Variabel Dummy Adalah: Aturan k-1 Kategori & Cara Interpretasi

Variabel Dummy Adalah

Variabel dummy adalah cara memasukkan variabel kategorik (misalnya jenis kelamin, tingkat pendidikan, wilayah) ke dalam model regresi, yang secara matematis hanya bisa memproses angka — dengan mengubah tiap kategori menjadi variabel biner (0 atau 1).

Variabel dummy sering dipakai berdampingan dengan regresi linear berganda ketika salah satu variabel independennya berskala nominal, bukan interval/rasio. Lihat juga Variabel Penelitian untuk konteks klasifikasi skala pengukuran secara umum.

Aturan k-1 Kategori

Kalau suatu variabel kategorik punya k kategori, kamu hanya perlu membuat k-1 variabel dummy — bukan k variabel penuh. Misalnya variabel "tingkat pendidikan" dengan 3 kategori (SMA, S1, S2) hanya butuh 2 variabel dummy, dengan satu kategori dijadikan kategori referensi (baseline) yang tidak diberi variabel dummy sendiri. Alasannya matematis: kalau semua k kategori dibuatkan dummy, terjadi multikolinearitas sempurna (dummy trap) — nilai satu variabel bisa diprediksi sempurna dari yang lain, sehingga model regresi tidak bisa diestimasi.

Coding

Untuk contoh "tingkat pendidikan" (referensi = SMA):

- Dummy1 (S1): 1 jika S1, 0 jika bukan - Dummy2 (S2): 1 jika S2, 0 jika bukan - SMA direpresentasikan otomatis saat Dummy1=0 dan Dummy2=0

Interpretasi

Koefisien tiap variabel dummy menunjukkan selisih rata-rata Y antara kategori tersebut dengan kategori referensi, dengan variabel lain dianggap konstan. Misalnya kalau koefisien Dummy1 (S1) = 2,5, artinya rata-rata Y untuk kelompok S1 diprediksi 2,5 poin lebih tinggi dibanding kelompok SMA (referensi), dengan asumsi variabel lain sama.

Contoh kasus: penelitian mengukur pengaruh tingkat pendidikan terhadap gaji (dalam juta rupiah), dengan referensi SMA. Hasil regresi: konstanta = 4,0 (rata-rata gaji SMA), Dummy1 (S1) = 2,5, Dummy2 (S2) = 4,8. Artinya rata-rata gaji lulusan S1 diprediksi 4,0+2,5 = 6,5 juta, dan lulusan S2 diprediksi 4,0+4,8 = 8,8 juta, dengan variabel lain dianggap konstan.

Kesalahan Umum

1. Membuat variabel dummy untuk semua k kategori tanpa menyisakan kategori referensi — menyebabkan dummy trap dan model regresi gagal diestimasi (atau software otomatis mengeluarkan salah satu variabel, membingungkan interpretasi kalau tidak disadari).
2. Salah menginterpretasikan koefisien dummy sebagai nilai absolut, bukan selisih terhadap kategori referensi — koefisien dummy selalu relatif terhadap baseline, bukan nilai Y itu sendiri.
3. Memilih kategori referensi secara sembarang tanpa mempertimbangkan relevansinya dengan pertanyaan penelitian, sehingga interpretasi hasil jadi kurang bermakna secara substantif.