Metode Analisis Data

4.6. Metode Analisis Data

Analisis data yang digunakan dalam menganalisis faktor-faktor yang mempengaruhi produktivitas tenaga kerja langsung adalah analisis data secara Analisis data yang digunakan dalam menganalisis faktor-faktor yang mempengaruhi produktivitas tenaga kerja langsung adalah analisis data secara

Analisis data secara statistika kuantitatif dilakukan dengan menggunakan analisis regresi berganda yang dilanjutkan dengan analisis regresi komponen utama (Principal Component Regresson atau PCR) dan menggunakan bantuan program komputer MINITAB 14. Analisis kuantitatif ini digunakan untuk mengetahui kuat tidaknya hubungan antara variabel berpengaruh (X) yaitu faktor- faktor produktivitas pekerja dengan variabel terpengaruh (Y) yaitu tingkat produktivitas pekerja per individu.

Model regresi linier berganda adalah model regresi yang digunakan untuk melihat hubungan antara satu variabel terikat dengan beberapa variabel bebas.

Produktivitas = f (X 1 , ... Xn) ; dengan n = 24

Model produktivitas pekerja dapat ditulis dalam bentuk persamaan regresi linier berganda yaitu : Y= a+ß 1 X 1 +ß 2 D 2 +ß 3 D 3 +ß 4 X 4 +ß 5 X 5 +ß 6 D 6 +ß 7 X 7 +ß 8 X 8 +ß 9 D 9 +

ß 10 D 10 +ß 11 D 11 +ß 12 X 12 +ß 13 D 13 +ß 14 X 14 +ß 15 X 15 +ß 16 X 16 +ß 17 X 17 + ß 18 X 18 +ß 19 X 19 +ß 20 X 20 +ß 21 X 21 +ß 22 X 22 +ß 23 X 23 +ß 24 X 24

Keterangan :

Y = Produktivitas kerja rata-rata per individu (dalam satuan persen)

X 1 = Usia (dalam satuan tahun)

D 2 = Tingkat pendidikan (SMU = 1, SLTP = 0)

D 3 = Status kerja (pekerja tetap =1, pekerja kontrak = 0)

X 4 = Masa kerja (dalam satuan tahun)

X 5 = Pengalaman kerja di industri ban (dalam satuan tahun)

D 6 = Status pernikahan (menikah = 1, belum menikah = 0)

X 7 = Pendapatan istri (dalam satuan rupiah)

X 8 = Jumlah tanggungan keluarga (dalam satuan orang)

D 9 = Indeks Massa Tubuh (IMT normal = 1, IMT di atas/di bawah normal = 0)

D 10 = Penyakit ringan (sering menderita penyakit ringan = 1, jarang = 0)

D 11 = Penyakit berat (memiliki penyakit berat = 1, tidak memiliki = 0)

X 12 = Banyaknya ijin sakit (dalam satuan hari)

D 13 = Pelatihan kerja di luar PT. Intirub (pernah mengikuti = 1, tidak pernah = 0)

X 14 = Persepsi tugas pekerjaan (total skor)

5 – 8 = tidak memuaskan

9 – 11 = biasa saja

12 – 15 = memuaskan

X 15 = Pendapatan tambahan dari luar (dalam satuan rupiah)

X 16 = Persepsi kepuasan pendapatan (total skor)

5 – 8 = tidak memuaskan

9 – 11 = biasa saja

12 – 15 = memuaskan

X 17 = Peringatan tertulis (jenis PT I = 1, jenis PT II = 2, jenis PT III = 3)

X 18 = Ketidakhadiran tanpa keterangan (dalam satuan hari)

X 19 = Persepsi disiplin kerja

4 – 6 = tidak memuaskan

7 – 9 = biasa saja

10 – 12 = memuaskan

X 20 = Persepsi kondisi fisik tempat kerja (total skor)

6 – 9 = tidak memuaskan

10 – 14 = biasa saja

15 – 18 = memuaskan

X 21 = Persepsi hubungan sesama rekan kerja (total skor)

5 – 8 = tidak terjalin erat

9 – 11 = biasa saja

12 – 15 = terjalin erat

X 22 = Persepsi hubungan kepemimpinan (total skor)

X 23 = Kendala ketersediaan bahan baku (dalam satuan persen)

X 24 = Kendala kelancaran mesin (dalam satuan persen)

Berdasarkan perumusan model produktivitas kerja tersebut, hipotesis kerja yang akan dibuktikan dalam penelitian ini adalah sebagai berikut :

1. Dari seluruh faktor-faktor yang akan diuji, setidaknya terdapat salah satu faktor yang berpengaruh nyata terhadap produktivitas kerja.

2. Faktor-faktor yang diduga berpengaruh positif terhadap produktivitas kerja adalah faktor ketrampilan (meliputi usia, pendidikan, masa kerja, pengalaman kerja di industri ban dan pelatihan kerja di luar), jumlah tanggungan keluarga, status gizi pekerja (IMT), faktor sistem kerja (status kerja dan persepsi seorang pekerja terhadap tugas pekerjaannya), kepuasan pendapatan, persepsi disiplin kerja, dan faktor lingkungan kerja (kondisi fisik kerja, hubungan rekan kerja, dan hubungan kepemimpinan).

3. Faktor-faktor yang diduga berpengaruh negatif terhadap produktivitas kerja adalah besarnya pendapatan istri, faktor kesehatan (frekuensi penyakit ringan dan penyakit berat, banyaknya ijin sakit), banyaknya pendapatan tambahan, faktor kedisiplinan (jenis peringatan tertulis dan banyaknya ketidakhadiran tanpa keterangan), dan faktor sarana produksi (kendala ketersediaan bahan baku dan kendala kelancaran mesin).

4.6.1. Pengujian Asumsi Utama Analisis Regresi

Menurut Santoso (2001), analisis regresi mengandung empat asumsi utama yaitu asumsi multikolinieritas, homoskedastisitas, normalitas, dan autokorelasi.

1. Multikolinieritas Multikolinieritas adalah adanya hubungan korelasi yang kuat diantara variabel- variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebasnya. Cara mendeteksi adanya masalah multikolinieritas 1. Multikolinieritas Multikolinieritas adalah adanya hubungan korelasi yang kuat diantara variabel- variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebasnya. Cara mendeteksi adanya masalah multikolinieritas

2. Homoskedastisitas Asumsi homoskedastisitas pada dasarnya menyatakan bahwa nilai- nilai Y (variabel tak bebas) bervariasi dalam satuan yang sama, baik untuk residual yang tinggi maupun residual yang rendah. Dengan kata lain, jika keragaman (varians) dari residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas. Salah satu cara yang dapat digunakan untuk menguji asumsi homoskedastisitas adalah dengan membuat plot antara standardized residual dengan Y. Asumsi homoskedastisitas dapat terpenuhi jika dalam analisis plot tidak membentuk pola-pola tertentu yang jelas serta titik-titik menyebar di atas dan dibawah angka nol pada sumbu y (titik-titik menyebar secara acak)

3. Normalitas Asumsi normalitas artinya nilai variabel tak bebas didistribusikan secara normal terhadap nilai variabel bebas. Asumsi normalitas digunakan untuk menguji apakah dalam sebuah model regresi, variabel tak bebas, variabel bebas, atau keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah model yang memiliki distribusi normal atau mendekati garis 3. Normalitas Asumsi normalitas artinya nilai variabel tak bebas didistribusikan secara normal terhadap nilai variabel bebas. Asumsi normalitas digunakan untuk menguji apakah dalam sebuah model regresi, variabel tak bebas, variabel bebas, atau keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah model yang memiliki distribusi normal atau mendekati garis

4. Autokorelasi Pengujian asumsi autokorelasi pada dasarnya untuk melihat apakah dalam sebuah model regresi linier terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (periode sebelumnya). Jika terdapat korelasi maka model regresi tersebut memiliki masalah autokorelasi. Model regresi yang baik adalah model regresi yang terbebas dari masalah autokorelasi. Menur ut Supranto (2001), salah satu cara yang dapat digunakan untuk melihat adanya autokorelasi adalah dengan melihat nilai Durbin-Watson statistic (D-W) dengan hipotesis sebagai berikut :

H 0 : tidak ada autokorelasi yang positif

H 1 : ada korelasi yang positif Jika nilai durbin-watson < nilai d L maka tolak H 0 artinya model regresi tersebut memiliki autokorelasi. Jika nilai durbin-watson > nilai d U maka H 0 tidak dapat ditolak artinya model regresi tersebut tidak memiliki autokorelasi. Akan tetapi, jika nilai d L (lower bound) < nilai durbin-watson < nilai d U (upper bound) maka tidak dapat diambil kesimpulan dan memerlukan observasi lebih lanjut apakah model tersebut memiliki autokorelasi atau tidak.

4.6.2. Analisis Regresi Linier Berganda

Hasil regresi berganda dianalisis dengan melihat keterandalan model, analisis keragaman, dan pengujian hipotesis parameter regresi.

1. Keterandalan model Menurut Mattjik (2002), keterandalan dari model regresi yang diperoleh dapat dilihat dari kemampuan model tersebut menerangkan keragaman nilai variabel tak bebas. Ukuran ini sering disebut dengan koefisien determinasi

dilambangkan dengan R-sq (R 2 ) yang dapat memperlihatkan kemampuan variabel bebas secara bersama-sama menjelaskan keragaman variabel tak bebas.

Semakin besar nilai R-sq berarti model regresi semakin mampu menerangkan perilaku variabel tak bebas. Kisaran dari nilai R-sq mulai dari 0% sampai 100%.

Jumlah kudrat R 2 = regresi Jumlah kuadrat to tal

2. Analisis keragaman Analisis ragam digunakan untuk menguji pengaruh variabel bebas terhadap variabel tak bebas secara simultan (Mattjik, 2002). Pengujiannya dengan menggunakan uji F. Pengujian secara simultan dimaksudkan untuk melihat pengaruh variabel bebas secara bersama-sama terhadap variabel tak bebas. Bentuk hipotesis yang diuji dari ana lisis ragam adalah :

H 0 :ß 1 =ß 2 = ... = ß p

H 1 : ada i dimana ß i ?0 Jumlah regresi

derajat bebas regresi

F-hitung = Jumlah kuadrat sisa

derajat bebas sisa

Jika nilai F-hitung lebih besar dari nilai Ftabel (F a(k,(n -k-1)) ) atau jika peluang

nyata (P) lebih kecil dari nilai taraf nyata (a) maka H 0 ditolak artinya dari banyaknya variabel bebas (k) yang dilibatkan dalam model regresi linier berganda tersebut diharapkan terdapat paling sedikit satu variabel bebas yang berpengaruh langsung terhadap variabel tak bebas.

3. Pengujian hipotesis parameter regresi Pengujian hipotesis parameter regresi digunakan untuk melihat pengaruh variabel bebas secara parsial. Pengujian ini akan berguna jika pada pengujian analisis ragam diperoleh kesimpulan bahwa terdapat paling sedikit satu variabel bebas yang berpengaruh terhadap variabel tak bebas sehingga pengujian t-hitung akan sangat bermanfaat untuk menunjukkan variabel bebas mana yang berpengaruh terhadap variabel tak bebas. Bentuk hipotesis parsialnya dapat dituliskan sebagai berikut :

H 0 :ß i =k

H 1 :ß i ?k

bi T-hitung = Se(bi)

Keterangan : bi = koefisien regresi Se(bi) = simpangan baku untuk koefisien regresi ke- i Jika nilai t- hitung lebih besar dari nilai t-tabel (t a(n-k-1) ) maka H 0 ditolak artinya variabel bebas yang diuji tersebut berpengaruh nyata terhadap variabel tak bebas.

4.6.3. Analisis Regresi Komponen Utama

Analisis regresi komponen utama merupakan suatu analisis kombinasi antara analisis regresi dan analisis komponen utama. Analisis regresi komponen Analisis regresi komponen utama merupakan suatu analisis kombinasi antara analisis regresi dan analisis komponen utama. Analisis regresi komponen

PC-Score = a i xz i

z i = vektor skor baku peubah yang diamati dari unit ke- i. Kriteria menentukan banyaknya komponen utama dilihat dari nilai

eigenvalue yang lebih besar dari satu, adanya patahan pada scree plot, atau dengan melihat persentase keragaman yang lebih besar dari satu. Setelah diperoleh skor komponen utama, variabel tak bebas (Y) diregresikan dengan skor komponen utama untuk menghasilkan penduga koefisien regresi untuk p komponen utama. Semakin besar loading komponen tersebut maka semakin besar variabel bebas tersebut berkorelasi dengan komponen utama. Hal ini dapat dilihat dari nilai korelasi Pearson antara komponen-komponen utama tersebut dengan masing- masing variabel bebas.