Pengaruh beban kerja dan stres kerja terhadap kinerja karyawan bank swasta

Info proyek

• Bidang studiManajemen Sumber Daya Manusia
• JenjangSkripsi (S1)
• Jenis metodeRegresi
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatstats::lm, lmtest::bptest, lmtest::dwtest, car::vif, ggplot2
• HargaRp 300.000 - Rp 1.800.000

Tujuan analisis

Tujuan analisis adalah menguji pengaruh beban kerja dan stres terhadap kinerja serta memeriksa asumsi klasik; datanya sintetis dan hanya untuk ilustrasi.

Variabel

Contoh hasil

• 0.603R2
• 0.599Adjusted R2
• <0.001F-test p-value
• 0.8Coef. Workload
• 0.069Shapiro-Wilk p
• 0.167Breusch-Pagan p

Model menjelaskan 60.3% variasi Kinerja karyawan (R2 = 0.603, uji F p < 0.001). Setiap kenaikan satu satuan Beban kerja mengubah Kinerja karyawan sebesar 0.800 (p < 0.001). Uji Shapiro-Wilk (p = 0.069) dan Breusch-Pagan (p = 0.167) menunjukkan asumsi normalitas dan homoskedastisitas terpenuhi; VIF maksimum 1.00.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Regresi Linear Berganda dan Uji Asumsi Klasik

Regresi linear berganda memodelkan pengaruh beberapa variabel bebas terhadap satu variabel terikat numerik dengan metode kuadrat terkecil (OLS), dilengkapi uji asumsi klasik. Metode ini paling sering dipakai di skripsi dan tesis untuk menguji hipotesis pengaruh parsial (uji t) dan simultan (uji F).

Langkah pengerjaan

1. 1Siapkan data dan tentukan variabel terikat serta variabel bebas
2. 2Estimasi model dengan lm() dan baca summary(): koefisien, uji t, uji F, R2
3. 3Uji normalitas residual dengan Shapiro-Wilk dan plot Q-Q
4. 4Uji heteroskedastisitas dengan Breusch-Pagan (lmtest::bptest)
5. 5Uji autokorelasi dengan Durbin-Watson dan multikolinearitas dengan VIF (car::vif)
6. 6Interpretasikan koefisien, R2 terkoreksi, dan buat grafik diagnostik residual

Asumsi yang perlu diperiksa

• Hubungan variabel bebas dan terikat linear
• Residual berdistribusi normal dengan varians konstan (homoskedastis)
• Residual tidak berautokorelasi
• Antarvariabel bebas tidak berkolinearitas tinggi (VIF < 10)

Membaca dan melaporkan hasil

Laporkan persamaan regresi, tanda dan besar koefisien beserta nilai p uji t, hasil uji F, dan R2 terkoreksi. Sertakan hasil uji asumsi klasik; bila ada yang dilanggar, pertimbangkan transformasi atau galat baku robust.

Contoh kode R

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

# Contoh kode R: Multiple Linear Regression with Classical Assumption Tests
suppressPackageStartupMessages({
  library(ggplot2)
  library(patchwork)
  library(lmtest)
  library(car)
})
set.seed(42)
# ---- Gaya grafik ----
pal <- c("#1f6feb", "#e8590c", "#2f9e44", "#ae3ec9", "#f59f00")
warna <- list(bg = "#f4f6fa", panel = "#ffffff", teks = "#1f2933", redup = "#5f6b78", grid = "#e3e8ee", bar = "#1d3557")
tata <- 1
theme_set(theme_minimal(base_size = 11) + theme(legend.position = "bottom"))

# ---- Data sintetis ----
n <- 200
d <- data.frame(workload = rnorm(n, 50, 10),
                job_stress = rnorm(n, 30, 6))
z1 <- as.numeric(scale(d$workload))
z2 <- as.numeric(scale(d$job_stress))
b1 <- runif(1, 0.45, 0.85)
b2 <- runif(1, 0.15, 0.5) * sample(c(-1, 1), 1)
d$employee_performance <- 100 + 15 * (b1 * z1 + b2 * z2 + rnorm(n, 0, runif(1, 0.45, 0.8)))
write.csv(d, "data_contoh.csv", row.names = FALSE)

# ---- Analisis: regresi linear berganda (OLS) ----
fit <- lm(employee_performance ~ workload + job_stress, data = d)
s <- summary(fit)
print(s)

# ---- Uji asumsi klasik ----
sw <- shapiro.test(residuals(fit))   # normalitas residual
bp <- lmtest::bptest(fit)            # heteroskedastisitas (Breusch-Pagan)
dw <- lmtest::dwtest(fit)            # autokorelasi (Durbin-Watson)
vf <- car::vif(fit)                  # multikolinearitas
print(sw); print(bp); print(dw); print(vf)


# ---- Grafik ----
d$prediksi <- fitted(fit)
d$residual <- residuals(fit)
p1 <- ggplot(d, aes(workload, employee_performance)) +
  geom_point(colour = pal[1], alpha = 0.55, size = 1.8) +
  geom_smooth(method = "lm", formula = y ~ x, colour = pal[2], fill = pal[2], alpha = 0.18, linewidth = 1.1) +
  labs(title = "Partial relationship with OLS fit", x = "workload", y = "employee_performance")
p2 <- ggplot(d, aes(prediksi, residual)) +
  geom_hline(yintercept = 0, linetype = "dashed", colour = warna$redup) +
  geom_point(colour = pal[3], alpha = 0.6, size = 1.5) +
  geom_smooth(method = "loess", formula = y ~ x, se = FALSE, colour = pal[2], linewidth = 0.8) +
  labs(title = "Residuals vs fitted", x = "Fitted value", y = "Residual")
p3 <- ggplot(d, aes(sample = residual)) +
  stat_qq(colour = pal[1], alpha = 0.6, size = 1.3) +
  stat_qq_line(colour = pal[2], linewidth = 0.9) +
  labs(title = "Normal Q-Q of residuals", x = "Theoretical quantile", y = "Sample quantile")
p_hasil <- if (tata == 1) p1 | (p2 / p3) else p1 / (p2 | p3)

print(p_hasil)

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum