IV. METODE PENELITIAN
4.6. Metode Analisis Data
Analisis data yang digunakan dalam menganalisis faktor-faktor yang mempengaruhi produktivitas tenaga kerja langsung adalah analisis data secara
statistika dekripsi dan statistika kuantitatif. Statistika deskripsi digunakan untuk mengumpulkan, menyederhanakan, dan menyajikan data sehingga dapat memberikan informasi mengenai produktivitas kerja operator Tire Building dan faktor- faktor yang mempengaruhinya, belum sampai pada upaya menarik suatu kesimpulan.
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 (X1, ... Xn) ; dengan n = 24
Model produktivitas pekerja dapat ditulis dalam bentuk persamaan regresi linier berganda yaitu :
Y = a + ß1X1 + ß2D2 + ß3D3 + ß4X4 + ß5X5 + ß6D6 + ß7X7 + ß8X8 + ß9D9 +
ß10D10 + ß11D11 + ß12X12 + ß13D13 + ß14X14 + ß15X15 + ß16X16 + ß17X17 +
ß18X18 + ß19X19 + ß20X20 + ß21X21 + ß22X22 + ß23X23 + ß24X24
Keterangan :
Y = Produktivitas kerja rata-rata per individu (dalam satuan persen) X1 = Usia (dalam satuan tahun)
D2 = Tingkat pendidikan (SMU = 1, SLTP = 0)
D3 = Status kerja (pekerja tetap =1, pekerja kontrak = 0)
X4 = Masa kerja (dalam satuan tahun)
D6 = Status pernikahan (menikah = 1, belum menikah = 0)
X7 = Pendapatan istri (dalam satuan rupiah)
X8 = Jumlah tanggungan keluarga (dalam satuan orang)
D9 = Indeks Massa Tubuh (IMT normal = 1, IMT di atas/di bawah normal = 0)
D10 = Penyakit ringan (sering menderita penyakit ringan = 1, jarang = 0)
D11 = Penyakit berat (memiliki penyakit berat = 1, tidak memiliki = 0)
X12 = Banyaknya ijin sakit (dalam satuan hari)
D13 = Pelatihan kerja di luar PT. Intirub (pernah mengikuti = 1, tidak pernah = 0)
X14 = Persepsi tugas pekerjaan (total skor)
5 – 8 = tidak memuaskan 9 – 11 = biasa saja
12 – 15 = memuaskan
X15 = Pendapatan tambahan dari luar (dalam satuan rupiah)
X16 = Persepsi kepuasan pendapatan (total skor)
5 – 8 = tidak memuaskan 9 – 11 = biasa saja
12 – 15 = memuaskan
X17 = Peringatan tertulis (jenis PT I = 1, jenis PT II = 2, jenis PT III = 3)
X18 = Ketidakhadiran tanpa keterangan (dalam satuan hari)
X19 = Persepsi disiplin kerja
4 – 6 = tidak memuaskan 7 – 9 = biasa saja
10 – 12 = memuaskan
X20 = Persepsi kondisi fisik tempat kerja (total skor)
6 – 9 = tidak memuaskan 10 – 14 = biasa saja
15 – 18 = memuaskan
X21 = Persepsi hubungan sesama rekan kerja (total skor)
5 – 8 = tidak terjalin erat 9 – 11 = biasa saja
12 – 15 = terjalin erat
X22 = Persepsi hubungan kepemimpinan (total skor)
7 – 11 = otoriter 12 – 16 = netral 17 – 21 = demokratis
X23 = Kendala ketersediaan bahan baku (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
adalah melihat nilai Variance Inflation Factors (VIF) dan nilai korelasi Pearson diantara variabel- variabel bebas. Model yang memiliki masalah multikolinieritas adalah model yang memiliki nilai VIF lebih besar dari sepuluh dan nilai korelasi Pearson yang hampir mendekati satu. Salah satu cara untuk menghilangkan atau menguranginya adalah dengan mengeluarkan salah satu variabel yang berkorelasi dengan variabel bebas lainnya karena pengaruh variabel bebas tersebut sebenarnya sudah diwakili oleh variabel bebas lainnya. 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
normal. Menurut Santoso (2001), salah satu cara yang dapat digunakan untuk menguji asumsi normalitas adalah dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik normal probability plot of the residual. Asumsi normalitas dapat terpenuhi jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal tersebut.
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 : H0 : tidak ada autokorelasi yang positif
H1 : ada korelasi yang positif
Jika nilai durbin-watson < nilai dL maka tolak H0 artinya model regresi tersebut
memiliki autokorelasi. Jika nilai durbin-watson > nilai dU maka H0 tidak dapat
ditolak artinya model regresi tersebut tidak memiliki autokorelasi. Akan tetapi, jika nilai dL (lower bound) < nilai durbin-watson < nilai dU (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 (R2) 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%. R2 = tal kuadrat to Jumlah regresi kudrat Jumlah 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 :
H0 : ß1 = ß2 = ... = ßp H1 : ada i dimana ßi ? 0 F-hitung = sisa bebas derajat sisa kuadrat Jumlah regresi bebas derajat regresi Jumlah
Jika nilai F-hitung lebih besar dari nilai Ftabel (Fa(k,(n -k-1))) atau jika peluang
nyata (P) lebih kecil dari nilai taraf nyata (a) maka H0 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 :
H0 : ßi = k H1 : ßi ? k
T-hitung = Se(bi)
bi
Keterangan : bi = koefisien regresi
Se(bi) = simpangan baku untuk koefisien regresi ke- i
Jika nilai t- hitung lebih besar dari nilai t-tabel (ta(n-k-1)) maka H0 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
utama ditetapkan bila dalam pembentukan model pendugaan variabel bebas yang digunakan banyak dan terdapat hubungan yang erat antar variabel bebasnya (Timm, 2002). Misalkan matriks variabel asal dilambangkan dengan X(nxk). Dari
pendugaan dengan regresi komponen utama akan diperoleh p komponen utama yang diturunkan dari matriks korelasi R. Dari tiap-tiap komponen utama dihitung skor komponen utama (PC-Score).
PC-Score = ai x zi
zi = 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.