Library:
> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")1 PENDAHULUAN
1.1 Latar Belakang
Seorang sarjana membutuhkan waktu untuk mendapatkan pekerjaan pasca menyelesaikan masa studi, di mana fenomena ini disebut sebago pengangguran friksional.Pengangguran friksional terjadi diakibatkan karena adanya kesenjangan waktu dan informasi, serta kondisi geografis yang terjadi antara pihak lowongan kerja dan si pencari kerja.Salah satu syarat utama dalam melamar pekerjaan adalah skor indeks prestasi kumulatif (IPK). Setiap membuka lowongan pekerjaan IPK sering menjadi syarat diterimanya di perusahaan tersebut, tak jarang bahkan syarat yang digunakan memiliki batasan IPK minimal. Salah satu metode analisis data yang dapat digunakan untuk menganalisis pengaruh antar variabel adalah analisis regresi linier. Analisis regresi linier adalah teknik yang digunakan untuk memperoleh model hubungan dan sebab akibat antara satu variabel terikat dengan satu atau lebih variabel bebas. Penelitian ini bertujuan untuk menentukan model regresi linier mengenai pengaruh IPK dan masa tunggu lulusan mahasiswa Matematika Fakultas MIPA.
1.2 Statistika Deskriptif
Statistika deskriptif adalah metode yang berkaitan dengan pengumpulan dan penyajian data hingga memberi informasi yang berguna.Dengan Statistika deskriptif, kumpulan data bisa tersaji dengan ringkas dan rapi serta mampu memberikan informasi inti dari kumpulan data yang ada. Informasi yang diperoleh dari statistika deskriptif ini antara lain ukuran pemusatan data, ukuran penyebaran data, serta kecenderungan suatu gugus data.
1.3 Analisis Regresi
Menurut Imam Ghozali (2011), uji asumsi klasik terhadap model regresi linier yang digunakan dilakukan agar dapat diketahui apakah model regresi baik atau tidak. Model analisis regresi adalah sebagai berikut \[
Y= \beta_{0} + \beta_{1}X +\epsilon
\] Dimana Y merupakan variabel respon, X merupakan variabel prediktor, \[\beta_{0}\] merupakan konstanta, dan \[\beta_{1}\] merupakan koefisien arah regresi linear Tujuan pengujian asumsi klasik adalah untuk memberikan kepastian bahwa persamaan regresi yang diperoleh memiliki ketepatan dalam estimasi, tidak bias, dan konsisten. Sebelum melakukan analisis regresi terlebih dahulu dilakukan pengujian asumsi. Asumsi-asumsi yang harus dipenuhi dalam analisis regresi antara lain: normalitas, homoskedastisitas, non autokorelasi, non multikolinieritas, dan linearitas
1. Uji normalitas
Analisis regresi linier mengasumsikan bahwa sisaan berdistribusi mengetahui apakah dalam persamaan regresi tersebut residual berdistribusi normal. Uji normalitas dapat dilakukan dengan normal P-P Plot, uji Kolmogorov-Smirnov, dan uji jarque bera. Dasar pengambilan keputusan dapat dilihat dari grafik histogramnya, jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
2. Uji Homoskedastisitas Uji asumsi klasik lainnya adalah uji homoskedastisitas atau non heteroskedastisitas yaitu asumsi yang menyatakan bahwa varian setiap sisaan masih tetap sama baik untuk nilai-nilai pada variabel independen yang kecil maupun besar dengan kata lain apakah populasi dari data sama atau berbeda. Salah satu cara untuk mendeteksi homoskedastisitas adalah menggunakan uji Breusch Pagan.
3. Uji Autokorelasi
Salah satu asumsi penting dari regresi linear adalah bahwa tidak ada autokorelasi antara serangkaian pengamatan yang diurutkan menurut waktu. Adanya kebebasan antar sisaan dapat dideteksi secara grafis dan empiris. Pengujian secara empiris dilakukan dengan menggunakan statistik uji Durbin Watson.
1.4 Data
Dalam kasus ini ada 2 variabel yang digunakan, yaitu nilai IPK mahasiswa lulusan FMIPA Jurusan Matematika dengan masa tunggu lulusan dalam bulan. Berikut merupakan tabel deskripsi dari data yang digunakan
2 SOURCE CODE
2.1 Mengimpor dataset
> library(readxl)
> data <- read_excel("E:/SEMESTER 4/Komputasi Statistika/daftar ipk.xlsx")
> View(data)Data diimport menggunakan function ‘read_excel’, kemudian memasukkan lokasi dari data yang kita punya.
2.2 Statistika Deskriptif
2.3 Uji Asumsi
> Y<-data$`MASA TUNGGU`
> Y
[1] 25 12 23 19 11 9 25 30 30 28 27 20 20 10 6 5 4 26 17 11 32 36 7 11 10
[26] 15 23 27 20 16
> X<-data$IPK
> X
[1] 2.80 3.10 2.90 3.01 3.30 3.40 2.80 2.50 2.53 2.65 2.75 2.95 2.99 3.33 3.45
[16] 3.58 3.67 2.78 3.05 3.15 2.45 2.33 3.44 3.20 3.35 3.09 2.89 2.78 2.98 3.08
> reg<-lm(Y~X , data=data);reg
Call:
lm(formula = Y ~ X, data = data)
Coefficients:
(Intercept) X
96.32 -25.86 2.3.1 Uji Normalitas
> library(tseries)
> sisa<-residuals(reg);sisa
1 2 3 4 5 6
1.08685159 -4.15545164 1.67275051 0.51723933 0.01634620 0.60224512
7 8 9 10 11 12
1.08685159 -1.67084518 -0.89507550 0.20800321 1.79390213 -0.03430003
13 14 15 16 17 18
1.00005954 -0.20788412 -1.10480542 1.25686318 2.58417221 1.56967181
19 20 21 22 23 24
-0.44840111 -3.86250218 -0.96379464 -0.06687334 -0.36339531 -2.56955272
25 26 27 28 29 30
0.30929566 -1.41404154 1.41416062 2.56967181 0.74146965 -0.67263143
> jarque.bera.test(sisa)
Jarque Bera Test
data: sisa
X-squared = 3.5431, df = 2, p-value = 0.1701
> qqnorm(sisa)
Pada gambar P-P plot terlihat titik-titik mengikuti dan mendekati garis diagonal sehingga dapat disimpulkan bahwa model regresi memenuhi asumsi normalitas.
2.3.2 Uji Homoskedastisitas
2.4 Analisis Regresi
> reg <- lm(Y~X , data = data)
> print(reg)
Call:
lm(formula = Y ~ X, data = data)
Coefficients:
(Intercept) X
96.32 -25.86
> summary(reg)
Call:
lm(formula = Y ~ X, data = data)
Residuals:
Min 1Q Median 3Q Max
-4.1555 -0.8395 0.1122 1.0869 2.5842
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 96.3183 2.7466 35.07 <2e-16 ***
X -25.8590 0.9071 -28.51 <2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 1.662 on 28 degrees of freedom
Multiple R-squared: 0.9667, Adjusted R-squared: 0.9655
F-statistic: 812.7 on 1 and 28 DF, p-value: < 2.2e-16
> coef(reg)
(Intercept) X
96.31832 -25.85899
> vcov(reg)
(Intercept) X
(Intercept) 7.54372 -2.4761600
X -2.47616 0.8228268
> anova(reg)
Analysis of Variance Table
Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
X 1 2246.11 2246.11 812.67 < 2.2e-16 ***
Residuals 28 77.39 2.76
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 13 HASIL DAN PEMBAHASAN
3.1 Statistika Deskriptif
Berdasarkan Data yang digunakan, diperoleh rata-rata IPK mahasiswa (X) sebesar 3,009. Sedangkan pada rata – rata masa tunggu mahasiswa sebesar 18,50. Sedangkan nilai minimum IPK adalah 2,330 dan pada Y yaitu 4 bulan. Sedangkan nilai maksimum IPK yaitu 3.670 dan masa tunggu sebesar 36 bulan.
3.2 Uji Asumsi
3.2.1 Uji Normalitas
Uji normalitas menggunakan uji jarque bera dan saphiro wilk. Dari hasil output di atas didapatkan p-value pada jarque bera sebesar 0.1761 dan p-value pada shapiro wilk sebesar 0.94466. Kedua nilai tersebut lebih besar daripada nilai alpha (>0.05) maka dapat diputuskan Terima H0. Dengan taraf nyata 5% dapat disimpulkan bahwa data tersebut normal.
3.2.2 Uji Homoskedastisitas
Uji homoskedastisitas menggunakan uji Breusch Pagan dan didapatkan p-value sebesar 0.5148 besar dari nilai alpha ( > 0.05), maka terima H0. Dapat disimpulkan bahwa data IPK dan masa tunggu bersifat homogen.
3.2.3 Uji Autokorelasi
Uji asumsi autokorelasi menggunakan uji Urbin Watson. Didapatkan p-value pada uji Durbin Watson sebesar 0,394 besar dari nilai alpha ( > 0.05), maka Terima H0. Dapat disimpulkan bahwa data tersebut tidak ada masalah pada autokorelasi.
3.3 Analisis Regresi
Mendefinisikan variabel reg dengan fungsi lm dan didapatkan output dengan intercept sebesar 96.32 dan X sebesar -25.86. Didapatkan nilai rsquare sebesar 0.9667. Kemudian didapatkan persamaan yaitu \[ Y= 96,32 -25,86X +\epsilon \] Kemudian Uji F Dari hasil uji F didapatkan output sebesar 812,67 dengan df sebesar 1
4 DAFTAR PUSTAKA
Ghozali, I. (2016) Aplikasi Analisis Multivariete Dengan Program IBM SPSS 23. Edisi 8. Semarang: Badan Penerbit Universitas Diponegoro.