Latar Belakang

Sumber Data

Teknik pengambilan sampel dalam penelitian ini menggunakan teknik Accidental sampling yaitu teknik pengambilan sampel bedasarkan kebetulan. Sampel pada penelitian sebanyak 55 responden. Data diperoleh melalui Kuesioner, observasi dan wawancara. Alat pengukur data yang digunakan ialah skala likert. Teknik analisa yang digunakan ialah uji asumsi klasik, regresi linier berganda, uji t dan uji F.

Tujuan

Tujuan penelitian ini adalah mencari “Pengaruh Lingkungan Kerja dan Motivasi Kerja Terhadap Kinerja Karyawan disuatu perusahaan”.

  1. Untuk menjelaskan Lingkungan Kerja berengaruh secara parsial terhadap Kinerja Karyawan disuatu perusahaan.

  2. Untuk menjelaskan Motivasi Kerja berpengaruh secara parsial terhadap Kinerja Karyawan disuatu perusahaan.

  3. Untuk menjelaskan Pengaruh Lingkungan Kerja dan Motivasi Kerja berpengaruh secara simultan terhadap Kinerja Karyawan disuatu perusahaan.

Analisis Regresi Berganda

Analisis regresi linier berganda merupakan regresi yang memiliki satu variabel dependen dan dua atau lebih variabel independen (Sugiyono, 2016:192).

Read Dataset

reg <- read.csv("Data_reg.csv")

# Cek Kategori Data
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
glimpse(reg)
## Rows: 55
## Columns: 3
## $ X1 <int> 71, 47, 99, 65, 109, 112, 92, 100, 59, 52, 91, 96, 108, 107, 69, 21~
## $ X2 <int> 61, 36, 110, 76, 102, 104, 100, 107, 52, 43, 96, 106, 98, 97, 79, 3~
## $ Y  <int> 58, 40, 105, 70, 104, 107, 98, 100, 60, 51, 98, 99, 103, 104, 74, 2~

Dari dataset diatas dapat disimpulkan: * dataset reg memiliki 3 variabel dengan jumlah sampel 55 responden. * variabel sudah sudah memiliki tipe data yang sesuai.

Eksplorasi data (Exploratory Data Analysis)

# Cek Korelasi
library(GGally)
## Loading required package: ggplot2
## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2
ggcorr(data = reg, label = T)

# dalam angka
cor(reg$X1, reg$Y)
## [1] 0.9791517
cor(reg$X2, reg$Y)
## [1] 0.9779394
  • Baik variabel X1 (Lingkungan Kerja) dan X2 (Motivasi Kerja) memiliki korelasi positif yang kuat dengan Y (Kinerja Karyawan).
  • variabel X1 (Lingkungan Kerja) dengan X2 (Motivasi Kerja) memiliki korelasi positif yang kuat.

Statistika Deskriptif

summary(reg)
##        X1               X2               Y         
##  Min.   : 21.00   Min.   : 18.00   Min.   : 22.00  
##  1st Qu.: 59.50   1st Qu.: 57.00   1st Qu.: 58.50  
##  Median : 91.00   Median : 90.00   Median : 93.00  
##  Mean   : 78.95   Mean   : 79.04   Mean   : 78.47  
##  3rd Qu.:100.00   3rd Qu.:101.00   3rd Qu.: 99.50  
##  Max.   :112.00   Max.   :110.00   Max.   :107.00

Dari tabel diatas dapat disimpulkan: * Variabel Lingkungan Kerja memiliki nilai minimum 21 dan tertinggi 112, dengan nilai tengah/median 91, dan memiliki rata-rata sebesar 78.95. * Variabel Motivasi Kerja memiliki nilai minimum 18 dan tertinggi 110, dengan nilai tengah/median 90, dan memiliki rata-rata sebesar 79.04. * Variabel Kinerja Karyawan memiliki nilai minimum 22 dan tertinggi 107, dengan nilai tengah/median 93, dan memiliki rata-rata sebesar 78.47.

Model Regresi Berganda

# buat model
model_reg <- lm(Y ~ ., reg) # . untuk seluruh variable

# summary model
summary(model_reg)
## 
## Call:
## lm(formula = Y ~ ., data = reg)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -8.157 -1.780  0.488  1.612  5.667 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  2.56951    1.34705   1.908    0.062 .  
## X1           0.49710    0.04874  10.200 5.23e-14 ***
## X2           0.46383    0.04745   9.775 2.27e-13 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.07 on 52 degrees of freedom
## Multiple R-squared:  0.9855, Adjusted R-squared:  0.9849 
## F-statistic:  1762 on 2 and 52 DF,  p-value: < 2.2e-16

Insight:

  • Interpretasi Prediktor: Variabel Lingkungan Kerja dan Motivasi Kerja meningkatkan Kinerja Karyawan.

  • Signifikansi Prediktor: Variabel Lingkungan Kerja dan Motivasi Kerja berpengaruh signifikan terhadap Kinerja Karyawan.

  • adj. r-squared: 0.9849

Prediksi dengan Model Regresi Berganda

pred_model <- predict(model_reg, newdata = reg)
head(pred_model)
##         1         2         3         4         5         6 
##  66.15724  42.63109 102.80370  70.13209 104.06406 106.48302

Hasil prediksi akan digunakan untuk Evaluasi Model.

Evaluasi Model

Evaluasi Model digunakan untuk melihat apakah model yang dihasilkan sudah baik atau masih bisa dikembangkan.

Berdasarkan nilai R-Squared:

summary(model_reg)$adj.r.squared
## [1] 0.9848992

Dengan nilai adj.r.squared sebesar 98% artinya variabel Lungkungan Kerja dan Motivasi Kerja dapat menjelaskan Kinerja Karyawan sebesar 98%, sedangkan sisanya dijelaskan oleh variabel lain yang tidak dimasukan kedalam model.

library(MLmetrics)
## 
## Attaching package: 'MLmetrics'
## The following object is masked from 'package:base':
## 
##     Recall
# your code
RMSE(y_pred = pred_model, y_true = reg$Y)
## [1] 2.985033

Dengan nilai RMSE hanya sebesar 2.98 maka dapat disimpulkan model sudah baik karena memiliki error yang kecil.

Uji Asumsi

  1. Normality of Residuals
# histogram
hist(model_reg$residuals)

Shapiro-Wilk hypothesis test:

  • H0: error/residual berdistribusi normal
  • H1: error/residual tidak berdistribusi normal
# uji statistik
shapiro.test(model_reg$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  model_reg$residuals
## W = 0.95731, p-value = 0.04882

Kriteria Uji : Tolak H0 jika nila p-value < 0.05

Kesimpulan: p-value 0.04882 sudah mendekati 0.05, maka dapat disimpulkan data residual berdistribusi normal.

  1. Homoskedasticity
plot(x = model_reg$fitted.values, 
     y = model_reg$residuals)
abline(h = 0, col = "red")

Breusch-Pagan hypothesis test:

  • H0: Variansi error menyebar konstan (Homoscedasticity)
  • H1: Variansi error menyebar tidak konstan/membentuk pola (Heteroscedasticity)
library(lmtest)
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
bptest(model_reg)
## 
##  studentized Breusch-Pagan test
## 
## data:  model_reg
## BP = 1.5307, df = 2, p-value = 0.4652

Kriteria Uji : Tolak H0 jika nila p-value < 0.05

Kesimpulan: p-value 0.4652 > 0.05, maka dapat disimpulkan Variansi error menyebar konstan (Homoscedasticity).

  1. Multicollinearity

Pengujian ini dilakukan untuk melihat apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas. Untuk menguji hal tesebut dapat dilakukan dengan uji multikolinearitas dengan menggunakan Variance Inflaction Factor (VIF). Bila nilai VIF > 10 maka terjadi multikolinieritas, Bila nilai VIF < 10 maka tidak terjadi multikolinearitas.

library(car)
## Warning: package 'car' was built under R version 4.0.5
## Loading required package: carData
## 
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
## 
##     recode
vif(model_reg)
##       X1       X2 
## 9.089327 9.089327

Kesimpulan: Tidak terjadi multicol

Kesimpulan

  1. Variabel Lingkungan Kerja dan Motivasi Kerja meningkatkan Kinerja Karyawan secara signifikan, baik secara partial maupun simultan.

  2. Dengan nilai adj.r.squared sebesar 98% artinya variabel Lungkungan Kerja dan Motivasi Kerja dapat menjelaskan Kinerja Karyawan sebesar 98%, sedangkan sisanya dijelaskan oleh variabel lain yang tidak dimasukan kedalam model.

  3. Dengan nilai RMSE hanya sebesar 2.98 maka dapat disimpulkan model sudah baik karena memiliki error yang kecil.

  4. Tidak terjadi pelanggaran asumsi sehingga model baik untuk digunakan.