Abstrak—Tingkat Pengangguran Terbuka (TPT) merupakan jumlah angkatan kerja sebesar 22,391 juta jiwa.
indikator yang digunakan untuk menilai kesejahteraan sosial Permasalahan ini tentunya menjadi perihal yang perlu
masyarakat. Badan Pusat Statistika (BPS) tahun 2018 merilis diperhatikan, karena nilai tersebut sangat jauh dari tingkat
data TPT di Indonesia menurut provinsi yang menunjukan pengangguran terbuka nasional sendiri yang bernilai 5,34.
Provinsi Jawa Barat memiliki TPT tertinggi yaitu sebesar 8,22. Meningkatnya jumlah pengangguran merupakan salah satu
Terdapat empat faktor dari indikator sosial kependudukan
masalah sosial yang harus dihadapi. Peningkatan tersebut
yang diduga berpengaruh terhadap tingkat pengangguran
terbuka di Provinsi Jawa Barat tahun 2017 yaitu Tingkat
disebabkan oleh faktor-faktor yang mempengaruhi. Menurut
Partisipasi Angkatan Kerja (TPAK), Dependency Ratio, Rata- penelitian tentang pengangguran yang dilakukan Sari [1],
rata Lama Sekolah dan Laju Pertumbuhan Ekonomi. Astuti [2], dan Wijaya [3] merupakan indikator yang
Berdasarkan analisa menggunakan scatterplot data yang telah berpengaruh yaitu indikator sosial, ekonomi, dan
diperoleh dari Badan Pusat Statistika Provinsi Jawa Barat pendidikan.
tahun 2017 menunjukan tidak adanya pola hubungan antara Tujuan dari penelitian ini adalah untuk mengetahui
Tingkat Pengangguran Terbuka (TPT) dengan faktor-faktor variabel yang berpengaruh signifikan/nyata terhadap
yang diduga berpengaruh sehingga pada penelitian ini pengangguran terbuka di Jawa Barat dengan menggunakan
digunakan metode regresi nonparametrik spline truncated. pendekatan regresi spline. Regresi nonparametrik spline
Hasil analisa menunjukan bahwa variabel TPAK, Dependency
Ratio, Rata-rata Lama Sekolah dan Laju Pertumbuhan
merupakan metode yang tepat untuk digunakan karena
Ekonomi berpengaruh secara signifikan terhadap Tingkat spline merupakan salah satu potongan polinomial yang
Pengangguran Terbuka (TPT) di Provinsi Jawa Barat tahun memiliki sifat fleksibilitas yang lebih baik jika dibandingkan
2017 dengan nilai koefisien determinasi 95,23. dengan polinomial biasa. Selain memiliki sifat fleksibilitas
tersebut, spline memiliki kemampuan untuk menganalisa
Kata Kunci—GCV, Koefisien Determinasi, Pengangguran data pada sub-sub interval tertentu mengalami perubahan
Terbuka, Regresi Nonparametrik Spline. perilaku. Model terbaik dari regresi nonparametrik spline
adalah model yang memiliki nilai generalized cross
I. PENDAHULUAN validation (GCV) minimum yang diperoleh dari nilai
terkecil beberapa knot dan kombinasi knot.
T ERCAPAINYA kesejahteraan masyarakat merupakan
wujud dari pemerintah Indonesia dalam meningkatkan
pembangunan nasional. Salah satu upaya pemerintah dalam II. TINJAUAN PUSTAKA
meningkatkan kesejahteraan adalah meningkatkan stabilitas A. Statistika Deskriptif
nasional, memacu pertumbuhan ekonomi, meningkatkan
iklim investasi, dan menekan angka pengangguran. Statistika Deskriptif merupakan metode pengumpulan dan
Pengangguran merupakan beban pekerjaan penting yang penyajian suatu gugus data sehingga memberikan informasi
harus segera ditangani oleh pemerintah, khususnya Dinas yang berguna. Metode ini bertujuan untuk menguraikan
Tenaga Kerja. Tingginya angka pengangguran di Indonesia tentang karakteristik dari suatu keadaan dan membuat
disebabkan karena tidak ada kesesuaian antara penawaran deskripsi atau gambaran yang sistematis dan akurat
tenaga kerja dengan kebutuhan di pasar tenaga kerja. Serta mengenai fakta-fakta dan sifat-sifat dari fenomena yang
jumlah penduduk yang semakin meningkat yang tidak diselidiki [4].
diimbangi dengan pertumbuhan lapangan usaha yang ada. B. Regresi Nonparametrik Spline Truncated
Jawa Barat merupakan provinsi dengan jumlah penduduk
Regresi nonparametrik merupakan salah satu model
terbesar di Indonesia. Pada tahun 2017 penduduk Jawa Barat regresi yang digunakan untuk mengetahui hubungan antara
sudah mencapai 48,03 juta jiwa. Badan Pusat Statistika
variabel respon dengan variabel prediktor yang tidak
merilis jumlah pengangguran di Jawa Barat dari tahun 2014 diketahui bentuk kurva regresinya [5]. Model regresi
hingga tahun 2017 mengalami fluktuasi. Tahun 2017
nonparametrik dapat ditulis sebagai berikut.
Provinsi Jawa Barat menunjukkan wilayah dengan tingkat
pengangguran terbuka sebesar 8,22. Artinya dari 100 orang y f x , i 1, 2, 3, ..., n (1)
i i i
angkatan kerja Jawa Barat, ada sekitar 8-9 orang yang dimana yi adalah variabel respon ke-i, f x i
adalah
belum terserap di pasar kerja. Meskipun mengalami
penurunan dari tahun sebelumnya, namun Jawa Barat fungsi regresi yang tidak diketahui bentuk kurva regresinya,
merupakan wilayah dengan rata-rata tingkat pengangguran dan residual random dinyatakan i
IIDN 0,
2
. Fungsi
terbuka tertinggi di Indonesia. Hal ini ditunjukkan dengan
JURNAL SAINS DAN SENI ITS Vol. 8, No. 2 (2019), 2337-3520 (2301-928X Print) D335
spline truncated diperoleh dari hasil penjumlahan antara Pengujian secara individu berfungsi untuk mendeteksi
fungsi polinomial dengan fungsi truncated. Misal fungsi apakah parameter secara individual mempunyai pengaruh
spline truncated berorde p dengan titik knot K1 , K 2 , ..., K r yang signifikan terhadap variabel respon. Hipotesis
pengujian secara parsial sebagai berikut.
sehingga kurva regresi yang terbentuk yaitu f x , lebih i H : 0
0 j
f xi K r
j p
j i pr i
(2) Pengujian secara individu dilakukan dengan menggunakan
j 0 k 1
uji t [7]. Statistik uji yang digunakan adalah sebagai berikut:
dimana ˆ j
p r
t hitung (8)
yi x x K r i ; i 1, 2, ..., n SE ˆ j
j p
j i pr i
j 0 k 1
dengan
dengan,
Var ˆ var X X X Y
1
x K
' T
, xi K r (9)
p
x Kr
p j
i r
(3)
atau p-value < .
0
i
, xi K r Tolak H0 jika t hitung t / 2; n p r 1
Titik xi K r adalah titik knot yang menggambarkan pola Sehingga menghasilkan kesimpulan bahwa parameter ke-j
berpengaruh signifikan. R2 digunakan sebagai indikator
perubahan fungsi pada sub interval yang berbeda dan nilai p
kebaikan model, yang diberikan sebagai berikut.
adalah derajat polinomial. n
Estimasi parameter model regresi nonparametrik spline
yˆ - y
2
R
2 i 1
1
βˆ X X
T T
X y (4)
i
i 1
MSE K
GCV K H1 : Minimal ada satu i ; i 1, 2, ..., n
2 2
(5)
n trace I A
2
1
MSE K n
1
y fˆ xi
i ˆi
2
2
/ v 1
i
(6)
i 1
i 1
0
dimana k 1 k 1
Apabila tidak
n
Statistik uji yang digunakan adalah sebagai berikut.
terdapat nilai autokorelasi yang keluar dari batas signifikansi
MS regresi menunjukkan asumsi independen terpenuhi.
Fhitung (7)
MS residual 3. Distribusi Normal
Pengujian asumsi berdistribusi normal dilakukan untuk
Tolak H0 jika F hitung
F ; p r , n p r 1 atau p-value < [7]. mengetahui apakah residual suatu data telah mengikuti
2. Pengujian Secara Parsial distribusi normal. Uji yang digunakan adalah uji
Kolmogorov-Smirnov [10].
JURNAL SAINS DAN SENI ITS Vol. 8, No. 2 (2019), 2337-3520 (2301-928X Print) D336
variabel-variabel penelitian. 8
2. Membuat scatterplot antara Tingkat Pengangguran
6
Terbuka di Provinsi Jawa Barat dengan masing-masing
4
variabel yang diduga untuk mengetahui bentuk pola data. 58 60 62 64 66 40 45 50 55 60
y
6. Menguji signifikansi parameter regresi spline secara Gambar 1. Scatterplot Variabel Prediktor Terhadap Respon.
serentak
7. Melakukan uji parameter regresi spline secara parsial. C. Pemodelan Tingkat Pengangguran Terbuka
8. Melakukan uji asumsi residual IIDN dari model regresi Penelitian ini akan digunakan pemodelan tingkat
spline. pengangguran di Jawa Barat menggunakan pendekatan
9. Menginterpretasikan model dan menarik kesimpulan. regresi nonparametrik spline truncated linear. Model spline
yang digunakan adalah model dengan satu, dua, tiga, serta
JURNAL SAINS DAN SENI ITS Vol. 8, No. 2 (2019), 2337-3520 (2301-928X Print) D337
kombinasi titik knot. Berikut merupakan model estimasi menggunakan empat faktor variabel prediktor adalah
regresi nonparametrik spline truncated dengan satu titik sebagai berikut.
yˆ ˆ0 ˆ11 x1 ˆ12 x1 K 1 ˆ13 x1 K 2 ˆ x K
knot menggunakan empat variabel prediktor. 1 1 1
14 1 3
yˆ ˆ0 ˆ11 x1 ˆ12 x1 K1 ˆ21 x2 ˆ22 x2 K 2 ˆ31 x3 ˆ21 x2 ˆ22 x2 K 4 ˆ23 x2 K 5 ˆ24 x2 K 6
1 1 1 1 1
ˆ33 x3 K 6 ˆ41 x4 ˆ42 x4 K 7 ˆ43 x4 K 8 Pemilihan titik knot dengan kombinasi titik knot perlu
1 1 1
dengan satu titik knot, dua titik knot, tiga titik knot, dan 12 -22,565 4,42E-05 Signifikan
kombinasi titik knot ditampilkan sebagai berikut. X1
13 54,14841 5,19E-05 Signifikan
Tabel 10.
Nilai GCV Minimum Titik Knot Optimal 14 -31,1174 0,0001 Signifikan
GCV Jumlah Knot
21 -1,05667 2,99E-06 Signifikan
2,723 1
2,131 2 22 7,819532 1,54E-05 Signifikan
1,251 3 X2
0,737 Kombinasi (3,3,2,1) 23 -20,1096 2,15E-05 Signifikan
Berdasarkan model dengan satu, dua, tiga maupun 24 14,21741 3,18E-05 Signifikan
kombinasi knot, model terbaik didapatkan dari nilai GCV
paling minimum yaitu pada kombinasi knot (3,3,2,1) dengan 31 -0,14216 0,6142 Tidak Sig*
nilai GCV sebesar 0,737. X3 32 17,06528 0,0447 Signifikan
E. Pengujian Signifikansi Parameter Model Regresi
33 -20,9973 0,0212 Signifikan
Nonparametrik Spline
1. Uji Serentak 41 -1,20542 0,0081 Signifikan
X4
Pengujian secara serentak ini dilakukan untuk menguji
42 1,00513 0,2605 Tidak Sig*
estimasi parameter model secara bersamaan (simultan).
Nilai α yang digunakan sebesar 0,05. Berikut ini adalah Sig* = Signifikan
hasil analisis ragam model regresi nonparametrik spline.
G. Pengujian Asumsi Residual
Tabel 11. 1. Asumsi Identik
ANOVA Model Regresi Spline Berikut merupakan hasil pengujian asumsi residual
Sumber Sum of Mean Square identik dengan menggunakan uji Glejser pada Tabel 13.
df Fhitung
variasi Square (SS) (MS)
Regresi 13 61,35293 4,719457 Tabel 13.
Residual 10 3,070061 0,3070061 15,37252 Hasil Pengujian Glejser
Total 23 64,423 -
Sumber Sum of Mean Square
df Fhitung
variasi Square (SS) (MS)
Berdasarkan hasil tabel ANOVA pada Tabel 11 Regresi 13 0,8728862 0,06714509
diperoleh nilai p-value sebesar 6,78E-05. Karena p-value < Residual 10 0,7853663 0,07853663 0,8549525
𝛼 dengan 𝛼 = 0,05 maka dapat diambil keputusan tolak H0 Total 23 1,658252 -
yang menunjukkan bahwa minimal ada satu parameter yang
berpengaruh signifikan terhadap model. Selanjutnya Berdasarkan hasil Tabel 13 diperoleh nilai statistik uji F
dilakukan pengujian secara parsial untuk melihat parameter sebesar 0,855 dengan p-value sebesar 0,612. Karena
yang berpengaruh secara signifikan. diperoleh p-value > 𝛼 dengan 𝛼 = 0,05 maka dapat diambil
keputusan gagal tolak H0 yang menunjukkan bahwa tidak
2. Uji Parsial
terdapat heteroskesdastisitas. Sehingga dapat dikatakan
Pengujian secara parsial atau individu menggunakan uji
bahwa asumsi identik pada residual terpenuhi.
𝑡. Berikut merupakan hasil pengujian parameter secara
individu dari model regresi spline yang ditampilkan pada 2. Asumsi Indipenden
Tabel 12. Berikut merupakan hasil uji independen menggunakan
plot Autocorrelation Function (ACF).
F. Penaksiran Parameter Model Regresi Nonparametrik
Spline Empat Variabel Prediktor 1.0
0.6
terkecil, didapatkan model terbaik yaitu model regresi
0.4
nonparametrik spline dengan tiga titga titik knot dengan
Autocorrelation
0.2
empat variabel prediktor. 0.0
-0.2
Gambar 2. Plot ACF Residual.
4
JURNAL SAINS DAN SENI ITS Vol. 8, No. 2 (2019), 2337-3520 (2301-928X Print) D339
1
residual. Sehingga dapat disimpulkan bahwa reidual
memenuhi asumsi independen. 1, 057 x2 ; x1 48, 75
6, 763 x 381, 23 ; 48, 75 x 49, 60
3. Distribusi Normal
2 2
20, 997 x3 8, 99 1
Gambar 3. Uji Kolmogorov-Smirnov.
0,142 x3 ; x3 8, 90
Berdasarkan hasil uji Kolmogorov-Smirnov pada
16, 923 x3 151, 88 ; 8, 90 x3 8, 99
Gambar 3 diperoleh nilai p-value sebesar >0,150. Karena p- 4, 074 x 36, 88 ; x3 8, 99
value > α dengan α = 0,05 maka dapat diambil keputusan 3
gagal tolak H0 yang menunjukkan bahwa residual Apabila kabupaten/kota dengan nilai tingkat rata-rata
berdistribusi normal. lama sekolah lebih dari 8,99 persen dan naik 0,1 persen
mengakibatkan penurunan tingkat pengangguran terbuka
H. Nilai Koefisien Determinasi (R2) sebesar 4,074 persen. Kabupaten/kota yang termasuk
Model regresi nonparametrik spline linier dengan pada segmen ini adalah Kota Bogor, Kota Sukabumi,
kombinasi knot menghasilkan nilai R2 sebesar 95,23% yang Kota Bandung, Kota Cirebon, Kota Bekasi, Kota Depok,
artinya keempat variabel prediktor mampu menjelaskan Kota Cimahi, dan Kota Tasikmalaya.
sebesar 95,23% permasalahan Tingkat Pengangguran 4. Hubungan antara laju pertumbuhan PDRB (X4) terhadap
Terbuka di Provinsi Jawa Barat. tingkat pengangguran terbuka (Y) dengan asumsi
variabel lain dianggap konstan adalah sebagai berikut.
I. Interpretasi Model Regresi Nonparametrik Spline
yˆ 1, 205 x4 1, 005 x4 6,12
1
1. Hubungan antara tingkat partisipasi angkatan kerja (X1)
terhadap tingkat pengangguran terbuka (Y) dengan
1, 205 x4 ; x4 6,12
asumsi variabel lain dianggap konstan adalah sebagai
berikut. 0, 20 x4 6,15 ; x4 6,12
yˆ 0,106 x1 22, 565 x1 62, 60
1 Apabila kabupaten/kota dengan laju pertumbuhan PDRB
kurang dari 6,12 persen dan naik 0,1 persen
54,148 x1 62, 96 31,117 x1 63,15
1 1 mengakibatkan kenaikan tingkat pengangguran terbuka
sebesar 4,48 persen. Kabupaten/kota yang termasuk pada
segmen ini adalah Kabupaten Bogor, Kabupaten
0,106 x1 ; x1 62, 60
Sukabumi, Kabupaten Cianjur, Kabupaten Garut,
22, 671x 1412, 57
; 62, 60 x1 62, 96 Kabupaten Tasikmalaya, Kabupaten Cirebon, Kabupaten
1
Subang, Kabupaten Purwakarta, Kabupaten Karawang,
31, 447 x1 1996, 59 ; 62, 96 x1 63,15
Kabupaten Bekasi, Kabupaten Bandung Barat, Kota
0, 36 x1 31, 55 ; x1 63,15 Sukabumi, Kota Cirebon, Kota Bekasi, Kota Cimahi,
Apabila kabupaten/kota dengan nilai tingkat partisipasi Kota Tasikmalaya, dan Kota Banjar.
angkatan kerja kurang dari 62,60 persen dan nilainya
naik 0,1 persen dengan asumsi variabel prediktor lain V. KESIMPULAN DAN SARAN
tetap, maka tingkat pengangguran terbuka akan turun
sebesar 0,106 persen. Kabupaten/kota yang termasuk Dari penelitian yang telah dilakukan, dapat disimpulkan
pada interval ini adalah Kabupaten Cianjur, Kabupaten bahwa tingkat pengangguran terbuka (TPT) di Provinsi Jawa
Kuningan, Kabupaten Cirebon, Kabupaten Sumedang, Barat didapatkan kabupaten/kota yang memiliki TPT
Kabupaten Bekasi, Kabupaten Bandung Barat, Kota tertinggi pada tahun 2017 adalah Kabupaten Bekasi yaitu
Bogor, dan Kota Sukabumi. sebesar 10,97. Sedangkan kabupaten/kota yang memiliki
2. Hubungan antara dependency ratio (X2) terhadap tingkat TPT terendah di Kabupaten Pangandaran yaitu sebesar
pengangguran terbuka (Y) dengan asumsi variabel lain 3,340. Rata-rata TPT tiap kabupaten/kota di Provinsi Jawa
dianggap konstan adalah sebagai berikut. Barat selama tahun 2017 adalah sebesar 8,168 dengan
varians sebesar 2,801.
JURNAL SAINS DAN SENI ITS Vol. 8, No. 2 (2019), 2337-3520 (2301-928X Print) D340