0000 ***
Agama2 -0.2263 0.5137 -0.4405 0.6596
Agama3 -0.3170 0.3184 -0.9954 0.3195
Agama4 1.5669 3.7089 0.4225 0.6727
Agama5 1.9410 0.7643 2.5397 0.0111 **
Agama6 3.1597 18.8939 0.1672 0.8672
Agama7 -1.5035 3.8637 -0.3891 0.6972
Jabatan2 8.2222 9.5433 0.8616 0.3889
Jabatan3 7.4366 9.6061 0.7742 0.4388
Jabatan4 7.9524 9.5951 0.8288 0.4072
Jabatan5 7.5044 9.6134 0.7806 0.4350
Jabatan6 2.6004 9.5901 0.2712 0.7863
Jabatan7 4.4535 9.5965 0.4641 0.6426
Jabatan8 -4.6253 9.9686 -0.4640 0.6427
Golongan2 -8.8755 18.9397 -0.4686 0.6393
Golongan3 -8.5268 18.9542 -0.4499 0.6528
Golongan4 -3.5628 21.9852 -0.1621 0.8713
GolonganRuang2 1.9178 0.5858 3.2736 0.0011 ***
GolonganRuang3 -0.6056 0.7384 -0.8201 0.4122
GolonganRuang4 0.6139 0.3914 1.5687 0.1167
GolonganRuang6 -0.0504 0.5689 -0.0886 0.9294
GolonganRuang7 -0.4393 0.4894 -0.8974 0.3695
GolonganRuang8 -0.0245 0.4377 -0.0560 0.9553
GolonganRuang10 -4.4094 11.1259 -0.3963 0.6919
GolonganRuang11 -2.3884 11.1422 -0.2144 0.8303
GolonganRuang12 -5.0797 11.1341 -0.4562 0.6482
GolonganRuang13 -0.9425 11.1215 -0.0847 0.9325
ProvinsiKantor2 -1.1955 1.3653 -0.8756 0.3812
ProvinsiKantor3 -2.8131 0.8229 -3.4185 0.0006 ***
ProvinsiKantor4 -1.3647 1.3271 -1.0283 0.3038
ProvinsiKantor5 4.0288 1.0325 3.9021 0.0001 ***
ProvinsiKantor6 0.4490 0.6773 0.6630 0.5074
ProvinsiKantor7 2.5357 1.5998 1.5850 0.1130
ProvinsiKantor8 1.9491 1.1928 1.6340 0.1023
ProvinsiKantor9 -0.5830 0.7430 -0.7846 0.4327
ProvinsiKantor10 1.9212 0.7425 2.5873 0.0097 ***
ProvinsiKantor11 0.6927 0.7153 0.9683 0.3329
ProvinsiKantor12 -0.1133 0.9434 -0.1201 0.9044
ProvinsiKantor13 3.1106 0.9277 3.3531 0.0008 ***
ProvinsiKantor14 1.6131 1.1070 1.4571 0.1451
ProvinsiKantor15 0.2603 0.9237 0.2818 0.7781
ProvinsiKantor16 3.2115 2.9261 1.0975 0.2724
ProvinsiKantor17 -0.2284 0.8777 -0.2602 0.7947
ProvinsiKantor18 -1.6025 0.9861 -1.6252 0.1041
ProvinsiKantor19 1.1510 1.2263 0.9386 0.3479
ProvinsiKantor20 0.7640 1.4607 0.5231 0.6009
ProvinsiKantor21 -0.5424 0.9647 -0.5622 0.5739
ProvinsiKantor22 2.4437 1.0787 2.2654 0.0235 **
ProvinsiKantor23 0.3271 1.1312 0.2892 0.7724
ProvinsiKantor24 -2.3300 1.0951 -2.1276 0.0334 **
ProvinsiKantor25 -1.0076 1.3822 -0.7290 0.4660
ProvinsiKantor26 -1.8012 0.9051 -1.9900 0.0466 **
ProvinsiKantor27 3.4824 1.8425 1.8900 0.0588
ProvinsiKantor28 4.6822 0.8320 5.6279 0.0000 ***
ProvinsiKantor29 0.9968 1.1973 0.8325 0.4051
ProvinsiKantor30 0.3884 1.2986 0.2990 0.7649
ProvinsiKantor31 1.7758 1.0741 1.6533 0.0983
ProvinsiKantor32 1.3992 1.0510 1.3314 0.1831
ProvinsiKantor33 0.6291 0.8933 0.7042 0.4813
ProvinsiKantor34 1.4331 0.7926 1.8082 0.0706
ProvinsiKantor35 3.0564 9.3516 0.3268 0.7438
JumlahAnak1 0.5203 0.3021 1.7226 0.0850
JumlahAnak2 0.5291 0.3096 1.7089 0.0875
JumlahAnak3 0.9356 0.3739 2.5021 0.0124 **
JumlahAnak4 1.0775 0.5364 2.0088 0.0446 **
JumlahAnak5 1.0780 0.8971 1.2016 0.2295
JumlahAnak6 -0.7713 1.4018 -0.5502 0.5822
JumlahAnak7 0.5313 2.5914 0.2050 0.8375
JumlahAnak8 -1.2942 4.2417 -0.3051 0.7603
JumlahAnak9 -0.3493 7.1520 -0.0488 0.9611
JumlahAnak10 3.0903 13.3653 0.2312 0.8171
HomeBase1 0.7574 0.9205 0.8228 0.4106
HomeBase2 0.5961 0.9962 0.5984 0.5496
HomeBase3 -1.1234 0.9319 -1.2056 0.2280

Keterangan :

“***" signifikan pada 0.001 atau taraf Kepercayaan : 99%

“**" signifikan pada 0.05 atau taraf kepercayaan 95%

“*" signifikan pada 0.1 atau taraf kepercayaan 90%

Analisa Lanjutan dengan Variabel Kuantitatif

Dari hasil diatas data kuantitatif yang berpengaruh secara signifikan adalah TOMO dan Masa Kerja dengan Plot seperti dibawah ini.

Plot Mofin Vs TOMO

library(ggplot2)
p1 <- ggplot(df, aes(df$MOFIN, df$TOMO))
p2 <- p1 + geom_line()
p3 <- p2 + geom_smooth(method = "lm", se = TRUE)  
p4 <- p3 + labs(x="Mofin", y = "TOMO", title= "Linear Regression of MOFIN and TOMO")
p4

Plot Mofin Vs Masa Kerja

p5 <- ggplot(df, aes(df$MasaKerja, df$MOFIN))
p6 <- p1 + geom_line()
p7 <- p2 + geom_smooth(method = "lm", se = TRUE)  
p8 <- p3 + labs(x="Masa Kerja", y = "MOFIN", title= "Linear Regression of MOFIN and Masa Kerja")
p8

Plot Mofin Vs Usia

p9 <- ggplot(df, aes(df$Usia, df$MOFIN))
p10 <- p1 + geom_line()
p11 <- p2 + geom_smooth(method = "lm", se = TRUE)  
p12 <- p3 + labs(x="Usia", y = "MOFIN", title= "Linear Regression of MOFIN and Usia")
p12

Dari dua plot grafik di atas tampak bahwa Tomo berbanding lurus dengan mofin 2017, semakin baik Tomonya makin sebaik hasil Mofin 2017nya. Masa kerja berbanding lurus dengan mofin 2017, semakin lama bekerja di kementerian keuangan makin sebaik hasil Mofin 2017nya. Usia responden berbanding lurus dengan mofin 2017, semakin Usianya Tinggi di kementerian keuangan makin sebaik hasil Mofin 2017nya.

Analisa Lanjutan dengan Variabel Kuantitatif

Status Nikah2

ggplot(df, aes(x = statusNikah)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Terlihat bahwa persentase untuk yang menikah (menikah2) jumlah yang “sehat secara organisasi” memang berbeda secara signfikan.

Eselon1

ggplot(df, aes(x = Eselon1)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Perbedaan memang bervariasi, dan perbedaan kompo sisi yang mencolok terdapat pada ketogori 1,2,3,4,10,11,12,13…..pada eselon 1 kategori 3, dan kategori 10, responden dengan kategori Ailing dan ablenya masih diatas 25%.

Jenis Kelamin

ggplot(df, aes(x = JenisKelamin)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Jenis Kelamin secara proporsional tidak mempunyai pengaruhi yang signifikan, meski dari angka regresinya jenis kelamin2 lebih memiliki kontribusi yang signifikan terhadap mofin 2017.

Pendidikan

ggplot(df, aes(x = Pendidikan)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Meski secara regresi tidak menyumbang yang signifikan, jika dilihat pada grafik diatas pendidikan 4, pendidikan 6, pendidikan 7, memiliki responden yang memiliki tingkatan kesehatan pada able dan ailing lebih dari 25%.

Jabatan

ggplot(df, aes(x = Jabatan)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Pada Jabatan kategori6,7,8 harus diwaspadai dikarenakan jumlah ailing dan ablenya lebih dari 25%.

Golongan

library(ggplot2)
ggplot(df, aes(x = Golongan)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Pada kategori golongan 2 jumlah able dan ailing lebih besar dari 75% dari responden.

Golongan Ruang

ggplot(df, aes(x = GolonganRuang)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Pada golongan 4,5,6 terdapat lebih dari 25% responden bedara pada ailing dan able.

Provinsi Kantor

ggplot(df, aes(x = ProvinsiKantor)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Dapat dilihat dari provinsi kantor maka pada kategori 2,3,24,25 jumlah responden yang ailing dan ablenya lebih dari 25%

Home Base

ggplot(df, aes(x = HomeBase)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Home Base kategori 3 dan 4 memiliki jumlah responden dengan tingkat kesehatan organisasi pada ailing dan able diatas 25%.

Jumlah Anak

ggplot(df, aes(x = JumlahAnak)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Jumlah anak pada kategori 0, 7, dan 9 memiliki jumlah responden lebih dari 25% untuk tingkat kesehatan organisasi ailing dan able.

Agama

ggplot(df, aes(x = Agama)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)

Agama tidak memiliki perbedaan yang signfikan dan kesemua kategori berada pada level diatas 75% jumlah responden yang memiliki kesehatan organisasi elite.

Jenis Eselon1 dan HomeBase

e<-ggplot(df, aes(x = Eselon1)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)
e+ facet_wrap(~ HomeBase)

Dapat dilinat homebase jenis 3, hampir disetiap eselon 1 memiliki tingkat ailing dan able diatas 75%, di eselon jenis 2, pada home base jenis 1 juga responden ailing dan ablenya diatas 75%, untuk yang home base 0 dan 1 tidak ada masalah.

Jenis Eselon1 dan Jabatan

f<-ggplot(df, aes(x = Eselon1)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)
f+ facet_wrap(~ Jabatan)

Jenis Eselon 1 dan Pendidikan

g<-ggplot(df, aes(x = Eselon1)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)
g+ facet_wrap(~ Pendidikan)

Jenis Eselon 1 dan Golongan

h<-ggplot(df, aes(x = Eselon1)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)
h+ facet_wrap(~ Golongan)

Jenis Eselon 1 dan Golongan Ruang

i<-ggplot(df, aes(x = Eselon1)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)
i+ facet_wrap(~ GolonganRuang)

Jenis Eselon 1 dan Provinsi Kantor

j<-ggplot(df, aes(x = Eselon1)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)
j+ facet_wrap(~ ProvinsiKantor)

Jenis Eselon 1 dan Jumlah Anak

k<-ggplot(df, aes(x = Eselon1)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)
k+ facet_wrap(~ JumlahAnak)

Jenis HomeBase dan Jumlah Anak

l<-ggplot(df, aes(x = HomeBase)) + geom_bar(aes(fill=CMOFIN), position ="fill") + scale_y_continuous(labels = scales::percent)
l+ facet_wrap(~ JumlahAnak)