Ada kalanya kita melakukan suatu regresi dimana variabel penjelas atau variabel tergantung berupa data kategorikal (sering disebut data nominal). Misalnya laki-laki dan perempuan, desa-kota, industri pangan, sandang, dan peralatan. Contoh kita ingin mengetahui jenis kelamin, lokasi, dan industri terhadap upah, 1. Pengar Pengaruh uh jenis jenis kelam kelamin in atas atas upah, upah, modelny modelnya, a, Upah = a + b1DJK + e Dimana DJK adalah Dummy adalah Dummy jenis kelamin (laki-laki dan wanita) 2. Penga Pengaru ruh h lokas lokasii terh terhad adap ap upah, upah, apak apakah ah desa desa lebi lebih h rend rendah ah upah upahny nyaa dari dari kota, kota, modelnya, Upah = a + b1DLOK + e dimana DLOK adalah dummy lokasi 3. Pengar Pengaruh uh indust industri ri terha terhadap dap upah, upah, modeln modelnya ya Upah = a + b1DIND + e dimana DIND adalah dummy setiap klasifikasi industri
Untuk memudahkan lihat contoh data berikut: Industri Pangan Sandang Sandang Pangan Peralatan logam Peralatan logam Pangan Pangan Sandang Sandang
Kode Industri 31 32 32 31 38 38 31 31 32 32
Upah 500 522 530 512 600 642 540 520 580 570
Cara Membuat Variabel Dummy Untuk dapat membedakan pengaruh masing-masing industri atas upah kita akan membuat variabel dummy. Caranya adalah memberi nilai 1 pada kategori tersebut dan memberi nol bagi kategori lainnya data berubah menjadi sebagai berikut. Industri Pangan Sandang Sandang Pangan Peralatan logam Peralatan logam Pangan Pangan Sandang Sandang
Kode Industri 31 32 32 31 38 38 31 31 32 32
Upah 500 520 530 520 600 640 540 520 580 570
Dpangan 1 0 0 1 0 0 1 1 0 0
Dsandang 0 1 1 0 0 0 0 0 1 1
Dalat 0 0 0 0 1 1 0 0 0 0
Sekarang perhatikan upah rata-rata untuk masing-masing industri: Pangan =
Sandang = Peralatan=
500
+ 520 + 540 + 520
4 520
+ 530 + 580 + 570
4 600
+ 640
2
=
=
=
520
550
620
Jika kita memiliki 3 dummy variabel maka kita bisa memasukkan 2 variabel dummy, sedangkan yang satu akan berfungsi menjadi benchmark atau pematok. Besarnya benchmark tidak lain adalah intercept atau
nilai a.
Contoh: Upah = a + b1 Dsandang + b2 Dalat + e Dari data di atas hasilnya adalah sebagai berikut Upah = 520 + 30 Dsandang + 100 Dalat Jadi rata-rata upah industri pangan yang tidak dimasukkan ke dalam model menjadi intersep (benchmark ) beda upah sandang terhadap pangan adalah nilai b1=30 dan beda upah rata-rata industri peralatan terhadap industri pangan adalan 100. Sebaliknya jika yang tidak dimasukkan dalam regresi adalah industri peralatan, maka hasil regresi akan berubah sebagai berikut, Upah = 620 - 100 Dpangan - 70 Dsandang Sekarang intersep (a) menjadi rerata industri alat, dan beda upah pangan terhadap industri alat adalah minus 100 dan beda upah industri alat adalah minus 70. Kesimpulannya jika kita punya n variabel dummy, maka kita dapat memasukkan n-1 variabel dalam model regresi, dan yang menjadi intersep adalah nilai rata-rata variabel yang tidak dimasukkan. Perhatikan cara memaknai parameter hasil regresi yang mengg unakan dummy di atas. Sekarang kita akan memasukkan data pendidikan pada data yang kita miliki di atas, data lengkapnya menjadi sebagai berikut.
Industri Pangan Sandang Sandang Pangan Peralatan logam Peralatan logam Pangan Pangan Sandang Sandang
Kode Industri 31 32 32 31 38 38 31 31 32 32
Upah 500 520 530 520 600 640 540 520 580 570
Dpangan 1 0 0 1 0 0 1 1 0 0
Dsandang 0 1 1 0 0 0 0 0 1 1
Dalat 6 9 9 9 12 11 9 6 12 9
Hasil di atas dapat kita ringkas dan sajikan sebagai berikut:
Upah = 448,4 10,5 Pendidik (12,)** R2 F
18,62 Dsandang + 49,9 Dalat + (-1,04)
(2,287)**
(2,486)**
= 0,839 = 0,4
Makna hasil regresi sekarang adalah sebagai berikut: Pada tingkat pendidikan yang sama, maka upah industri sandang adalah minus 18,6 di bawah industri pangan (industri yang tidak diikutkan dalam regresi). Upah industri peralatan pada tingkat pendidikan yang sama adalah 49,9 di atas industri pangan. Mengapa angkanya menjadi semakin kecil dari sebelumnya? Hal ini disebabkan adanya perbedaan pendidikan di ketiga industri, perbedaan upah tidak semata disebabkan oleh perbedaan industri tetapi juga disebabkan oleh perbedaan pendidikan. Ini dapat juga dikatakan bahwa pendidikan menjadi variabel KONTROL yan bertugas memurnikan pengaruh perbedaan industri atas upah.
Analisis Regresi Dengan Variabel Dummy 17 08 2007
Regresi Linier tidak hanya terbatas digunakan untuk memodelkan hubungan dimana variabel bebas (X) bertipe data interval atau rasio saja. Regresi linier juga memungkinkan bila digunakan untuk melakukan analisis data bila variabel bebasnya (X) bertipe data nominal. Teknik semacam ini dikenal dengan nama regresi variabel dummy. Contoh kasus: Seorang peneliti tertarik untuk memprediksi laba 2 macam perusahaan (swasta asing dan swasta nasional) bila ditinjau dari besarnya biaya iklan yang dikeluarkan oleh perusahaan untuk membuat iklan mengenai produknya. (Untuk perusahaan swasta asing, laba yang diamati adalah laba yang diperoleh dari hasil penjualan produknya di wilayah Indonesia saja.)
Kasus semacam ini dapat diselesaikan dengan metode regresi menggunakan variabel dummy. Hanya saja yang perlu diperhatikan adalah teknik menyusun variabel dummy dalam analisis regresinya. Dari contoh kasus di atas, variabel respon (Y) adalah Laba perusahaan, variabel bebas (X) adalah biaya iklan, sedangkan variabel dummy-nya adalah tipe perusahaan, yaitu swasta asing dan swasta nasonal. Kita sebut terdapat 2 tipe/kategori perusahaan. Untuk menyusun variabel dummy-nya, maka kita perlu menentukan terlebih dahulu banyaknya variabel dummy yang digunakan. Banyaknya variabel dummy yang digunakan adalah sebanyak kategori dikurangi satu. Rumus: banyaknya var dummy = banyaknya kategori – 1. Dalam kasus kita di atas, maka banyaknya variabel dummy adalah = 2-1 = 1 buah. Misalkan jika perusahaan swasta asing dilambangkan dengan angka 1, sedangkan swasta nasional 0,
Salah satu permasalahan yang sering dialami dalam sektor industri di bidang ketenagakerjaan terutama berkaitan dengan masalah pengupahan. Oleh karenanya sebagai salah satu upaya untuk melindungi dan meningkatkan kesejahteraan pekerja, pemerintah menetapkan kebijakan upah minimum yang terutama ditujukan kepada jenisjenis upah yang masih dibawah tingkat kelayakan. Penelitian ini bertujuan untuk me nganalisis upah minimum industri pengolahan besar-sedang kabupaten/kota di Jawa Tengah selama empat periode penelitian yaitu tahun 2003-2006. Penelitian ini mengguakan data sekunder dengan alat analisis panel data. Salah satu pendekatan yang digunakan untuk mengestimasi model regresi dengan data panel adalah dengan mengguakan fried effect yaitu dengan memasukan
variabel dummy dalam persamaan atau disebut juga dengan Least Square Dummy Variabel (LSDV). Penggunaan dummy wilayah dalam penelitian ini adalah untuk melihat perbedaan perkembangan upah minimum industri pengolahan besarsedang di masing-masing kabupaten/kota di Jawa Tengah tahun 2003-2006. Hasil penelitian menunjukkan bahwa variabel KHL, PDRB dan Inflasi berpengaruh signifikan terhadap penetapan UMK di Jawa Tengah. Oleh karenannya perbedban dalam tingkat KHL, PDRB dan Inflasi di masing-masing kabupaten/kota di Jawa Tengah menjadi perkembangan dalampenetapan UMK. Kata Kunci : Upah Minimum Kabupaten/Kota (UMK), KUL, PDRB, Inflasi, Industri Pengolahan Besar-Sedang . ABSTRAKSI
Ada kalanya kita melakukan suatu regresi dimana variabel penjelas atau variabel tergantung berupa data kategorikal (sering disebut data nominal). Misalnya laki-laki dan perempuan, desa-kota, industri pangan, sandang, dan peralatan. Contoh kita ingin mengetahui jenis kelamin, lokasi, dan industri terhadap upah, 4. Pengaruh jenis kelamin atas upah, modelnya, Upah = a + b1DJK + e Dimana DJK adalah Dummy jenis kelamin (laki-laki dan wanita) 5. Pengaruh lokasi terhadap upah, apakah desa lebih rendah upahnya dari kota, modelnya, Upah = a + b1DLOK + e dimana DLOK adalah dummy lokasi 6. Pengaruh industri terhadap upah, modelnya Upah = a + b1DIND + e dimana DIND adalah dummy setiap klasifikasi industri
Untuk memudahkan lihat contoh data berikut: Industri Pangan Sandang Sandang Pangan Peralatan logam Peralatan logam Pangan Pangan Sandang Sandang
Kode Industri 31 32 32 31 38 38 31 31 32 32
Upah 500 522 530 512 600 642 540 520 580 570
Cara Membuat Variabel Dummy Untuk dapat membedakan pengaruh masing-masing industri atas upah kita akan membuat variabel dummy. Caranya adalah memberi nilai 1 pada kategori tersebut dan memberi nol bagi kategori lainnya data berubah menjadi sebagai berikut. Industri Pangan Sandang Sandang Pangan Peralatan logam Peralatan logam Pangan Pangan Sandang Sandang
Kode Industri 31 32 32 31 38 38 31 31 32 32
Upah 500 520 530 520 600 640 540 520 580 570
Dpangan 1 0 0 1 0 0 1 1 0 0
Dsandang 0 1 1 0 0 0 0 0 1 1
Dalat 0 0 0 0 1 1 0 0 0 0
Sekarang perhatikan upah rata-rata untuk masing-masing industri: Pangan =
Sandang = Peralatan=
500
+ 520 + 540 + 520
4 520
+ 530 + 580 + 570
4 600
+ 640
2
=
=
=
520
550
620
Jika kita memiliki 3 dummy variabel maka kita bisa memasukkan 2 variabel dummy, sedangkan yang satu akan berfungsi menjadi benchmark atau pematok. Besarnya benchmark tidak lain adalah intercept atau
nilai a.
Contoh: Upah = a + b1 Dsandang + b2 Dalat + e Dari data di atas hasilnya adalah sebagai berikut Upah = 520 + 30 Dsandang + 100 Dalat Jadi rata-rata upah industri pangan yang tidak dimasukkan ke dalam model menjadi intersep (benchmark ) beda upah sandang terhadap pangan adalah nilai b1=30 dan beda upah rata-rata industri peralatan terhadap industri pangan adalan 100. Sebaliknya jika yang tidak dimasukkan dalam regresi adalah industri peralatan, maka hasil regresi akan berubah sebagai berikut, Upah = 620 - 100 Dpangan - 70 Dsandang Sekarang intersep (a) menjadi rerata industri alat, dan beda upah pangan terhadap industri alat adalah minus 100 dan beda upah industri alat adalah minus 70. Kesimpulannya jika kita punya n variabel dummy, maka kita dapat memasukkan n-1 variabel dalam model regresi, dan yang menjadi intersep adalah nilai rata-rata variabel yang tidak dimasukkan. Perhatikan cara memaknai parameter hasil regresi yang mengg unakan dummy di atas. Sekarang kita akan memasukkan data pendidikan pada data yang kita miliki di atas, data lengkapnya menjadi sebagai berikut.
Industri Pangan Sandang Sandang Pangan Peralatan logam Peralatan logam Pangan Pangan Sandang Sandang
Kode Industri 31 32 32 31 38 38 31 31 32 32
Upah 500 520 530 520 600 640 540 520 580 570
Dpangan 1 0 0 1 0 0 1 1 0 0
Dsandang 0 1 1 0 0 0 0 0 1 1
Dalat 6 9 9 9 12 11 9 6 12 9
Hasil di atas dapat kita ringkas dan sajikan sebagai berikut:
Upah = 448,4 10,5 Pendidik (12,)** R2 F
18,62 Dsandang + 49,9 Dalat + (-1,04)
(2,287)**
(2,486)**
= 0,839 = 0,4
Makna hasil regresi sekarang adalah sebagai berikut: Pada tingkat pendidikan yang sama, maka upah industri sandang adalah minus 18,6 di bawah industri pangan (industri yang tidak diikutkan dalam regresi). Upah industri peralatan pada tingkat pendidikan yang sama adalah 49,9 di atas industri pangan. Mengapa angkanya menjadi semakin kecil dari sebelumnya? Hal ini disebabkan adanya perbedaan pendidikan di ketiga industri, perbedaan upah tidak semata disebabkan oleh perbedaan industri tetapi juga disebabkan oleh perbedaan pendidikan. Ini dapat juga dikatakan bahwa pendidikan menjadi variabel KONTROL yan bertugas memurnikan pengaruh perbedaan industri atas upah.
d. Regresi Dengan Variabel Dummy (Boneka) Analisis regresi tidak saja digunakan
untuk data-data kuantitatif (misal : dosis pupuk), tetapi juga bisa digunakan untuk data kualitatif (misal : musim panen). Jenis data kualitatif tersebut seringkali menunjukkan keberadaan klasifikasi (kategori) tertentu, sering juga dikatagorikan variabel bebas (X) dengan klasifikasi pengukuran nominal dalam persamaan regresi. Sebagai contoh, bila ingin meregresikan pengaruh kondisi kemasan produk dodol nenas terhadap harga jual. Pada umumnya, cara yang dipakai untuk penyelesaian adalah memberi nilai 1 (satu) kalau kategori yang dimaksud ada dan nilai 0 (nol) kalau kategori yang dimaksud tidak ada (bisa juga sebaliknya, tergantung tujuannya). Dalam kasus kemasan ini, bila kemasannya menarik diberi nilai 1 dan bila tidak menarik diberi nilai 0. Variabel yang mengambil nilai 1 dan 0 disebut variabel dummy dan nilai yang diberikan dapat digunakan seperti variabel kuantitatif lainnya.
