dummy
TRANSCRIPT
BAB I
PENDAHULUAN
A. Latar Belakang
Analisis regresi sebagai kajian terhadap hubungan satu variabel yang disebut
sebagai variabel yang diterangkan (the explained variabel) dengan satu atau dua
variabel yang menerangkan (the explanatory). Variabel pertama disebut juga
sebagai variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas.
Jika variabel bebas lebih dari saru, maka analisis regresi disebut regresi linear
berganda. Disebut berganda karena pengaruh beberapa variabel bebas akan
dikenakan kepada variabel tergantung.
Perubahan nilai suatu variabel tidak selalu terjadi dengan sendirinya, namun
perubahan nilai variabel itu dapat pula disebabkan oleh berubahnya variabel lain
yang berhubungan dengan variabel bebas dan terikat. Variabel bebas adalah variabel
yang nilainya tidak bergantung dari variabel lain, sedangkan variabel terikat adalah
variabel yang nilainya bergantung dari variabel lain (Algifari, 2000). Analisis regersi
berguna untuk memprediksi seberapa jauh pengaruh satu atau beberapa variabel
bebas (independent variabel) terhadap variabl terikat (dependant variabel).
Model regresi linier berasumsi bahwa variabel bebas yang digunakan dalam
model marupakan variabel kuantitatif. Namun, dalam kenyataannya perubahan nilai
suatu variabel tidak selalu hanya dipengaruhi oleh variabel kuantitatif, akan tetapi
dapat pula dipengaruhi oleh variabel kualitatif atau variabel kategori. Variabel
kuantitatif yang dianalisis dengan model regresi sering disebut dengan istilah
variabel dummy atau variabel boneka. Dalam variabel dummy diperlukan pemberian
suatu angka-angka untuk masing-masing kategori agar dapat dianalisis. Angka-
angka tersebut yang bukan merupakan angka sebenarnya yang disebut dummy
atau boneka.
Sehingga dari uraian di atas, penulis tertarik untuk memahami gambaran-
gambaran umum mengenai Model Regresi Semilog Dan Model Regresi Dummy
1
serta berbagai hal terkait dengan masalah-masalah yang ada dalam kajian riset
operasi.
B. Rumusan Masalah
Berdasarkan latar belakang diatas maka rumusan masalah yang dapat kita
jelaskan adalah sebagai berikut:
1. Bagaimanakah definisi regresi dummy?
2. Bagaimanakah model persamaan regresi dummy?
3. Bagaimanakah Koefisien determinasi persamaan regresi dummy?
4. Bagaimanakah pengujian hipotesis, Fhitung dan Thitung dalam regresi dummy?
5. Bagaimanakah penerapan model regresi dummy dalam data ekonomi?
6. Bagaimanakah model persamaan semilog?
7. Bagaimanakah penerapan model regresi dummy dalam data ekonomi?
2
BAB II
PEMBAHASAN
A. Definisi regresi dummy
Model regresi linier berasumsi bahwa variabel bebas yang digunakan dalam
model marupakan variabel kuantitatif. Namun, dalam kenyataannya perubahan nilai
suatu variabel tidak selalu hanya dipengaruhi oleh variabel kuantitatif, akan tetapi
dapat pula dipengaruhi oleh variabel kualitatif atau variabel kategori. Variabel
kuantitatif yang dianalisis dengan model regresi sering disebut dengan istilah
variabel dummy atau variabel boneka. Dalam variabel dummy diperlukan pemberian
suatu angka-angka untuk masing-masing kategori agar dapat dianalisi. Angka-
angka tersebut yang bukan merupakan angka sebenarnya yang disebut dummy
atau boneka.
Variabel dummy disebut juga dengan variabel indicator, biner, kategorik,
kualitatif, boneka atau variabel dikotomi. Nama lain Regresi Dummy adalah
Regresi Kategori. Regresi ini menggunakan prediktor kualitatif (yang bukan
dummy dinamai prediktor kuantitatif). Pembahasan pada regresi ini hanya untuk
satu macam variabel dummy dan dikhususkan pada penaksiran parameter dan
kemaknaan pengaruh prediktor.
Analisis regresi linier variabel dummy digunakan untuk menentukan
hubungan antara variabel bebas dan terikat, dimana variabel bebasnya merupakan
variabel kualitatif atau kombinasi antara variabel kuantitatif dengan variabel
kualitatif. Dalam analisis regresi sering kali bukan hanya variabel-variabel bebas
kuantitatif yang memepengaruhi variabel terikat (Y), tetapi ada juga variabel-
variabel kualitatif yang ikut juga mempengaruhi, seperti jenis kelamin, musim,
warna, pendidikan dan lain sebagainya. Untuk mengakomodasi adanya variabel
kualitatif ke dalam model regresi dapat dilakukan dengan menggunakan variable
boneka (dummy variable).
3
B. Persamaan model regresi dummy
Analisis regresi berganda mempunyai 2 model, yaitu model regresi yang
terdiri dari lebih satu variabel independen dikenal dengan nama model regresi
berganda dan model regresi berganda dan model regresi berganda dengan hanya
dua variabel independen.
Bentuk umum regresi berganda yang mengandung lebih dari satu variabel
independen atau k variabel bebas yaitu:
Y= β0 + β1X1 + β2X2 + . . . + βkXk + ε (2.1)
Dimana E (ε) = 0 dan var (ε) = σ2. Dimana persamaan diatas, X1, X2, ..., Xk dan
Y adalah bilangan yang berasal dari pengamatan. Dengan β0 ,β1 ,β2, ..., βk
merupakan koefisien-koefisien yang ditentukan berdasarkan hasil pengamatan.
Bila pengamatan mengenai Y, X1, X2, ..., Xk dinyatakan masing-masing dengan Y,
Xi1, Xi2, ..., Xik dan galatnya, εi, maka persamaan (2.1) dapat ditulis sebagai:
Yi= β0 + β1Xi1 + βi2Xi2 + . . . + βkXik + εi (2.2)
untuk i = 1, 2, 3, …, n.
Variabel dengan persamaan regresi yang sifatnya kualitatif tersebut biasanya
menjukkan ada tidaknya (presence or absence) suatu “quality” atau suatu
“attribute”, misalnya laki-laki atau perempuan, islam atau bukan islam, jawa atau
luar jawam danai atau perang, sejarah atau bukan, sudah kawin atau masih
membujang, terjadi pemogokan buruh atau tidak, dan lain sebagainya. Suatu cara
untuk membuat kyantifikasi (berbentuk angka) dari data kualitatif (tidak
4
berbentuk angka) ialah dngan memberikan nilai 1 (satu) atau 0 (nol) kalau
attribute yang dimaksud tidak ada (tidak terjadi) dan diberi angka satu (1) kalau ada
(terjadi), misalnya seseorang diberi nilai 1 (satu) kalau dia sarjana dan 0 (nol) kalau
bukan sarjana, diberi nilai 1 kalau laki-laki dan 0 kalau perempuan dan lain
sebagainya.
Teknik pengguanaan variabel boneka dapat dengan mudah dikembangkan/
diperluas, bukan saja untuk dua, tetapi dapat lebih dari dua variabel boneka yang
dicakup dalam regresi.
Model regresi linier dummy, yakni:
Yi = β0 + β1X1 + β1D1 + εi (2.3)
Berdasarkan contoh, dimana:
Yi = gaji pokok
Xi = masa kerja
Di = 1, jika karyawan laki-laki dan 0, jika karyawan perempuan
Persamaan (2.3) memuat suatu variabel kuantitatif Xi (masa kerja) dan satu
variabel kualitatif, jenis kelamin, dengan dua kategori (kelas, tingkat), yaitu laki-
laki (Di = 1) dan perempuan (Di = 0). Dalam OLS bahwa estimasi E (εi) = 0 maka
dapat dilihat bahwa:
E(Yi/Xi, Di = 0) = β0 + βXi (2.4)
Kemudian persamaan (2.4) diperluas untuk mengetahui regresi pada satu
variabel kuantitatif dan dua atau lebih variabel kualitatif, yaitu:
Yi = β0 + β1X1 + β1D1i + β2D2i + εi (2.5)
dengan,
Yi = gaji pokok
Xi = masa kerja
5
D1 = 1, jika karyawan sarjana dan 0, jika karyawan bukan sarjana
D2 = 1, jika karyawan laki-laki dan 0, jika karyawan perempuan
C. Koefisien Determinasi
Untuk mengukur kecukupan model regresi, dapat dilihat koefisien determinasi
(R2). Koefieisen determinasi menjelaskan besarnya variansi variabel terikat yang
dapat dijelaskan oleh variabel bebas. Koefisien determinasi akan selalu positif,
sehingga secara umum R2 dapat didefinisikan sebagai berikut:
R2=∑i=1
n
(Y i−Y )2
∑i=1
n
(Yi−Y )2
D. Pengujian hipotesis, Fhitung dan Thitung dalam regresi dummy
Uji signifikansi simultan atauuji ketepatan model pada dasarnya menunjukkan
apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh
secara bersama-sama terhadap variabel terikat. hipotetsis yang akan diuji adalah
sebagai beirkut :
H0 : β1 = β2 = … = βk = 0 (variabel bebas secara simultan tidak berpengaruh
terhadap variabel terikatnya)
H1 : Minimal terdapat satu βj ≠ 0, dengan j = 1, 2, …, k (variabel bebas secara
simultan berpengaruh terhadap variabel terikatnya).
Untuk menguji kedua hipotesis ini digunakan statistik F. Statistik F didefinisikan
sebagai rasio dua ragam (kuadrat nilai tengah). Statistik F dihitung dengan
formula sebagai berikut:
6
Jika pengujian ini menggunakan taraf nyata sebesar α maka kriteria
pengujiannya adalah H0 diterima jika Fhitung < Fα;db1,db2 dan sebaliknya H0 ditolak
jika Fhitung ≥ Fα;db1,db2. Dimana db1 adalah k dan db2 adalah n-k-1
Uji signifikansi individual pada dasarnya menunjukkan seberapa
jauh seberapa jauhpengaruh satu variabel bebas secara individual dalam menerangkan variasi
variabel terikat. Hipotesis yang akan diuji adalah
H1 : βj = 0 (suatu variabel bebas bukan merupakan penjelas yang signifikan
terhadap variabel terikat)
H2 : βj ≠ 0 (suatu variabel bebas merupakan penjelas yang signifikan terhadap
variabel terikat)
Untuk menguji kedua hipotesis ini digunakan statistik t. Statistik t dihitung
dengan formula sebagai berikut:
t hitung=β j
se (β j)
dimana se (βj) adalah simpangan baku bagi dugaan koefisien variabel bebas
untuk j = 0, 1, 2, …, k-1. Jika pengujian ini menggunakan taraf nyata sebesar α
maka kriteria pengujiannya yaitu H0 diterima jika |thitung| ≤ tα/2;n-k-1 dan
sebaliknya H0 ditolak jika |thitung| > tα/2;n-k-1.
E. Model Semilog
Model semilog adalah model dimana hanya salah satu variabel (Y atau X) yang
7
ditransformasi secara logaritma. Bentuk modelnya sebagai berikut:
1. Model log lin
lnY =α 0+α 1 X+u
α1 mengukur perubahan relatif (persentase) Y yang disebabkan oleh perubahan
absolut dari X. Model ini disebut juga dengan model pertumbuhan tetap, karena
mengukur tingkat pertumbuhan yang konstan sepanjang waktu seperti trend
kesempatan kerja, produktivitas, dan lainnya.
2. Model lin log
Y=α 0+β 1lnX +u
β1 mengukur perubahan absolut Y yang disebabkan oleh perubahan relatif
(persentase) dari X.
F. Aplikatif model regresi dummy
Jika ingin diketahui apakah tingkat pendidikan berpengaruh terhadap jumlah
pendapatan, maka akan dihadapkan dengan variabel kategori sehingga perlu
diberikan suatu angka-angka agar dapat dianalisis. Oleh karena angka tersebut
bukan merupakan angka yang sebenarnya maka diperlukanlah analisis regresi
variabel dummy. Lembaga survey ingin meneliti apakah jumlah anggota
keluarga, pendidikan, dan pendapatan berpengaruh terhadap belanja konsumsi per
bulan sebuah keluarga. Data hasil survei adalah sebagai berikut :
Tabel 3.1. Data hasil pengamatan.
Jumlah anggota keluarga Pendidikan Pendapatan Belanja
5 4 1,55 6006 3 1,19 5504 3 1,2 5604 3 0,99 4005 3 1,22 570
8
7 3 1,2 5605 1 0,85 5406 3 1,2 5604 3 0,99 4406 3 1,2 5604 3 0,99 4404 3 0,99 4406 3 1,2 5604 3 0,99 4403 3 0,99 4404 3 0,99 4404 3 0,99 4408 3 1,2 5606 2 0,9 5607 3 1,2 560
Data jumlah anggota keluarga yaitu dengan satuan orang. Data pendidikan
yaitu kode 4 mengartikan sarjana, kode 3 mengartikan SMA, kode 2 mengartikan
SMP, dan kode 1 mengartikan pendidikan SD. Data Pendapatan yaitu dalam juta
rupiah. Data belanja konsumsi dalam ribuan rupiah.
Maka, dapat disimpulkan variabel-variabel dalam penelitian ini yaitu
sebagai berikut :
Variabel bebas
X1 : Jumlah Anggota Keluarga
X2 : Pendidikan
X3 : Pendapatan
Variabel terikat
Y : belanja konsumsi perbulan suatu keluarga
Variabel Dummy
9
Variabel X2 dibagi menjadi 4 kategori yaitu :
D1 : pendidikan Sd
D2 : Pendidikan SMP
D3 : Pendidikan SMA
D4 : Pendidikan Sarjana
Maka, dalam penelitian, variabel yang digunakan yaitu variabel bebas X1, D1, D2,
D3, D4, X3, dan variabel terikatnya yaitu Y. variabel X2 sudah diwakilkan oleh
kemmpat variabel dummy nya.
Menghitung koefisien determinasi
Menghitung koefisien determinasi yaitu untuk mengetahui berapa besar
variabel jumlah anggota keluarga, pendidikan, pendapatan dapat mempengaruhi
belanja konsumsi sebuah keluarga.
Tabel 3.2. Model Summary
Model R R SquareAdjusted R
SquareStd. Error of the Estimate
1 .991a .982 .976 10.05549
a. Predictors: (Constant), Pendapatan, SMA, Jumlah_Keluarga, SD, SMP
Dari tabel 3.2 didapat bahwa nilai koefisien determinasinya adalah 0,982. Hal
ini berarti sebesar 98,2% variasi yang terjadi pada belanja konsumsi disebabkan oleh
faktor jumlah anggota keluarga, pendidikan, dan pendapatan. Sedangkan sisanya
sebesar 1,8% mengartikan bahwa ada faktor lain yang tidak diketahui yang juga
mempengaruhi belanja konsumsi. Sedangkan nilai koefisien korelasi sebesar
0,991 mengartikan bahwa terdapat hubungan yang kuat dan berbanding lurus
antara variabel bebas dengan variabel terikatnya. Untuk koefisien determinasi yang
disesuaikan yaitu sebesar 0,976 dengan nilai standar erornya yaitu 10,0555. Dari
analisis awal, ternyata variabel dummy Pendidikan sarjana tidak dimasukkan dalam
analisis. Hal ini berarti variabel pendidikan sarjana diasumsikan tidak
10
berpengaruh terhadap variabel belanja konsumsi per bulan keluarga. Oleh karena
itu, analisis selanjutnya, variabel dummy pendidikan sarjana (D4) tidak
digunakan.
Uji Signifikansi Simultan
Hipotesis untuk uji signifikansi secara simultan yaiitu sebagai berikut :
H0 : β1 = β2 = β3 = β4 = β6 = 0 artinya secara simultan variabel-variabel bebasnya
tidak berpengaruh terhadap varibel terikatnya.
H1 : Terdapat βj ≠ 0, dengan j = 1, 2, 3, 4, 6 artinya secara simultan variabel- variabel
bebasnya berpengaruh terhadap varibel terikatnya.
Tabel 3.3. ANOVAb
ModelSum ofSquares df Mean Square F Sig.
1 Regression
Residual
Total
79164.420 5 15832.884 156.586 .000a
1415.580 14 101.113
80580.000 19
a. Predictors: (Constant), Pendapatan, SMA, Jumlah_Keluarga, SD, SMP
b. Dependent Variable: Belanja
Dengan taraf signifikansi (0,05) dan daerah kritik yaitu menolak H0 jika
nilai probabilitasnya lebih kecil dari . Maka, dari hasil analisis didapat nilai
probabilitasnya yaitu (0,000) lebih kecil dari (0,05). Maka diputuskan H0
ditolak. Sehingga bisa dikatakan secara simultan variabel-variabel bebasnya
berpengaruh terhadap varibel terikatnya.
Uji Signifikansi Parsial
Hipotesis untuk uji signifikansi secara parsial dianalisis masing-masing untuk
setiap variabel bebasnya.
1. Untuk variabel bebas (X1) Jumlah Anggota Keluarga, hipotesisnya sebagai
11
berikut :
H0 : β1 = 0 (variabel Pendapatan tidak berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.)
H1 : β1 ≠ 0 (variabel Pendapatan berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.)
2. Untuk variabel bebas (D1 ) Pendidikan SD, hipotesisnya sebagai berikut :
H0 : β2 = 0 (variabel Pendidikan SD tidak berpengaruh secara signifikan
terhadap variabel belanja bulanan keluarga.)
H1 : β2 ≠ 0 (variabel Pendidikan SD berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.)
3. Untuk variabel bebas (D2 ) Pendidikan SMP, hipotesisnya sebagai berikut :
H0 : β3 = 0 (variabel Pendidikan SMP tidak berpengaruh secara
signifikan terhadap variabel belanja bulanan keluarga.)
H1 : β3 ≠ 0 (variabel Pendidikan SMP berpengaruh secara signifikan
terhadap variabel belanja bulanan keluarga.)
4. Untuk variabel bebas (D3 ) Pendidikan SMA, hipotesisnya sebagai berikut :
H0 : β4 = 0 (variabel Pendidikan SMA tidak berpengaruh secara signifikan
terhadap variabel belanja bulanan keluarga.)
H1 : β4 ≠ 0 (variabel Pendidikan SMA berpengaruh secara signifikan
terhadap variabel belanja bulanan keluarga.)
5. Untuk variabel bebas (X3) Pendapatan, hipotesisnya sebagai berikut :
H0 : β6 = 0 (variabel Pendapatan tidak berpengaruh secara signifikan
terhadap variabel belanja bulanan keluarga.)
H1 : β6 ≠ 0 (variabel Pendapatan berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.)
6. Untuk variabel bebas Pendidikan Sarjana (D4), tidak dianalisis lanjut karena
sudah otomatis dilakukan trimming (pemangkasan variabel yang sangat
tidak signifikan).
Tabel 3.4.
12
Coefficientsa
Dengan taraf signifikansi (0,05) dan daerah kritik yaitu menolak H0 jika
nilai probabilitasnya lebih kecil dari . Maka, dari hasil analisis didapat hanya
variabel Jumlah Keluiarga yang nilai probabilitasnya lebih besar dari (0,05),
sehingga dikatakan variabel tersebut tidak berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.
Karena ada variabel yang tidak signifikan, maka perlu dilakukan uji ulang
tanpa mengikutsertakan variabel yang tidak ada pengaruh signifikan terhadap
variabel belanja bulanan keluarga.
Menghitung koefisien determinasi tanpa variabel (X1) Jumlah Anggota
Keluarga
Menghitung koefisien determinasi yaitu untuk mengetahui berapa besar
variabel pendidikan, pendapatan dapat mempengaruhi belanja konsumsi sebuah
keluarga.
Tabel 3.5. Model Summary
Model R R SquareAdjusted R
SquareStd. Error of the Estimate
1 .991a .982 .978 9.71643
a. Predictors: (Constant), Pendapatan, SMA, SMP, SD
Dari tabel 3.2 didapat bahwa nilai koefisien determinasinya adalah 0,982. Hal
ini berarti sebesar 98,2% variasi yang terjadi pada belanja konsumsi disebabkan oleh
faktor jumlah anggota keluarga, pendidikan, dan pendapatan. Sedangkan sisanya
sebesar 1,8% mengartikan bahwa ada faktor lain yang tidak diketahui yang juga
mempengaruhi belanja konsumsi.
Sedangkan nilai koefisien korelasi sebesar 0,991 mengartikan bahwa
terdapat hubungan yang kuat dan berbanding lurus antara variabel bebas dengan
13
variabel terikatnya. Untuk koefisien determinasi yang disesuaikan yaitu sebesar
0,978 dengan nilai standar erornya yaitu 9,716.
Uji Signifikansi Simultan tanpa variabel (X1) Jumlah Anggota Keluarga
Hipotesis untuk uji signifikansi secara simultan yaiitu sebagai berikut
H0 : β2 = β3 = β4 = β6 = 0 artinya secara simultan variabel-variabel bebasnya
tidak berpengaruh terhadap varibel terikatnya.
H1 : Terdapat βj ≠ 0, dengan j = 2, 3, 4, 6 artinya secara simultan variabel -variabel
bebasnya berpengaruh terhadap varibel terikatnya.
Tabel 3.5. ANOVAb
ModelSum ofSquares df Mean Square F Sig.
1 Regression
Residual
Total
79163.865 4 19790.966 209.630 .000a
1416.135 15 94.409
80580.000 19
a. Predictors: (Constant), Pendapatan, SMA, SMP, SD
b. Dependent Variable: Belanja
Dengan taraf signifikansi (0,05) dan daerah kritik yaitu menolak H0 jika
nilai probabilitasnya lebih kecil dari . Maka, dari hasil analisis didapat nilai
probabilitasnya yaitu (0,000) lebih kecil dari (0,05). Maka diputuskan H0
ditolak. Sehingga bisa dikatakan secara simultan variabel-variabel bebasnya
berpengaruh terhadap varibel terikatnya.
Uji Signifikansi Parsial tanpa variabel Jumlah Anggota Keluarga Hipotesis
untuk uji signifikansi secara parsial dianalisis masing-masing untuk setiap variabel
bebasnya.
1. Untuk variabel bebas (D1) Pendidikan SD, hipotesisnya sebagai berikut :
14
H0 : β2 = 0 (variabel Pendidikan SD tidak berpengaruh secara signifikan
terhadap variabel belanja bulanan keluarga.)
H1 : β2 ≠ 0 (variabel Pendidikan SD berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.)
15
2. Untuk variabel bebas (D2) Pendidikan SMP, hipotesisnya sebagai berikut:
H0 : β3 = 0 (variabel Pendidikan SMP tidak berpengaruh secara signifikan
terhadap variabel belanja bulanan keluarga.)
H1 : β3 ≠ 0 (variabel Pendidikan SMP berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.)
3. Untuk variabel bebas (D3) Pendidikan SMA, hipotesisnya sebagai berikut :
H0 : β4 = 0 (variabel Pendidikan SMA tidak berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.)
H1 : β4 ≠ 0 (variabel Pendidikan SMA berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.)
4. Untuk variabel bebas (X3) Pendapatan, hipotesisnya sebagai berikut
H0 : β6 = 0 (variabel Pendapatan tidak berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.)
H1 : β6 ≠ 0 (variabel Pendapatan berpengaruh secara signifikan terhadap
variabel belanja bulanan keluarga.)
Tabel 3.6 Coefficientsa
Model
UnstandardizedCoefficients
StandardizedCoefficients
t Sig.B Std. Error Beta
1 (Constant)
SD
SMP
SMA
Pendapatan
-317.849 35.957 -8.840 .000
354.513 20.815 1.217 17.032 .000
344.905 19.990 1.184 17.254 .000
166.604 14.149 .937 11.775 .000
592.161 22.335 1.467 26.512 .000
a. Dependent Variable: Belanja
Dengan taraf signifikansi (0,05) dan daerah kritik yaitu menolak H0 jika nilai
probabilitasnya lebih kecil dari . Maka, dari hasil analisis didapat hanya keempat
16
variabel memiliki nilai probabilitasnya lebih kecil dari (0,05), sehingga dikatakan
variabel tersebut berpengaruh secara signifikan terhadap variabel belanja bulanan
keluarga. Karena keempat variabel yaitu variabel pendidikan SD (X2), pendidikan
SMP (X3), Pendidikan SMA (X4), dan pendapatan (X6) adalah signifikan
berpengaruh baik secara simultan maupun individual, maka bisa ditentukan model
persamaan estimasi regresinya.
Mengestimasi model regresi dan interpretasinya.
Berdasarkan Tabel 3.6. Coefficients didapat koefisien regresi untuk variabel-
variabel yang signifikan adalah -317,849 untuk konstanta. Untuk koefisien
variabel D1 yaitu variabel pendidikan SD adalah 354,513. Untuk koefisien
variabel D2 yaitu variabel pendidikan SMP adalah 344,905. Untuk koefisien
variabel D3 yaitu variabel pendidikan SMA adalah 166,604. Untuk koefisien
variabel X3 yaitu variabel pendapatam adalah 592,161. Untuk variabel X1 yaitu
variabel jumlah anggota keluarga, tidak memiliki pengaruh yang signifikan maka
tidak perlu dimasukkan dalam model estimasi regresinya. Begitu juga untuk
variabel D4 yaitu variabel pendidikan sarjana tidak perlu dimasukkan dalam model
estimasinya karena dari awal variabel sudah diasumsikan tidak signifikan.
Model estimasi regresi linier berganda variabel dummy nya yaitu :
Interpretasi model estimasi regresinya sebagai berikut :
1. Tanpa adanya pengaruh dari faktor apapun, belanja suatu keluarga akan
berkurang sebesar 317,849 ribu rupiah.
2. Setiap ada penambahan 1 juta rupiah pendapatan, maka akan menaikkan
belanja konsumsi perbulan suatu keluarga sebesar 591,161 ribu rupiah.
17
3. Jika pada variabel pendidikannya adalah pendidikan SD, koefisien regresinya
adalah 354,513. Artinya jika pada variabel pendidikannya adalah pendidikan SD
maka belanja konsumsi perbulan suatu keluarga akan bertambah sebesar
354,513 ribu rupiah.
4. Jika pada variabel pendidikannyaadalah pendidikan SMP, koefisien regresinya
adalah 344,905. Artinya jika pada variabel pendidikannya adalah pendidikan
SMP maka belanja konsumsi perbulan suatu keluarga akan bertambah sebesar
344,905 ribu rupiah.
5. Jika pada variabel pendidikannya adalah pendidikan SMA, koefisien regresinya
adalah 166,604. Artinya jika pada variabel pendidikannya adalah pendidikan
SMA maka belanja konsumsi perbulan suatu keluarga akan bertambah sebesar
166,604 ribu rupiah.
Jadi, model untuk masing-masing variabel dummy nya sebagai
berikut :
Jika variabel pendidikannya adalah SD (D1) maka modelnya yaitu
Y=−317,849+354,513+592,161 X6
Y 36,664+592,161 X6
Jika variabel pendidikannya adalah SD (D2) maka modelnya yaitu
Y=−317,849+344,905+592,161 X6
Y=27,056+592,161 X6
Jika variabel pendidikannya adalah SD (D2) maka modelnya yaitu
Y=−317,849+166,604+592,161 X6
Y=−151,245+592,161 X6
G. Aplikatif model regresi semilog
1. Model log lin
18
Data tahun 1990 – 2005 mengenai harga suatu produk (x dalam ribuan rupiah) dan
jumlah produksi (Y dalam ribuan unit) yang diasumsikan sebagai jumlah barang
yang ditawarkan. Tentukan pengaruh X terhadap Y menggunakan model log lin.
Tahun X (harga) Y (produksi)
1990 647 7291991 747 10041992 772 10661993 847 11541994 847 11701995 797 12011996 867 12741997 872 13521998 947 14231999 977 15022000 927 16792001 947 16152002 967 15122003 1047 14792004 1072 15792005 1147 1279
Jawab:
Bentuk transformasi varibael Y
19
Output X terhadap Y
COMPUTE ln_Y=LN(Y).EXECUTE.REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Y /METHOD=ENTER X.
Regression
Notes
Output Created 14-Dec-2012 11:48:55
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
20
N of Rows in Working Data
File
16
Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics are based on cases with no
missing values for any variable used.
Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X.
Resources Processor Time 00:00:00.000
Elapsed Time 00:00:00.017
Memory Required 1396 bytes
Additional Memory Required
for Residual Plots
0 bytes
[DataSet0]
Variables Entered/Removedb
Model Variables
Entered
Variables
Removed Method
dime
nsio
1 Xa . Enter
a. All requested variables entered.
b. Dependent Variable: Y
Model Summary
Model
R R Square
Adjusted R
Square
Std. Error of the
Estimate
21
Variables Entered/Removedb
Model Variables
Entered
Variables
Removed Method
dime
nsio
1 Xa . Enter
a. All requested variables entered.
dime
nsio
1 .758a .575 .544 171.71270
a. Predictors: (Constant), X
ANOVAb
ModelSum of Squares df Mean Square F Sig.
1 Regression 558112.238 1 558112.238 18.929 .001a
Residual 412793.512 14 29485.251
Total 970905.750 15
a. Predictors: (Constant), X
b. Dependent Variable: Y
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) -34.637 312.855 -.111 .913
X 1.495 .344 .758 4.351 .001
a. Dependent Variable: Y
Output X terhadap ln_Y
REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA
22
/CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT ln_Y /METHOD=ENTER X.
RegressionNotes
Output Created 14-Dec-2012 11:52:11
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
File
16
Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics are based on cases with no
missing values for any variable used.
Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT ln_Y
/METHOD=ENTER X.
Resources Processor Time 00:00:00.016
Elapsed Time 00:00:00.017
Memory Required 1396 bytes
Additional Memory Required
for Residual Plots
0 bytes
[DataSet0]
23
Variables Entered/Removedb
Model Variables
Entered
Variables
Removed Method
dime
nsio
1 Xa . Enter
a. All requested variables entered.
b. Dependent Variable: ln_Y
Model Summary
Model
R R Square
Adjusted R
Square
Std. Error of the
Estimate
dime
nsio
1 .775a .601 .572 .14044
a. Predictors: (Constant), X
ANOVAb
ModelSum of Squares df Mean Square F Sig.
1 Regression .416 1 .416 21.078 .000a
Residual .276 14 .020
Total .692 15
a. Predictors: (Constant), X
b. Dependent Variable: ln_Y
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 5.997 .256 23.436 .000
X .001 .000 .775 4.591 .000
a. Dependent Variable: ln_Y
24
Perbandingan model
model linear:
Y = -34,637 + 1,495 X + e
model log lin:
Ln_Y = 5,997 + 0,001 X + e
2. Model lin log
Lita mengambil data yang digunakan pada mode log lin. Tentukan pengaruh X
terhadap Y menggunakan model log lin.
Jawab:
Bentuk transformasi varibael X
Output ln_X terhadap Y
REGRESSION
25
/MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Y /METHOD=ENTER ln_X.
Regression
Notes
Output Created 14-Dec-2012 12:55:49
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
File
16
Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics are based on cases with no
missing values for any variable used.
Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER ln_X.
Resources Processor Time 00:00:00.032
Elapsed Time 00:00:00.046
Memory Required 1420 bytes
Additional Memory Required
for Residual Plots
0 bytes
[DataSet0]
26
Variables Entered/Removedb
Model Variables
Entered
Variables
Removed Method
dime
nsio
1 ln_Xa . Enter
a. All requested variables entered.
b. Dependent Variable: Y
Model Summary
Model
R R Square
Adjusted R
Square
Std. Error of the
Estimate
dime
nsio
1 .798a .637 .611 158.70973
a. Predictors: (Constant), ln_X
ANOVAb
ModelSum of Squares df Mean Square F Sig.
1 Regression 618262.858 1 618262.858 24.545 .000a
Residual 352642.892 14 25188.778
Total 970905.750 15
a. Predictors: (Constant), ln_X
b. Dependent Variable: Y
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) -8116.759 1903.885 -4.263 .001
ln_X 1387.962 280.152 .798 4.954 .000
a. Dependent Variable: Y
27
Model linear
Y = -34,637 + 1,495 X + e
model lin log:
Y = -8116,759 + 1387,962 ln_X + e
BAB III
PENUTUP
A. Kesimpulan
Adapun kesimpulan dari makalah ini yaitu:
1. Variabel dummy adalah variabel kuantitatif yang dianalisis dengan model
regresi.
2. Persamaan model regresi dummy
Yi = β0 + β1X1 + β1D1 + εi
3. Koefisien Determinasi
R2=∑i=1
n
(Y i−Y )2
∑i=1
n
(Yi−Y )2
4. Model regresi lin log
Y=α 0+β 1lnX +u
5. Model regresi log lin
28
lnY =α 0+α 1 X+u
B. Saran
Saran kami dalam makalah ini yaitu diharapkan kepada pembaca agar lebih banyak
membaca referensi mengenai regresi dummy dan model semi log karena makalah ini
hanya mencakup sebagian kecil mengenai materi tersebut
DAFTAR PUSTAKA
http://teorionline.wordpress.com/2011/05/22/data-regresi-dummy-2-kategori/#more-
1041. Acces: desember 2012
http://teorionline.wordpress.com/2011/05/23/regresi-dummy-2-kategori/#more-1032
Acces: desember 2012
Anonim. Paper : mengetahui pengaruh jumlah anggota keluarga, pendidikan dan
pendapatan terhadap belanja konsumsi per bulan dengan analisis regresi
variabel dummy
29