Dr. Masarina Flukeria, M.S.E., M.P.P.

Video ini membahas analisis regresi dengan multi-kategori, di mana penting untuk memutuskan benchmark dalam analisis. Dummy variable digunakan untuk menggambarkan detail dari setiap kategori, seperti tingkat pendidikan. Struktur data harus disesuaikan dengan kondisi multi-kategori untuk analisis regresi yang akurat. Pemilihan benchmark, contohnya S1, mempengaruhi interpretasi hasil analisis terhadap kategori lainnya. Penting untuk membandingkan data dengan benchmark yang dipilih untuk mendapatkan insight yang tepat dalam analisis regresi. Semoga penjelasan ini membantu dalam memahami penggunaan dummy variable dalam regresi dan cara interpretasinya.

Oke, sekarang kita akan maju lagi bagaimana membuat mode regresi tapi dengan multi-kategorik.

Situasinya kamu berhadapan dengan multi-kategorik variable.

Nah, contohnya seperti ini, daripada kamu ingin menganalisis misalkan tenaga kerja terdidik,

terdidik dengan tenaga kerja tidak terdidik,

tidak terdidik terhadap upah gaji yang diterima,

nah kalau tenaga kerja tidak terdidik dengan ini kan sebenarnya kamu bisa 1-0 kan, seperti ini.

Tapi daripada kamu bekerja seperti ini, mungkin orang akan lebih tertarik kalau kamu menjabarkannya lebih detail lagi.

Artinya apa? Artinya tolong dong terdidik itu yang bagaimana, yang tidak terdidik itu yang bagaimana.

Atau kamu tolong sampaikan bagaimana kalau kamu menyampaikannya dengan tingkat pendidikan yang nyata ketika orang-orang tersebut bekerja.

Oke, sekarang daripada kamu kerja begini, mendingan kamu bekerja dengan tenaga kerja tingkat pendidikan SD,

tenaga kerja tingkat pendidikan SMP, tenaga kerja tingkat pendidikan SMA,

tenaga kerja tingkat pendidikan misalkan S1, tenaga kerja tingkat pendidikan S2 atau S3 seperti ini.

Nah, kalau kamu sudah bicara seperti ini, artinya kan kamu sudah tidak bicara 1-0 seperti ini kan, betul nggak?

Terus bagaimana cara membuat dummy variable-nya ketika saya tertarik dengan multi-kategorik begini,

tenaga kerja terdidik tapi saya jabarkan secara lebih detail lagi.

Nah, kalau sudah bicara multi-kategorik seperti ini, tahap pertama yang harus kamu kerjakan itu adalah mana benchmarknya.

Kamu harus memutuskan tingkat pendidikan atau tenaga kerja pada tingkat pendidikan mana yang kamu jadikan sebagai dasar analisis,

Nah, misalkan kamu bilang bahwa saya ingin benchmarknya itu adalah S1.

Oke, nah ketika kamu bilang benchmarknya itu adalah S1, berarti S1 ini akan dijadikan sebagai dasar analisis

Ya, karena dia dijadikan sebagai dasarnya.

Jadi ketika membuat model, maka inilah yang akan terjadi pada model kamu.

Y sama dengan alpha plus beta, beta D di sini, D1, lalu plus beta 2, D2.

Ini anggap ini adalah D1 ya, ini adalah D2, ini adalah D3, ini adalah D4.

Ini D3 yang ini D3 diploma ya, bukan D3 dummy.

Nah sekarang plus beta 3, D3 plus beta 4, D4 plus error.

Ketika kamu berhadapan dengan situasi ini, lalu bagaimana cara struktur data yang terjadi?

Ini adalah kondisi D1, ini kondisi D2, ini kondisi D3, ini kondisi D4.

Bayangkan struktur datanya, berarti kira-kira struktur datanya itu akan seperti ini.

Ini adalah nama, lalu ini misalkan tingkat pendidikan, lalu ini adalah upah.

Nah, kira-kira seperti ini kan, lalu misalkan namanya A, lalu tingkat pendidikannya adalah SD, upahnya misalkan A11.

Lalu B, tingkat pendidikannya misalkan SMA, lalu upahnya adalah B11.

Lalu ini adalah C, tingkat pendidikannya S1, D3 atau S1, ini diploma atau sarjana, maka di sini upahnya adalah C11.

Demikian seterusnya, dan bagaimana kamu bisa mendefine D1 di sini?

Jadi ketika A, tingkat pendidikannya SD, maka dia itu adalah 1, betul?

Di sini 1, berarti dia ini adalah 1, dan ini kalau misalkan dia SD1, ini saya hapus ya,

ini agak rumit kalau misalkan multi-kategorik, berarti dari data kamu di lapangan seperti ini, kamu pindah ke data kamu untuk pengolahannya,

berarti pengolahannya itu adalah, ini nama, maka di sini adalah SD, lalu SD, SMP, SMA, ini apa?

D3, S1, lalu ini adalah S1, S2, nah ini adalah upah, satu lagi upah ya, sorry nggak kelihatan, tapi anggap saja seperti itu,

berarti ini adalah A, B, S1, S2, S2, S3 di sini, S2, S3, A, B, C.

Nah, kamu harus punya struktur data seperti ini, A itu SD, oke, berarti SD itu adalah 1, berarti yang lainnya adalah B itu apa?

B itu SMA kan, berarti dia 0 di sini, C itu apa? D3 atau S1, berarti dia 0 di sini, oke, berarti A di sini adalah 0, SMA di sini 0,

di sini 0, di sini 0, lalu B, B itu apa? SMA, berarti dia 0 di sini, lalu SMA itu adalah 1, D3 atau S1 dia 0,

sementara ini adalah 0, kalau upahnya pasti ada kan, ini adalah A11, ini adalah B11, ini adalah C11, itu upahnya.

Nah, masalahnya kan menentukan dummy-nya ini, nah yang C, C itu apa? D3 atau S1, berarti dia kan SD-nya 0, SMP-nya 0, SMA-nya 0,

D3 atau S1-nya berarti dia 1, ini berarti 0, berarti ini S2, S3-nya juga 0, seperti itu kan.

Sampai di sini, kira-kira jelas nggak secara tabulasi table-nya, bahwa yang satu di sini hanya A, yang satu di SMA itu hanya B,

yang satu di D3 atau S1 itu hanya C, jadi kamu tuh harus merubah data yang dari lapangan, hasil survei itu, itu kamu ubah menjadi struktur datanya seperti ini.

Nah, masalahnya adalah tadi, sorry, tadi benchmark-nya apa?

Benchmark-nya S1, berarti kalau benchmark-nya S1, kamu tadi saya bilang apa?

Kamu tidak perlu menuliskan benchmark-nya seperti ini, karena ini adalah benchmark, ini adalah dasar.

Oke, harusnya kan kamu bikin kan harusnya, tapi karena ini adalah dasar, dasar analisis, artinya kamu tidak perlu lagi menuliskan seperti ini.

Mengapa saya katakan dasar dan bagaimana hubungannya dengan analisis?

Jadi intinya seperti ini, ketika kamu melakukan analisis, semua kamu bandingkan dengan S1, D3 atau S1.

Ketika hasilnya itu, misalkan hasilnya itu adalah Rp10.000 pada intercept-nya,

maka kamu bisa menjelaskan apakah Rp10.000 itu koefisiennya negatif atau koefisiennya positif setelah nanti diolah.

Ketika hasilnya positif, Rp10.000 misalkan, artinya apa?

Bahwa upah tingkat SD lebih tinggi Rp10.000 daripada upah yang dimiliki oleh orang-orang yang memiliki tingkat pendidikan D3 atau S1, seperti itu.

Tapi kalau hasilnya negatif, kan saya tidak tahu hasilnya, harus diolah dulu.

Tapi kalau hasilnya negatif nanti pada koefisiennya, artinya apa?

Artinya adalah orang-orang yang berpendidikan atau tenaga kerja yang berpendidikan SD,

itu upahnya lebih rendah daripada orang-orang yang memiliki tingkat pendidikan D3 atau S1.

Itu baru analisis SD-nya, nanti yang SMP-nya juga seperti itu, yang SMA-nya juga seperti itu, dan yang S2 sama S3-nya juga seperti itu.

Artinya di sini adalah ketika bekerja dengan multi-kategorik,

kamu harus bisa memutuskan mana dasar-dasar analisis kamu.

Kamu bisa pilih benchmarknya SMA, kamu bisa pilih benchmarknya SMP, atau apapun itu.

Ketika sudah tahu benchmarknya, disanalah kamu harus membandingkan angka yang kamu peroleh.

Apakah dia lebih tinggi daripada benchmark, atau dia lebih rendah daripada benchmark.

Semoga hal ini membuat teman-teman menjadi lebih paham lagi bagaimana menggunakan mode regresi dengan dummy variable,

dan bagaimana cara menginterpretasikannya, khususnya poin di sini adalah tentukan benchmark kamu,

dari sanalah kamu bisa melakukan analisis.