Volume 1, Nomor 2, Desember 2020

IMPLEMENTASI MODEL REGRESI LINEAR SEDERHANA UNTUK PREDIKSI

GAJI BERDASARKAN PENGALAMAN LAMA BEKERJA
Yayan Adrianova Eka Tuah1, Anyan2
1,2
Program Studi Pendidikan Komputer, STKIP Persada Khatulistiwa Sintang
Email: [email protected], [email protected]

Informasi Artikel ABSTRACT

The company cannot be separated from the workforce. Even though the
Riwayat artikel : company has advanced technology and large capital. One of the important
Disubmit : 27 Nopember 2020 factors to boost the performance of the workforce is the provision of
Direvisi : 11 Desember 2020 appropriate salaries based on the length of time they work. This study aims
Diterima : 28 Desember 2020 to determine the prediction of employee salaries based on years of service.
Dipublikasi : 30 Desember In this study, the factors that were tested included independent variables in
2020 the form of salary and years of service. Then the dependent variable is
employee performance. This type of research is ex-post facto research to
find out events that have occurred in the company as predictors of employee
performance. Methods of data collection using a questionnaire
(questionnaire). Instrument validation uses expert opinion and product-
Keywords:
Salary, Work experience, moment correlation. The data analysis technique uses linear regression
Performance, Linear analysis in python machine learning to determine the effect of the
Regression independent variable on the dependent variable. The results obtained from
this study are a positive and significant influence between salary and years
of service on employee performance. The conclusion that can be drawn is
that the independent variable can be used as a predictor of the dependent
variable. This means that the greater the salary and the longer the working
period, the better the employee's performance will be.

ABSTRAK
Perusahaan tidak dapat dipisahkan dengan tenaga kerja. Sekalipun
Kata Kunci: perusahaan mempunyai teknologi canggih dan modal besar. Salah satu
Gaji, Pengalaman Bekerja, faktor penting untuk mendongkrak kinerja tenaga kerja adalah pemberian
Kinerja, Regresi Linear gaji yang sesuai berdasarkan lama waktu mereka bekerja. Penelitian ini
bertujuan untuk mengetahui prediksi gaji karyawan berdasarkan tahun lama
masa kerja. Dalam penelitian ini, faktor-faktor yang dilakukan pengujian di
antaranya variabel independen berupa gaji dan masa kerja. Kemudian
variabel dependen beupa kinerja karyawan. Jenis penelitian ini adalah
penelitian ex-post facto untuk mengetahui peristiwa yang sudah terjadi
dalam perusahaan sebagai prediktor kinerja karyawan. Metode
pengumpulan data menggunakan metode angket (kuesioner). Validasi
instrumen menggunakan pendapat ahli dan korelasi product moment. Teknik
analisis data menggunakan analisis regresi linear dalam python machine
learning untuk pengetahui pengaruh variable bebas terhadap variable terikat.
Hasil yang didapatkan dari penelitian ini adalah adanya pengaruh positif dan
signifikan antara gaji dan masa kerja terhadap kinerja karyawan. Simpulan
yang dapat diambil adalah variable bebas dapat digunakan sebagai prediktor
variable terikat. Artinya semakin besar gaji dan semakin lama masa kerja
maka kinerja karyawan akan semakin baik.

56
 Volume 1, Nomor 2, Desember 2020

PENDAHULUAN
Trend perkembangan ilmu pengetahuan dan teknologi saat ini adalah revolusi industri 4.0. Integrasi
teknologi digital berbasis cyber physical system pada hampir semua bidang pekerjaan menjadi ciri
hadirnya revolusi industri tersebut (Schwab, 2016). Teknologi ini memungkinkan terhubungnya
manusia dengan manusia, manusia dengan mesin, dan mesin dengan mesin (Devi et al., 2020; Xu et al.,
2018). Perubahan karakteristik pekerjaan menjadi dampak tersendiri dari hadirnya revolusi industri 4.0
(Shahroom & Hussin, 2018). Karakteristik pekerjaan yang berubah akan mendisrupsi pekerjaan yang
telah ada dan menggantikanya dengan pekerjaan dengan karakteristik baru (Kergroach, 2017).
Karakteristik baru pada pekerjaan juga membutuhkan kompetensi baru pada para pekerja (Manda &
Dhaou, 2019; Sharma, 2019). Dengan demikian, sangat penting bagi suatu negara untuk
mengembangkan kompetensi berbasis industri 4.0 pada sumber daya manusianya. Sekarang ini, dalam
dunia bisnis, setiap perusahaan harus bersiap untuk saling bersaing. Manajemen yang efektif dan
keunggulan perlu dimiliki oleh setiap perusahaan untuk menyambut persaingan itu. Dalam hal ini, salah
satu aspek yang berpengaruh besar terhadap kemajuan dan keberhasilan sebuah perusahaan adalah
kinerja dari karyawannya. Faktor yang berpengaruh secara internal dapat terlihat dari penentuan gaji
yang tepat oleh sebuah perusahaan kepada karyawan. Di samping itu juga perusahaan juga harus mau
mengeluarkan bonus bagi para karyawannya yang berhasil bekerja maksimal sesuai yang dibutuhkan
oleh perusahaan. Sementara itu, faktor yang berpengaruh secara eksternal dapat terlihat dari bagaimana
sebuah perusahaan mampu memberikan pengembangan dan pelatihan pada para karyawannya. Dalam
hal ini, perusahaan tidak dapat dipisahkan dengan tenaga kerja. Sekalipun perusahaan mempunyai
teknologi canggih dan modal besar. Dengan tidak terdapatnya tenaga manusia sebagai penggerak,
perusahaan tidak akan mampu meraih tujuan yang direncanakan. Oleh karenanya, diharapkan sumber
daya manusia dapat mengalami peningkatan tahun demi tahun, seiring dengan berkembangnya
teknologi dan majunya zaman. Salah satu masalah yang dihadapi adalah bagaimana mengetahui gaji
yang akan dikeluarkan berdasarkan lama bekerja. Dalam penelitian ini, usulan penggunaan metodenya
adalah dengan menggunakan perhitungan regresi sederhana. Pemilihan metode ini bertujuan agar nilai
variabel terikat dapat diketahui dengan cara melakukan perhitungan pengaruh dari beberapa variable
bebas. Pengembangan sistem ini, harapannya memberikan bantuan dalam memberikan prediksi kisaran
gaji yang akan ditentukan berdasarkan berapa lama karyawan tersebut bekerja.

57
 Volume 1, Nomor 2, Desember 2020

METODE PENELITIAN
Penelitian ini merupakan jenis penelitian deskriptif kualitatif yang menggunakan regresi linear
sederhana dengan menggunakan Bahasa Python. Penelitian deskriptif adalah penelitian yang
memberikan atau menggambarkan suatu keadaan atau fenomena yang ada dengan menggunakan proses
ilmiah untuk menjawab permasalahan dunia nyata. Analisis data dilakukan secara kualitatif, termasuk
mencari permasalahan yang lebih mendalam tentang suatu fenomena, fakta, atau peristiwa. Fakta,
masalah, gejala dan peristiwa hanya dapat dipahami oleh peneliti bila diamati dan tidak dibatasi oleh
ide-ide yang dangkal. Oleh karena itu, peneliti deskriptif kualitatif sering digunakan untuk menganalisis
peristiwa, fenomena, atau situasi sosial.
Pemograman Phyton
Python merupakan bahasa pemrograman interpretatif multiguna yang menggunakan filosofi
rancangannya berfokus pada tingkat keterbacaan kode. Sebagai bahasa pemrograman, Python
menggabungkan kemampuan, kapabilitas dan sintaksis kode serta fungsi pustaka yang bermutu tinggi
(Asadi, 2015). Secara umum, bahasa pemrograman hasil rancangan dari Guido van Rossum ini
sesungguhnya sangat banyak dipakai oleh masyarakat umum dalam pembuatan program. Misalnya,
aplikasi smartphone, program CLI, program GUI (desktop), game, web, IoT, program untuk hacking
dan sebagainya (A Python Book: Beginning Python, Advanced Python, and Python Exercises.
web.archive.org). Aplikasi kasir adalah program kasir, fungsiny adalah sebagai alat bantu dalam proses
transaksi penjualan bisnis. Fungsi pokok aplikasi kasi, yang merupakan bentuk penggantian posisi
mesin kasir konvensional, adalah membantu proses transaksi seperti pembayaran secara integratif.
Aplikasi ini meggunakan metode Modular programming dimana Modular programming adalah teknik
pemrograman dengan memisahkan kode menjadi beberapa bagian yang disebut dengan modules.
Tujuannya untuk mengurangi ketergantungan antar modul. Teknik ini biasanya digunakan untuk
software berskala besar. Software ini memiliki banyak modul di built sendiri-sendiri yang kemudian
digabungkan untuk menjalankan fungsionalitas software tersebut. Dalam bahasa python, modul
diimplementasikan dalam file berekstensi .py yang berisi sekumpulan kode untuk menjalankan task
tertentu. Modul dapat berisi class, function, statement, atau kode-kode yang lain. Salah satu keuntungan
penggunaan modul adalah reusable. Artinya modul ini dapat dipanggil oleh modul lain yang berbeda-
beda.
Regresi Linear
Regresi linear (linear regression) adalah metode yang dipakai untuk memperoleh model hubungan
antara variabel dependen dan variabel independent (Walpole et al., 2012). Terdapat 2 jenis regresi linear
yaitu, regresi linear sederhana (simple linear regression) dan regresi linear ganda (multiple linear

58
 Volume 1, Nomor 2, Desember 2020

regression). Perbedaan terdapat pada banyaknya variabel independen. Regresi linear sederhana adalah
metode yang dipakai untuk mendapatkan model hubungan antara satu variabel dependen dan satu
variabel independen, sedangkan regresi linear ganda metode yang digunakan untuk memperoleh model
hubungan antara satu variabel dependen dengan lebih dari satu variabel independen (Walpole et al.,
2012). Penganalisisan regresi sederhana adalah hubungan antara variabel berjumlah dua, khususnya
independent variable (variabel bebas), dan dependent variable (variabel tak bebas), sementara regresi
dobel atau berganda adalah hubungan antara setidaknya tiga variabel, khususnya sekitar dua variabel
bebas dengan satu variabel tak bebas.
a) Regresi Linier Sederhana
Penganalisisan regresi sederhana dipakai dalam menumbuhkan suatu persamaan yang
menampilkan bagaimana hubungan antara variabel bebas (independen) dan variabel terikat
(dependen), dan untuk mengantisipasi nilai variabel terikat jika nilai variabel bebasnya
bertambah atau berkurang. Persamaan yang memaparkan bagaimana hubungan antara faktor X
dan variabel Y dan model kesalahan dikenal sebagai model regresi. Model regresi yang dipakai
dalam regresi linear sederhana adalah:
:Y =
dengan:
b0 dan b1 = parameter.model
X = variabel.independen
a = parameteriintercept
b = parameterikoefisien regresi variabelibebas
b) Scikit-learn
Scikit-learn merupakan.modul Python yang menyediakan pelbagai jenis algoritma machine
learning. Bentuk library python merupakan bentuk yang tersedia dalam Scikit-learn. Scikit-
learn memanfaatkan task-oriented interface yang konsisten sehingga memudahkan dalam
membandingkan antarmetode (Pedregosa, et al., 2011). Dengan prediksi gaji terhadap lamanya
bekerja dapat dilakukan dengan model regresi linear sederhana, dimana makna dari regresi
sendiri adalah alat estimasi yang dipakai untuk melakukan pengukuran ada atau tidaknya
keterkaitan antarvariabel. Dalam penganalisisan regresi, kondisi regresi atau kondisi penilai
dibentuk untuk memperjelas contoh keterkaitan variabel apakah ada beneran keterkaitannya
satu sama lain. Keterkaitan yang diperoleh secara umum mengungkapkan hubungan praktis
antara veriabel-variabel yang dimaksud. ‘Regresi’ sendiri kali pertama dipopulerkan oleh
seorang pakar yang namanya adalah Fancis Galton pada tahun 1886. Menurut Galton (F.

59
 Volume 1, Nomor 2, Desember 2020

Galton, 1886), analisis regresi berkaitan dengan studi ketergantungan dari suatu variabel yang
disebut variabel tak bebas (dependent variable), pada satu atau variabel yang menjelaskan
dengan tujuan untuk memprediksi ataupun meramal nilai akhir dari variabel tak bebas apabila
sudah diketahui nilai variabel yang menjelaskannya. Variabel yang menerangkan sering disebut
variabel bebas (independent variable). Untuk mempelajari hubunganhubungan antara beberapa
variabel, analisis regresi dapat dilihat dari dua bentuk yaitu: (1). Analisis Regresi Sederhana
(Simple Regression) (2). Analisis Regresi Berganda (Multiple Regression).

HASIL DAN PEMBAHASAN

Dataset yang digunakan dalam hal ini adalah pengaruh gaji seseorang karyawan terhadap waktu
kerja karyawan di perusahaan. Kumpulan data diambil, diurutkan dan dikonversikan ke angka dan
Bahasa Indonesia untuk memudahkan dalam melakukan analisis terhadap pengaruh gaji karyawan.
(Jogiyanto, 1999:129), mendefinisikan analisis sistem merupakan proses mengurai dari suatu
sistem informasi yang utuh ke dalam bagian-bagian elemennya bertujuan untuk melakukan
pengidentifikasian dan evaluasi masalahan-masalah yang terjadi, kesempatan-kesempatan,
hambatan-hambatan dan keperluan-keperluan yang diuinginkan sehingga dapat dijadikan
sebagai usulan untuk memperbaiki. Mulyadi (2001:377) mengemukakan, “gaji merupakan
pembayaran atas penyerahan jasa yang dilakukan oleh karyawan baik yang mempunyai jabatan maupun
karyawan pelaksana”. Seorang karyawan menghasilkan gaji berupa:
1. Gaji Pokok
Ukuran pemberian gaji kepada pekerja adalah sesuai dengan posisi dan administrasi yang
diberikan kepada organisasi dan kompensasi dasar telah diselesaikan ketika pekerja melakukan
pekerjaan pertama kali.
2. Insentif
a. Uang makan dan transportasi
Merupakan ekspansi biaya seorang pekerja di samping gaji pokok dan ditentukan
tergantung pada level dan posisi sesuai keahliannya dengan menghitungnya setiap hari
tetapi diberikan kepada masing-masing saat gaiji dibayarkan.
b. Uang lembur
Menurut KEPMEN Pasal 1 Ayat 1 (2004:1), “waktu kerja lembur adalah waktu kerja yang
melebihi 7 (tujuh) jam sehari dan 40 (empat puluh) jam 1 (satu) minggu untuk 6 (enam)
hari kerja dalam 1 (satu) minggu atau 8 (delapan) jam sehari dan 40 (empat puluh) jam 1

60
 Volume 1, Nomor 2, Desember 2020

(satu) minggu untuk 5 (lima) hari kerja dalam 1 (satu) minggu atau waktu kerja pada hari
istirahat mingguan dan atau pada hari libur resmi yang ditetapkan.”
Tabel 1. Pengalaman Kerja Karyawan
Tahun_bekerja Gaji
1.1 39343
1.3 46205
1.5 37731
2 43525
2.2 39891
2.9 56642
3 60150
3.2 54445
3.2 64445
3.7 57189
3.9 63218
4 55794
4 56957
4.1 57081
4.5 61111
4.9 67938
5.1 66029
5.3 83088
5.9 81363
6 93940
6.8 91738
7.1 98273
7.9 101302
8.2 113812
8.7 109431
9 105582
9.5 116969
9.6 112635
10.3 122391
10.5 121872
Pengalaman kerja karyawan yang dikumpulkan merupakan tahun bekerja dan gaji. Tahun bekerja yang
diperoleh merupakan wawancara hasil perkiraan tahun bekerja dimulai dari tahun pertama bekerja.
Data Preprocessing
Hasil dari pengumpulan data yang dilakukan akan didaftar ke dalam tabel. File berformat CSV
merupakan data yang dipergunakan sebagai data training dalam melakukan penghitungan terhadap
prediksi. File berformat csv tersebut di-save ke dalam folder dengan nama static dan dilabeli dengan
Daftar_gaji.csv. Perubahan nilai data disesuaikan dengan mengacu tabel 1.

61
 Volume 1, Nomor 2, Desember 2020

Gambar 1. Skript import dataset gaji karyawan pada Python

Gambar 2. Hasil keluaran program

dataset.describe()berfungsi untuk melakukan analisis deskriptif secara otomatis terhadap dataset yang
dipilih.

Pengujian
Pembahasan pengujian dalam penelitian yang dilakukan ini adalah melakukan perbandingan pengaruh
variabelibebas terhadap variabeliterikat dengan mengacu korelasiiantara tiap-tiap variabel bebas (x) dan
variabeliterikat (y). Pengujianidengan melakukan pengukuran tingkat ketepatan pada model multiple
linear regresson. Pengujian ModeliLinear regression. Untuk melakukan pengujian dataisecara
menyeluruh, metode perhitungan akurasi sendiri akan diberlakukan. Penerapan metode melakukan
perhitungan nilai totalojumlah prediksi yang benar pada data memanfaatkan multipleolinear regression.
Untukimenetapkan koefisien-koefisieniregresi ( ) dapat diketahui dengan memakai kode berikut:

62
 Volume 1, Nomor 2, Desember 2020

Gambar 3. Skrip pengujian model regresi linear

Gambar 4. Grafik prediksi gaji berdasarkan lamanya bekerja

Keterangan:
 Line 2ihingga 4.adalah.mengimport.libraryiyang.dibutuhkan.

63
 Volume 1, Nomor 2, Desember 2020

 Line 7 mengimport data keipython.

 Line 8 menetapkan variabel independent (sumbu x) yakni kolomipertama/1i(Tahun_bekerja).
Perlu diberikan perhatian, saatimelakukanislicing memakaiimethod .values, haliini hanya
akan memotongidata tanpa headernya. Jikaitanpa .values makaiheader dari slicingiakan
diturutsertakan.
 Line 9 menetapkan variabel dependen (xumbu y) yakniikolom kei2 (Gaji).
 Line 12 mengimport library untukimemisahkan menjadi train set dan test.
 Line 13 memisahkan menjadi train set dan test, dengan train setnya adalah 2/3 dariidataset yang
ada. Andaibisa mengklik bagian Variableiexplorer di spyderiuntuk mengetahui hasil bagi
antara trainidan test setnya.
 Line 16.mengimport.class LinearRegression dariilibrary sklearn.linear_model yang dibutuhkan
dalam pembuatan modeliregresi.
 Line 17 menciptakan objekiregressor sebagai fungsiidari LinearRegression. Hanya dengan
menuliskan LinearRegression(), model regresiisudah dipersiapkan. Jika Anda kursor diarahkan
padaiLinearRegression kemudian mengklik CTRL + iomaka akan tampil objectiinspector
untukiLinearRegression. Di tahap ini, Anda bisa mengetahui parameteriapa saja yang
dibutuhkan.
 Line 18 menciptakan modeliregresi untuk trainiset dengan menulisiregressor.fit(X_train,
y_train). Untuk mengetahui parameteriapa sajaiyang dibutuhkan dalam metode fit(), hanya
dengan mengarahkan kursoripada .fit() lalu mengklik CTRL+i.
 Line ke 18 adalahiproses pembuatan modelimachine learningiregresi. Berarti, dalam hal ini
model tengah belajar untukimenemukan hubunganiantara X_trainidan y_train.
 Keluaran pada python akan terlihat sebagaiiberikut.
Out (12):I Linear Regression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False).
Setelahimachine learning mempelajari mengetahui hubunganiantara X_train danoy_train,
maka tahapan berikutnya adalah melakukan percobaan dengan membuatoprediksi ke depan.
Prediksi ini memakai hubunganoyang telahodipelajari oleh model. Perintahountuk melaksanakan
prediksioini dilakukan pada line 21.
 Line 21 memprediksi dengan memakaiimetode .predict. Dalam rangka mengetahui parameter
apa saja, dapat dilakukan melalui objectiinspector. Parameteriyang dibutuhkan adalah variabel
independent, dalamihal iniiadalah X_test danibukan X_train. Kenapa seperti itu? Sebab ingin
membuat prediksi dataibaru. Jika memakai X_train perlu membuat prediksiiberdasarkan

64
 Volume 1, Nomor 2, Desember 2020

pemahaman X_train, sedangkan pemahamaniitu sendiri dibuatimengacu X_train. Memakai

X_test. Nanti, prediksi ini dibandingkan denganoy_test. Apabila hasil yang didapatkan
mendekati (jarak tidakiterlalu jauh), makaimodel dianggap baik.
Setelah itu, jika telah selesai dilakukan, berikutihasil tersebut bisa dibandingkan antaraihasil y_pred
daniy_test, dengan y_pred merupakan prediksiomodel dan y_testimerupakan data sebenarnya.

Gambar 5. Hasil y_pred dan y_test

Agar dapat melakukan perbandingan hasiloantara y_pred danoy_test, hasilnya sangat baik apabila
dilakukan pembuatan berupa ilustrasi visual. Hal yang harus diperhatikan, supaya penampilan visualnya
baikidi python, makaiblockisemua line dari-line 24 hinggailine 29 lalu mengklik CTRLi+iENTER.
 Lineo24omembuat scatteroplot X_train dan y_train denganowarna merahountuk data poinnya.
Tentu sajaowarnanya bisa diubah sesukaohati.
 Lineo25 membuatoline plotnya (garisiregresi) berwarna biru. Metodeoplot() memerlukan
parameteripertama, yakni dataipoin untuk sumbu x, daniparameter kedua merupakan dataipoin
untukisumbu y. Data poin sumbuix adalahiX_train sebab hendak melihatimodel regresi dari
trainingoset, sedangkan dataopoin sumbu y merupakan prediksiodari X_train denganoperintah
regressor.predict(X_train). Harus diperhatikan, dataopoin sumbu y bukanoy_predict atau
regressor.predict(X_test), sebab, kali ini bertujuan membuatoplot regresi untukoX_train, bukan
X_test. Misalnya, Anda melakukan kesalahan, memakai regressor.predict(X_test), makaogaris
regresinya tidakoakan muncul. Kenaapa? Sebab, jumlahodata poin X_train (20 baris) dan
X_test (10ibaris) sudah memiliki perbedaan, makaotidak mungkinobisa dibuat garisiregresinya.
 Line 26 membuatijudul yangiakan tampil pada bagian teratasigrafik.
 Line 27 membuat labeliuntuk sumbuix.
 Line 28 membuatilabeliuntuk sumbuiy.
 Line 29 melakukan eksekusi danimenampilkan hasil dariisemua perintahidari Line 24 hingga
Line 28.

65
 Volume 1, Nomor 2, Desember 2020

Gambar 6. Skrip analisis static model regresi

Keterangan:
 Line 2 mengimport dataset.
 Line 6 mengimport libraryicaTools untuk melakukan pembagian data keitest set danitrain.
 Line 7 menetapkan bilanganirandom (contohnya kali ini bilangan 1 2 3. Tentu saja angkanya
bebas).
 Line 8 memberikan definisi variabelisplit untuk membagi test set dan train. Agar dapatimelihat
parameter apa sajaoyang dibutuhkan, kursor hanya harus diarahkan pada sample.split, lalu
mengklikoF1. Setelah itu memmunculkan dokumentasi. Parameter pertama adalah variabel
dependen (Salary), lalu rasio split secara default sebesar 2/3.
 Line 9 menetapkan bagian trainingiset, dariihasil Boolean TRUE dari variabelisplit.

66
 Volume 1, Nomor 2, Desember 2020

 Line 10 menetapkan bagian testiset, dariihasil booleaniFALSE dari variabelisplit.

 Line 12 hingga Line 14 merupakan perintah featureiscaling jika dibutuhkan. Namun, kaliiini
tidak membutuhkannya.
 Line 17 memberikan definisiiobjek regressorisebagai suatu modeliregresi. DiiR, perintah
membuat modeliregresi adalah dengan memakaiofungsi lm(). Parameteropertama adalah
variabel dependent (Gaji) diikuti denganosimbol ~ (disebutotilde). Lalu, setelahosimbol ~
diikuti denganovariabel independentoyaitu Tahun_bekerja, dan definisikan data diambilodari
training_set.
 Line 20 merupakan prediksiipembelajaran machineilearning untuk testiset. Line 20 ini sama
dengan Line 21 y_pred dalamiperintah bahasaipython yang telah disebutkan.
 Line 23 mengimport library ggplot2 untukomembuat visualisasi modeli regresi. ggplot2 adalah
library yang terkenalodi R, sebab dapat menampilkanovisual yangoberagam dan powerful.
Harus diberikan perhatian, sebenarnya ggplot ditulis dalam satuibaris, tetapiiAnda melanjutkan
melanjutkan penulisan diobawahnya jika layar komputer yang digunakanotidak dapat
menampilkanosemua perintahodalam satuobaris. Apabila mengklikoENTER, maka otomatis
akanidialihkan ke baris diibawahnya, danoR otomatisijuga akan memberikan identitas (sedikit
menjorok kanan).
 Line 24 perintah awaliggplot, dituruti denganiparameter berikutnyaidengan simbol + (plus).
Perintah ggplot() adalah menyiapkan objekovisualisasi, yang apabila dituruti simbol +, maka
seluruh komponenivisualisasi setelahisimbol + akanidieksekusi bersama.
 Line 25 membuat scatteriplot denganiperintah geom_point dituruti denganoaes (penyingkatan
dari aesthetic) untuk menetapkan manaisumbu x danimana sumbuiy, dan warnaiapa yang
diinginkan.
 Line 26 membuat plotiline denganiperintah geom_line. Parameter samaidengan geom_point.
 Line 27 memberi judul untuk grafik
 Line 28 memberi label untuk sumbu x
 Line 29 memberi label untuk sumbu y

Gambar 7. Hasil Regresi Training Set

67
 Volume 1, Nomor 2, Desember 2020

 Line 32 hingga Line 38 menanjukkan grafik testiset.

Gambar 8. Hasil Regresi Test Set

Agar dapat menjamin keakuratannya, hal yang diperlukan adalah pengujian statistik. Maksudnya
adalah, Rimemang dibuat sebagai softwareistatistik, sehingga pengujiannya hanya dengan menuliskan
perintahisummary padailine 41.
 Line 41 perintah mengetahui seberapaibaik (fit) modeliregresi yang dibuat. Hanya dengan
menuliskan summary (kemudian mengikut model regresi)
Eksekusi dari model regresi, yakni :

Gambar 9. Eksekusi Model Regresi

Residual merupakan banyaknya data poin yang tidak dapat diberikan penjelasan denganomodel.
Gambarannya secara umum, makin keciloresidual, makin kuatlah modeloregresi memberikan
penjelasan hubunganoantara variabel dependent dan independent. Min sebagai nilai minimal, 1Q
nerupakan residualokuartal pertama (persentilo25), median merupakan nilaiotengah, 3Qiadalah
persentili75, dan Maxomerupakan nilaiopaling besar. Bagian Coefficients dijelaskan sebagai berikut:
 Intercept adalah koefisien dari sebuah modeloregresi. Dalam hal ini, berarti tiap nilaioX nol
(karyawan belum berpengelaman kerja), ia menerima gaji sebanyak 25592 tiap tahun.
Angkaiini dapaat dilihat pada bagianiEstimate dariiIntercept.

68
 Volume 1, Nomor 2, Desember 2020

 Lalu, di bagianiTahun_bekerja nilaii9365 mengungkapkan bahwa tiap pertambahan satu tahun

kerja, gaji yang diterima akan mengalami pertambahanisebanyak 9365 tiap tahun.
 Persamaan regresi dapat dituliskan dalam bentuk berikut:

Gaji = 25592 + 9365*Tahun Bekerja

 Std.Error (standarierror) merupakan penyimpangan data prediksiidari data sebenarnya. Makin

kecil std. error, tentu modelnya pun dianggap makin baik.
 tivalue merupakan pengujian statistik dari distribusiit. Nilaiit di atasi2 atau kurangidari -2
umumnya diasumsikan signifikan.
 Priadalah p value. Variabeliindependen (Tahun_bekerja) mempunyai nilaiip di bawah 0.05,
hal ini menandakan ia signifikan melakukan prediksi variabelidependen (Gaji).
 Apabila ingin mengetahui seberapaibaik, lihatlah bagian MultipleiR-squared yangimerupakan
nilai dengan besarnya kisaran 0 hingga 1. Nilaiinol (0), berarti error (jarak antara nilai prediksi
dan nilai sesungguhnya) terlaluibesar, sehingga modeliyang dipakai dianggap sangatiburuk.
Sebaliknya, apabila nilainyai1, modelnya dianggap sempurna, berarti prediksi yang diberikan
dianggap akurat tanpa error sedikit pun.
Hal yang pasti, modeliregresi tidak mungkin mempunyai nilaii1. Sebab, apabila seperti yang
disebutkan, modelnya diartikan terlaluosempurna. Model mempunyai nilai 0.96 tentu, modelnya
sangatobaik. Apabila melakukanopendekatan regresi, lalu nilainya sangatlah buruk, misalnya di
bawah 0.5 atau bahkan dekat dengan angka nol, hal ini dapat dijamin keterkaitan antara
variabelidependen dan independenitidaklah linear. Apabila benar seperti yang telah disebutkan, hal
yang harus dilakukan adalah dengan fitting (melihatihubungan variabelidependen
denganiindependen) dengan modeliregresi polinomial, atauinonlinear.

SIMPULAN
Berdasarkan pengujian menggunakan fungsi linear regression untuk memprediksi besarnya gaji (Y)
dari pengalaman bekerja (X) diketahui bahwa semakin bertambahnya pengalaman bekerja seorang
karyawan maka gaji karyawan tersebut juga akan bertambah setiap tahunnya. Hasil tersebut
menunjukan bahwa pengalaman bekerja memberikan pengaruh positif terhadap besarnya gaji
karyawan. Hasil tersebut disimpulkan bahwa semakin lama pengalaman bekerja seorang karyawan
maka semakin berpengaruh positif terhadap gaji yang akan diterima. Sehingga fungsi linear regression
layak digunakan untuk memprediksi pengaruh pengalaman kerja terhadap gaji karyawan.

69
 Volume 1, Nomor 2, Desember 2020

DAFTAR RUJUKAN
Asadi, A. (2015). The Pyhon Book. In Imagine Publishing Ltd.

Devi, M., Annamalai, M. A. R., & Veeramuthu, S. P. (2020). Literature education and
industrial revolution 4.0. Universal Journal of Educational Research, 8(3), 1027–1036.
https://doi.org/10.13189/ujer.2020.080337

F. Galton. (1886). Regression Towards Mediocrity in Hereditary Stature. The Journal of the
Anthropological Institute of Great Britain and Ireland, Vol. 15, 246–263.
https://doi.org/10.2307/2841583

F. Pedregosa, G. Varouquaux, A. Gramfort, V. Michael, B. Thirion, O. Grisel, M. Blondel, P.

Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cornapeau, M. Brucher
dan M. P, A. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine
Learning Research 12, 2825–2830. https://doi.org/10.1289/EHP4713

Jogiyanto, H. (1999). Analisis & Desain Sistem Informasi (2nd ed.). CV ANDI OFFSET.
Kergroach, S. (2017). Industry 4.0: New challenges and opportunities for the labour market.
Foresight and STI Governance, 11(4). https://doi.org/10.17323/2500-2597.2017.4.6.8

Manda, M. I., & Dhaou, S. Ben. (2019). Responding to the challenges and opportunities in the
4th industrial revolution in developing countries. ACM International Conference
Proceeding Series, Part F1481. https://doi.org/10.1145/3326365.3326398

Mulyadi. (2001). Sistem Akuntansi. In Edisi 3. Salemba Empat.

Schwab, K. (2016). The Fourth Industrial Revolution. World Economic Forum.

Shahroom, A. A., & Hussin, N. (2018). Industrial Revolution 4.0 and Education. International
Journal of Academic Research in Business and Social Sciences.
https://doi.org/10.6007/ijarbss/v8-i9/4593

Sharma, P. (2019). Digital Revolution of Education 4.0. International Journal of Engineering

and Advanced Technology, 9(2), 3558–3564. https://doi.org/10.35940/ijeat.a1293.129219

Walpole, E. R., Myers, H. R., Myers, L. S., & Ye, K. (2012). Probability and Statistics For
Engineers and Scientists. Mass: Pearson Education.

Xu, M., David, J. M., & Kim, S. H. (2018). The fourth industrial revolution: Opportunities and
challenges. International Journal of Financial Research, 9(2).
https://doi.org/10.5430/ijfr.v9n2p90

70