LAPORAN PRAKTIKUM KASUS ANALISIS REGRESI LINEAR BERGANDA :

PENGARUH RATA-RATA LAMA SEKOLAH DAN TINGKAT PENGANGGURAN

TERHADAP JUMLAH PENDUDUK MISKIN DI PROVINSI SUMATERA BARAT
METODE ANALISIS PERENCANAAN (TKP 342)

Dosen Pengampu :
Dr. Yudi Basuki, S.T., M.T.;
Dr. soc.agr. Iwan Rudiarto, S.T. M.Sc.
Dr. Eng Maryono S.T., M.T.;
Sri Rahayu, S.Si., M.Si.;
Widjonarko, S.T., M.T.

Diajukan untuk Melengkapi Tugas Individu

Metode Analisis Perencanaan di Jurusan Perencanaan Wilayah dan Kota

Oleh :
Hana Humaira Syaeful (21040118130089)
Kelas A

JURUSAN TEKNIK PERENCANAAN WILAYAH DAN KOTA

UNIVERSITAS DIPONEGORO
SEMARANG
2020
 DAFTAR ISI

BAB I PENDAHULUAN............................................................................................................................. 3
1.1. Latar Belakang.............................................................................................................................. 3
1.2. Tujuan dan Sasaran ...................................................................................................................... 3
BAB II KAJIAN LITERATUR ....................................................................................................................... 4
BAB III GAMBARAN KASUS ..................................................................................................................... 6
BAB IV ANALISIS ..................................................................................................................................... 7
4.1. Tahapan Analisis .......................................................................................................................... 7
4.2. Ringkasan Output......................................................................................................................... 8
BAB V KESIMPULAN ............................................................................................................................. 14
DAFTAR PUSTAKA ................................................................................................................................. 15
LAMPIRAN ............................................................................................................................................. 16

2
 BAB I
PENDAHULUAN
1.1. Latar Belakang
Analisis regresi merupakan salah satu analisis yang sering digunakan dan cukup
terkenal di kalangan peneliti. Analisis ini mudah digunakan baik di kalangan profesional
maupun mahasiswa. Populernya analisis ini mencerminkan bahwa setiap kejadian dapat saling
terkait dan saling mempengaruhi. Analisis regresi mempelajari bagaimana membangun sebuah
model fungsional dari data untuk dapat menjelaskan suatu fenomena atas dasar fenomena yang
lain. Analisis regresi dapat digolongkan menjadi dua macam, yaitu regresi linear sederhana dan
regresi linear berganda. Pada laporan ini akan menggunakan metode analisis regresi linear
berganda.
Masyarakat dapat disebut sejahtera apabila masyarakat tersebut dapat memenuhi
kebutuhan hidupnya secara mandiri. Namun, permasalahan yang dihadapi oleh banyak negara
yang menyangkut kesejahteraan masyarakat adalah ketidakmampuan masyarakat dalam
memenuhi kebutuhan hidupnya. Selama satu decade terakhir Indonesia telah membuat
kemajuan yang signifikan dalam mengurangi kemiskinan, pemerintah sadar bahwa tujuan dari
pembangunan ekonomi adalah mencapai masyarakat yang adil dan Makmur (Sumarto, 2014)
dalam Wirawan.
Banyaknya penduduk miskin pasti dipengaruhi oleh berbagai variabel, diantaranya
terdapat variabel Pendidikan atau rata-rata lama sekolah, tingkat pengangguran terbuka, dan
variabel lainnya yang mempengaruhi jumlah penduduk miskin.

1.2. Tujuan dan Sasaran

1.2.1. Tujuan
Penulisan ini bertujuan untuk memprediksi, menganalisis, dan mengetahui pengaruh
tingkat pendidikan atau rata-rata lama sekolah, dan tingkat pengangguran terbuka terhadap
jumlah penduduk miskin di Provinsi Sumatera Barat pada tahun 2018.
1.2.2. Sasaran
Sasaran yang akan dicapai dalam laporan ini adalah dapat menentukan hubungan antara
tingkat pendidikan atau rata-rata lama sekolah, dan tingkat pengangguran terbuka terhadap
jumlah penduduk miskin di Provinsi Sumatera Barat pada tahun 2018.

3
 BAB II
KAJIAN LITERATUR
Analisis regresi merupakan analisis yang digunakan untuk menjelaskan keterkaitan
hubungan antara suatu variabel bebas (independent) terhadap variabel terikat (dependent). Pola
hubungan antara 2 variabel disebut dengan regresi linear sederhana, sedangkan apabila terdapat
> 2 variabel merupakan regresi linear berganda. Pola hubungan tersebut dapat dilihat dari tanda
(+)/(-). Tanda tersebut menunjukkan arah antar variabel, jika (+) maka cenderung berubah
secara bersama dalam arah yang sama, dan apabila (-) maka cenderung berubah dalam arah
yang berlawanan.
Model analisis regresi linier mengasumsikan hal-hal sebagai berikut yang dikenal sengan nama
uji asumsi klasik:
A. Normalitas
Residual adalah beda antara y dengan y prediksi. Y adalah variable terikat, sedangkan
y prediksi adalah Y hasil persamaan regresi yang dibuat. Sehingga residual dibangun
dengan rumus: y – y prediksi. Asumsi normalitas pada regresi linier adalah pada
residualnya, bukan pada data per variabelnya. Uji Asumsi normalitas regresi linear
dapat diuji dengan berbagai metode uji normalitas, seperti uji Shapiro
wilk, lilliefors atau Kolmogorov smirnov, Anderson darling, ryan joiner, Shapiro
francia, jarque bera, skewness kurtosis test dan berbagai jenis uji normalitas lainnya.
B. Heterokedastisitas
Heterokedastisitas yaitu keadaan dimana terjadi ketidaksamaan varian dari error untuk
semua pengamatan setiap variabel bebas pada model regresi.
C. Multikolinieritas
Multikolinearitas adalah keadaan dimana terdapat interkorelasi atau korelasi kuat antar
variabel bebas di dalam model. Dinyatakan ada interkorelasi jika korelasi antar variable
bebas di dalam model regresi linear berganda > 0,8. Beberapa pakar menggunakan
batasan lebih dari 0,9. Cara lain yang lebih objektif adalah dengan menggunakan nilai
variance inflating factor (VIF) dan tolerance. Dikatakan ada multikolinearitas jika nilai
VIF > 10 dan/atau nilai tolerance < 0,01.
D. Autokorelasi
Autokorelasi dapat diartikan bahwa terdapat korelasi antar waktu. Sehingga bisa
diartikan dengan mudah bahwa autokorelasi ini sering terjadi pada regresi linear
berganda dengan data time series atau runtun waktu. Dan jarang sekali terjadi pada data
cross section. Data runtun waktu ini misalnya data return saham sebuah perusahaan per
bulan dari tahun 2012 sd 2017. Sedangkan data cross section, misalnya data hasil dari
kuesioner yang disebarkan pada semua siswa sebuah kelas, dimana hanya diukur satu
kali saja. Uji autokorelasi ini bisa diuji dengan menggunakan nilai Durbin Watson
(DW) dan run test. Jika menggunakan uji Durbin Watson, dikatakan tidak ada
autokorelasi jika nilai DW hitung > Batas atas DW table dan (4 – DW Hitung) > Batas
atas DW Tabel.

Menurut Badan Perencanaan Pembangunan Nasional (BAPPENAS), kemiskinan

adalah suatu situasi yang serba kekurangan karena keadaan yang tidak dapat dihindari oleh

4
individu atau seseorang dengan kekuatan yang dimilikinya. Jumlah penduduk miskin
dipengaruhi oleh berbagai variabel. Diantaranya rata-rata lama sekolah dan tingkat
pengangguran terbuka,
Indeks Pembangunan Manusia adalah salah satu tolak ukur pembangunan suatu
wilayah yang berkorelasi negative terhadap kondisi kemiskinan di wilayah tersebut. IPM
dihitung berdasarkan data yang dapat menggambarkan keempat komponen, yaitu angka
harapan hidup yang mengukur keberhasilan dalam bidang kesehatan, angka melek huruf dan
rata-rata lamanya bersekolah yang mengukur keberhasilan dalam bidang pendidikan, dan
kemampuan daya beli masyarakat terhadap sejumlah kebutuhan pokok yang dilihat dari rata-
rata besarnya pengeluaran per kapita sebagai pendekatan pendapatan yang mengukur
keberhasilan dalam bidang pembangunan hidup yang layak.
Pengangguran bisa disebabkan oleh bertambahnya angkatan kerja baru yang terjadi tiap
tahunnya, sementara itu penyerapan tenaga kerja tidak bertambah. Selain itu adanya industri
yang bangkrut sehingga harus merumahkan tenaga kerjanya. Hal ini berarti, semakin tinggi
jumlah pengangguran maka akan meningkatkan jumlah penduduk miskin.

5
 BAB III
GAMBARAN KASUS
Sumatera Barat adalah salah satu provinsi di Indonesia yang terletak di Pulau Sumatera
dengan Padang sebagai ibu kotanya. Provinsi ini terdiri dari 12 kabupaten dan 7 kota dengan
total jumlah penduduk mencapai 4.846.909 jiwa. Badan Pusat Statistik (BPS) memaparkan
jumlah penduduk miskin di provinsi ini berkurang signifikan dalam 12 tahun terakhir, pada
bulan September 2019 Sumatera Barat berada pada peringkat sembilan dari 33 provinsi di
Indonesia dengan angka kemiskinan terendah. Menurut data BPS, pada tahun 2007 jumlah
penduduk miskin di Sumatera Barat berjumlah 529,2 ribu jiwa dan turun menjadi 348,22 ribu
jiwa pada tahun 2019.
Pada analisis kali ini, metode yang digunakan adalah analisis regresi linear berganda.
Data yang digunakan sebanyak 19 wilayah yang terdiri dari kabupaten/kota di Provinsi
Sumatera Barat. Jumlah penduduk miskin digunakan sebagai variabel terikat, selain itu rata-
rata lama sekolah dan tingkat pengangguran terbuka digunakan sebagai variabel bebas. Berikut
merupakan data yang digunakan dalam analisis:

Tingkat
Jumlah Penduduk Rata-rata
Kabupaten/Kota Pengangguran
Miskin (Ribu Jiwa) Lama Sekolah
Terbuka (%)
Kepulauan Mentawai 12.99 6.95 2.27
Pesisir Selatan 34.92 8.14 5.85
Kab.Solok 32.89 7.84 5.92
Sijunjung 16.55 7.77 3.2
Tanah Datar 18.48 8.44 3.86
Padang Pariaman 33.2 7.5 6.9
Agam 32.92 8.69 4.82
Lima Puluh Kota 26.47 7.97 2.7
Pasaman 20.31 7.66 5.88
Solok Selatan 11.85 8.15 5.85
Dharmasraya 15.42 8.25 3.94
Pasaman Barat 31.83 7.86 3.37
Padang 44.04 11.33 9.18
Kota Solok 2.29 11.01 5.97
Sawahlunto 1.48 9.94 5.75
Padang Panjang 3.11 11.44 5.28
Bukittinggi 6.32 11.31 7.15
Payakumbuh 7.69 10.46 3.78
Pariaman 4.4 10.36 5.72
Sumber : Badan Pusat Statistik Provinsi Sumatera Barat 2018.

6
 BAB IV
ANALISIS
4.1. Tahapan Analisis
1. Pengujian Kelayakan Model (Goodness of Fit Model)
Uji kelayakan model atau uji F merupakan tahapan awal mengidentifikasi model regresi
yang diestimasi layak atau tidak. Layak berarti dapat digunakan untuk menjelaskan
pengaruh variabel-variabel bebas terhadap variabel terikat. Ada dua macam cara yang
bisa dilakukan, yaitu menggunakan probability of F atau F value (dilakukan bila dipilih
metode pemilihan variabel secara forward, backward, atau stepwise).

2. Multikolinieritas
Multikolinieritas adalah situasi adanya korelasi atau hubungan yang sempurna diantara
variabel bebas. Dengan kata lain, situasi umum yang menyebabkan multikolinieritas
adalah dua buah variabel independent atau bebas (x) berkorelasi sempurna atau hampir
berkorelasi sempurna (mendekati 1atau -1). Bila multikolinieritas mendekati sempurna
akan mempengaruhi kestabilan dan kehandalan koefisien regresi. Untuk melihat
kolinieritas ini dilakukan dengan melihat koefisien korelasi (r) antar variabel.

3. Heteroskedastisitas
Heteroskedastisitas adalah kebalikan dari homoskedastisitas, yaitu keadaan dimana
tidak terjadinya ketidaksamaan varian dari error untuk semua pengamatan setiap
variabel bebas pada model regresi. Uji heteroskedastisitas dilakukan dengan melihat
hasil Scatterplot (alur sebaran) antara residual dan nilai prediksi dari variabel terikat
yang telah distandarisasi.

4. Uji normalitas
Uji normalitas ini dilihat dengan pendekatan Normal P-P Plot yaitu dengan melihat
sebaran titik-titik. Uji ini dilakukan untuk melihat apakah residual terdistribusi normal
atau tidak.

5. Uji t (Uji Koefisien Regresi)

Untuk menguji apakah parameter (meliputi intersep/konstanta dan slope/koefisien
dalam persamaan linear) mampu menjelaskan perilaku variabel bebas dalam
mempengaruhi variabel terikatnya.

6. Koefisien Determinasi
Nilai koefisien determinasi dapat diukur oleh nilai R Square. Nilai R Square yang
mendekati 0 menyatakan model tersebut kurang mencakup keseluruhan variabilitas
dengan variabel-variabel yang dimasukkan ke dalam model persamaan regresi.
Sebaliknya, bila nilai R Square = 1, maka nilai observasi (sampel) terletak pada garis
regresi dengan tingkat kesesuain model tinggi.

7. Penentuan Model Persamaan Regresi

7
4.2. Ringkasan Output
1. Statistik Deskriptif

Descriptive Statistics
Mean Std. N
Deviation
Pdd_Miskin 18.7979 13.20142 19
Lama_Sekolah 9.0037 1.51886 19
Pengangguran 5.1258 1.71843 19

Pada tabel diatas, terdapat data Mean dan jumlah sampel yang akan diolah disetiap variabel
yang akan digunakan. Dapat dilihat bahwa banyak sampel yang digunakan pada analisis kali
ini adalah 19. Pada ketiga variabel yang digunakan, yaitu variabel jumlah penduduk miskin,
rata-rata lama sekolah, dan tingkat pengangguran terbuka memiliki nilai standar deviasi yang
lebih kecil dari nilai Mean, yang berarti bahwa data yang digunakan normal.

2. Tabel Korelasi

Correlations
Pdd_Miskin Lama_Sekola Penganggura
h n
Pearson Correlation Pdd_Miskin 1.000 -.419 .197
Lama_Sekolah -.419 1.000 .515
Pengangguran .197 .515 1.000
Sig. (1-tailed) Pdd_Miskin . .037 .210
Lama_Sekolah .037 . .012
Pengangguran .210 .012 .
N Pdd_Miskin 19 19 19
Lama_Sekolah 19 19 19
Pengangguran 19 19 19

Pada kolom Pearson Correlations menunjukkan besarnya hubungan yang terjadi. Besar
hubungan antara rata-rata lama sekolah dengan jumlah penduduk miskin adalah 0.419
(negatif). Sedangkan antara rata-rata lama sekolah dengan tingkat pengangguran terbuka
adalah 0.515, dan antara penduduk miskin dengan pengangguran adalah 0.197 (positif).
Pada kolom Sig. (1-tailed) memperlihatkan kekuatan hubungan variabel. Hubungan antar
variabel dapat dikatakan kuat apabila sig > 0.05. Antara variabel pengangguran dengan rata-
rata lama sekolah tidak mempunyai hubungan antar variabel.
Pada kolom N menunjukkan bahwa jumlah sampel yang diolah sebanyak 19 sampel.

8
 3. Variable Entered/Removed

Variables Entered/Removeda
Mode Variables Variables Method
l Entered Removed
1 Pengangguran, . Enter
Lama_Sekolahb
a. Dependent Variable: Pdd_Miskin
b. All requested variables entered.

Pada tabel diatas menunjukkan informasi mengenai variabel yang digunakan dalam analisis
regresi. Variabel bebas yang digunakan adalah tingkat pengangguran terbuka dan rata-rata
lama sekolah. Sementara variabel terikat yang digunakan adalah jumlah penduduk miskin.
Selain, variabel, juga terdapat keterangan metode yang digunakan, dalam analisis kali ini
menggunakan model enter dan tidak ada variabel yang dibuang sehingga pada kolom variables
removed kosong.

4. Autokorelasi atau Uji Nilai Durbin-Watson

Model Summaryb
Mode R R Adjusted R Std. Error of Durbin-
l Square Square the Estimate Watson
1 .638a .407 .333 10.77816 1.571
a. Predictors: (Constant), Pengangguran, Lama_Sekolah
b. Dependent Variable: Pdd_Miskin

Berdasarkan tabel Durbin Watson diketahui bahwa N=19 dan K=2 memiliki nilai dL =
1.0743 dan dU = 1.5355. Pada output diatas, nilai DW adalah 1.571 yang berarti nilai tersebut
terletak diantara batas atas dU (1.5355) dengan 4-dU (2.4645)atau daerah bebas Autokorelasi
negatif maupun positif, maka dapat disimpulkan dalam model tersebut tidak terjadi
penyimpangan asumsi klasik autokorelasi. (pada umumnya autokorelasi dilakukan pada data
time series salah satunya dengan melihat nilai DW).

5. Pengujian Kelayakan Model (Goodness of Fit Model)

ANOVAa
Model Sum of df Mean F Sig.
Squares Square
1 Regression 1278.293 2 639.147 5.502 .015b
Residual 1858.700 16 116.169
Total 3136.993 18

9
 a. Dependent Variable: Pdd_Miskin
b. Predictors: (Constant), Pengangguran, Lama_Sekolah

Uji kelayakan model atau uji F merupakan tahapan awal mengidentifikasi model regresi
yang diestimasi layak atau tidak. Pada tabel diatas, nilai probabilitas F hitung pada kolom sig
pada output menunjukkan angka 0.015 yang menandakan nilainya < 0.05 (berdasarkan
ketentuan), maka dapat dikatakan bahwa model regresi yang diestimasi layak atau dapat
dipakai untuk memprediksi jumlah penduduk miskin.

6. Multikolinieritas

Coefficientsa
Model Unstandardized Standardized t Sig. Collinearity
Coefficients Coefficients Statistics
B Std. Beta Tolerance VIF
Error
1 (Constant) 52.124 15.263 3.415 .004
Lama_Sekolah -6.159 1.952 -.709 -3.156 .006 .734 1.362
Pengangguran 4.317 1.725 .562 2.502 .024 .734 1.362
a. Dependent Variable: Pdd_Miskin

Model regresi linear yang baik adalah yang terbebas dari adanya multikolinearitas. Karena
nilai VIF dari kedua variabel bebas tersebut tidak ada yang lebih besar dari 10 atau 5, maka
dapat dikatakan tidak terjadi multikolinieritas pada kedua variabel tersebut.

7. Heteroskedastisitas

10
 Heteroskedastisitas yaitu keadaan dimana terjadinya ketidaksamaan varian dari error untuk
semua pengamatan setiap variabel bebas pada model regresi. Uji heteroskedastisitas dilakukan
dengan melihat hasil Scatterplot (alur sebaran) antara residual dan nilai prediksi dari variabel
terikat yang telah distandarisasi. Sebaran titik pada gambar diatas tidak membentuk suatu
pola/alur tertentu, sehingga dapat disimpulkan tidak terjadi heteroskedastisitas. Model ini
memenuhi karena terbebas dari heteroskedastisitas.

8. Uji Normalitas

Uji normaitas dapat dilihat dengan melihat sebaran titik-titik pada Normal P-P Plot. Pada
gambar diatas, sebaran titik-titik mendekati atau rapat pada garis diagonal, maka dapat
dikatakan bahwa (data) residual terdistribusi normal.

9. Uji t (Uji Koefisien Regresi)

Coefficientsa
Model Unstandardized Standardized t Sig. Collinearity
Coefficients Coefficients Statistics
B Std. Beta Tolerance VIF
Error
1 (Constant) 52.124 15.263 3.415 .004
Lama_Sekolah -6.159 1.952 -.709 -3.156 .006 .734 1.362
Pengangguran 4.317 1.725 .562 2.502 .024 .734 1.362
a. Dependent Variable: Pdd_Miskin

Uji t dilakukan untuk menguji parameter (koefisien regresi dan konstanta) yang diduga.
Dengan tujuan untuk mengestimasi persamaan/model regresi linear berganda. Pada bagian ini,
uji t difokuskan pada parameter slope (koefisien regresi). Jadi uji t yang dimaksud adalah uji
koefisien regresi.
Dapat dilihat pada tabel diatas, bahwa nilai sig pada kedua variabel bebas yaitu rata-
rata lama sekolah dan variabel tingkat pengangguran < 0.05 (berdasarkan ketentuan) maka

11
dapat dikatakan bahwa variabel bebas (dari t hitung tersebut) berpengaruh signifikan terhadap
variabel terikatnya yaitu variabel jumlah penduduk miskin.

10. Koefisien Determinasi

Model Summaryb
Mode R R Adjusted R Std. Error of Durbin-
l Square Square the Estimate Watson
1 .638a .407 .333 10.77816 1.571
a. Predictors: (Constant), Pengangguran, Lama_Sekolah
b. Dependent Variable: Pdd_Miskin

Koefisien determansi dilakukan untuk menjelaskan variasi pengaruh variabel-variabel

bebas terhadap variabel terikat atau untuk melihat proporsi pengaruh seluruh variabel bebas
terhadap variabel terikat. Nilai koefisien determinasi ini dapat diukur dengan nilai R Square.
Pada tabel diatas, nilai R Square yang diperoleh adalah 0,407, artinya 40,7% variabel bebas
yang terdiri dari rata-rata lama sekolah dan tingkat pengangguran terbuka dapat menjelaskan
variabel terikat yaitu jumlah penduduk miskin. Sisanya sebanyak 59,3% dipengaruhi oleh
variabel lain yang tidak ada dalam analisis ini.

11. Interpretasi Model

Coefficientsa
Model Unstandardized Standardized t Sig. Collinearity
Coefficients Coefficients Statistics
B Std. Beta Tolerance VIF
Error
1 (Constant) 52.124 15.263 3.415 .004
Lama_Sekolah -6.159 1.952 -.709 -3.156 .006 .734 1.362
Pengangguran 4.317 1.725 .562 2.502 .024 .734 1.362
a. Dependent Variable: Pdd_Miskin

Secara umum, bentuk model persamaan regresi adalah sebagai berikut:

Yi = b0 + b1X1i + b2X2i
Keterangan :
Y : Variabel terikat (jumlah penduduk miskin)
b0 : Nilai konstanta

12
X1 : Nilai dari variabel bebas (rata-rata lama sekolah)
X2 : Nilai dari variabel bebas (tingkat pengangguran terbuka)
i : 1,2,3
b1,b2, : Parameter tetap yang merupakan koefisien regresi
Dari tabel diatas dapat disimpulkan bahwa model persamaan regresi yang terbentuk adalah:
Y = 52,124 – 6,159 X1 + 4.317 X2
Dari persamaan yang terbentuk diatas, dapat diketahui bahwa variabel rata-rata lama
sekolah dengan variabel terikat (penduduk miskin) cenderung berubah dalam arah yang
berlawanan. Sedangkan variabel tingkat pengangguran menunjukkan pengaruh terhadap
variabel terikat (penduduk miskin) yang cenderung berubah secara bersama dalam arah yang
sama.

13
 BAB V
KESIMPULAN
Berdasarkan hasil analisis regresi linear berganda yang telah dilakukan diatas, antara
variabel terikat dan variabel bebas berpengaruh secara signifikan, dimana ketika jenjang
pendidikan yang ditempuh semakin tinggi (semakin lama sekolah) maka jumlah penduduk
miskin dapat berkurang. Namun apabila tingkat pengangguran meningkat akan terjadi
peningkatan juga pada jumlah penduduk miskin pada wilayah tersebut (hal tersebut juga dapat
dilihat pada model persamaan regresi yang dihasilkan). Analisis seperti ini mudah untuk
digunakan baik oleh kalangan mahasiswa ataupun professional dalam melakukan penelitian.
Output yang dihasilkan dari analisis tersebut dapat dijadikan pertimbangan pemerintah dalam
meningkatkan pemerataan pembangunan, sehingga dapat mengetahui penyebab suatu indikator
permasalahan yang dapat terjadi.

14
 DAFTAR PUSTAKA
Wirawan, I made Tony dan Sudarsana Eka. (2015). Analisis Pengaruh Pendidikan,
PDRB Per Kapita, dan Tingkat Pengangguran terhadap Jumlah Penduduk Miskin Provinsi
Bali. Jurnal Ekonomi Pembangunan, 4(5), 546-560. Diakses dari http://media.neliti.com/ pada
tanggal 28 April 2020
Alhudori, M. (2017). Pengaruh IPM, PDRB, dan Jumlah Pengangguran terhadap
Penduduk Miskin di Provinsi Jambi. Jurnal Ekonomi dan Bisnis, 1(1), 113-124. . Diakses dari
http://media.neliti.com/ pada tanggal 28 April 2020
Badan Pusat Statistik (BPS). “Indeks Pembangunan Manusia”. Diakses dari
http://sumbar.bps.go.id/ pada tanggal 27 April 2020
Badan Pusat Statistik (BPS). “Kemiskinan dan Ketimpangan”. Diakses dari
http://sumbar.bps.go.id/ pada tanggal 27 April 2020
Badan Pusat Statistik (BPS). “Tenaga Kerja”. Diakses dari http://sumbar.bps.go.id/
pada tanggal 27 April 2020

15
 LAMPIRAN
1. Siapkan data yang dipakai

2. Buka program aplikasi IBM SPSS

3. Input variabel-variabel data yang digunakan pada Variable View. Ubah Measure
menjadi Scale dan Column (15).

16
4. Input data-data yang telah disiapkan kedalam SPSS pada Data View.

5. Klik Analyze > Regression Linear

17
6. Masukkan variable dependent dan independent

7. Klik pada menu statistics, dan centang seperti pada gambar dibawah

18
8. Klik menu Plots lalu Isi variabel X dan Y seperti pada gambar dibawah, lalu centang
pada kolom histogram dan normal probability plot.

9. Selanjutnya, klik menu save untuk menyimpan residual dan centang “unsstandardize”

10. Klik menu options > Continue. Lalu klik OK untuk melihat output

19
 11. Hasilnya akan terlihat seperti pada gambar berikut

OUTPUT pada SPSS

Descriptive Statistics
Mean Std. Deviation N
Pdd_Miskin 18.7979 13.20142 19
Lama_Sekolah 9.0037 1.51886 19

20
Pengangguran 5.1258 1.71843 19

Correlations
Pdd_Miskin Lama_Sekolah Pengangguran
Pearson Correlation Pdd_Miskin 1.000 -.419 .197
Lama_Sekolah -.419 1.000 .515
Pengangguran .197 .515 1.000
Sig. (1-tailed) Pdd_Miskin . .037 .210
Lama_Sekolah .037 . .012
Pengangguran .210 .012 .
N Pdd_Miskin 19 19 19
Lama_Sekolah 19 19 19
Pengangguran 19 19 19

Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Pengangguran, . Enter
Lama_Sekolahb
a. Dependent Variable: Pdd_Miskin
b. All requested variables entered.

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .638a .407 .333 10.77816 1.571
a. Predictors: (Constant), Pengangguran, Lama_Sekolah
b. Dependent Variable: Pdd_Miskin

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1278.293 2 639.147 5.502 .015b
Residual 1858.700 16 116.169
Total 3136.993 18
a. Dependent Variable: Pdd_Miskin
b. Predictors: (Constant), Pengangguran, Lama_Sekolah

21
 Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 52.124 15.263 3.415 .004
Lama_Sekolah -6.159 1.952 -.709 -3.156 .006 .734 1.362
Pengangguran 4.317 1.725 .562 2.502 .024 .734 1.362
a. Dependent Variable: Pdd_Miskin

Collinearity Diagnosticsa
Variance Proportions
Model Dimension Eigenvalue Condition Index (Constant) Lama_Sekolah Pengangguran
1 1 2.934 1.000 .00 .00 .01
2 .054 7.380 .14 .03 .85
3 .012 15.813 .86 .97 .14
a. Dependent Variable: Pdd_Miskin

Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 4.0191 35.7178 18.7979 8.42712 19
Std. Predicted Value -1.754 2.008 .000 1.000 19
Standard Error of Predicted 2.537 6.551 4.158 1.053 19
Value
Adjusted Predicted Value 2.9405 36.7317 18.3786 8.97722 19
Residual -15.33190 22.06847 .00000 10.16175 19
Std. Residual -1.422 2.048 .000 .943 19
Stud. Residual -1.507 2.578 .017 1.055 19
Deleted Residual -17.19650 34.99623 .41929 12.89128 19
Stud. Deleted Residual -1.575 3.266 .053 1.165 19
Mahal. Distance .050 5.702 1.895 1.463 19
Cook's Distance .001 1.298 .101 .292 19
Centered Leverage Value .003 .317 .105 .081 19
a. Dependent Variable: Pdd_Miskin

22
23
24