PENGARUH PERTUMBUHAN EKONOMI, UPAH, DAN INFLASI TERHADAP TINGKAT

PENGANGGURAN DI JAWA TIMUR MENGGUNAKAN REGRESI LINIER BERGANDA

Mata Kuliah: Bahasa Indonesia

Dosen Pengampu: Putri Kumala Dewi, M.Pd.

Oleh:
1. Mega Fitriani (185090501111025)
2. Fida Elis Silvana (185090501111027)
3. Rizky Dwi Saputra (185090507111022)

PROGRAM STUDI SARJANA STATISTIKA

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
2021
 BAB II

PEMBAHASAN

2.1 Analisis Pengaruh Pertumbuhan Ekonomi, Upah, dan Inflasi Terhadap Tingkat
Pengangguran di Provinsi Jawa Timur Menggunakan Uji Simultan pada Analisis
Regresi Linier Berganda (Mega Fitriani, Fida Elis Silvana, dan Rizky Dwi Saputra)
2.1.1 Pembentukan Model dengan Analisis regresi
Langkah awal yang harus dilakukan dalam analisis regresi adalah dengan
membentuk model regresi. Pembentukan model regresi ini bertujuan agar dapat
dilakukan uji asumsi yang melibatkan residual atau sisaan dari model. Meskipun
model regresi telah terbentuk, namun interpretasi terhadap model belum dapat
dilakukan. Hal ini dikarenakan interpretasi boleh dilakukan setelah asumsi sudah
diperiksa dan tidak ada yang terlanggar. Dengan menggunakan software Rstudio
didapatkan koefisien model regresi seperti pada tabel 2.1 berikut.

Tabel 2.1 Koefisien Model regresi

Variabel Koefisien
Intercept 1.6
X1 0.03525
X2 0.039732
X3 0.000001118

Berdasarkan hasil analisis yang dilakukan menggunakan software RStudio

didapatkan koefisien untuk masing-masing variabel seperti pada tabel 2.1 diatas
sehingga model regresi yang terbentuk adalah sebagai berikut.

Y^ =1.6−0.03525 X 1 +0.039732 X 2 +0.000001118 X 3

Model tersebut belum bisa diinterpretasikan karena belum dilakukan uji asumsi,
oleh karena itu langkah selanjutnya akan dilakukan uji asumsi.

2.1.2 Uji Asumsi Klasik

Sebelum melakukan analisis regresi linier berganda perlu dilakukan uji asumsi
terlebih dahulu. Hal ini bertujuan agar hasil pendugaan yang diperoleh tidak bias
dan efisien (Rahmah, 2019). Uji asumsi yang akan dilakukan adalah uji asumsi
klasik yang meliputi uji normalitas, uji homoskedastisitas , uji multikolinieritas,
dan uji autokorelasi.
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji ditrisbusi dari residual (sisaan) pada
model regresi. Model regresi yang baik memiliki nilai residual yang
berdistribusi normal (Janie, 2012). Apabila asumsi ini terlanggar akan
berakibat pada hasil uji statistik yang tidak valid untuk sampel kecil. Uji
asumsi normalitas dapat dilakukan menggunakan uji Shapiro Wilks. Dengan
menggunakan software RStudio didapatkan hasil uji Shapiro Wilks seperti
pada table 2.2 dibawah ini.

Tabel 2.2 Hasil Uji Normalitas

Uji Shapiro Wilks p-value
0.94559 0.06375

Hipotesis
H 0 : sisaan berdistribusi normal
H 1 : sisaan tidak berdistribusi normal
Nilai p−value dan α
p−value=0.06375
α =0.05
Keputusan dan Kesimpulan
Berdasarkan hasil uji asumsi normalitas menggunakan uji shapiro wilk
didapatkan nilai p-value (0.06375)>α (0.05), maka keputusannya terima H 0.
Sehingga dapat disimpulkan bahwa sisaan berdistribusi normal (asumsi
normalitas terpenuhi)

2. Uji Homoskedastisitas
Uji homoskedastisitas bertujuan untuk menguji kesamaan varians residual
dari satu pengamatan ke pengamatan lain (Janie, 2012). Jika varians residual
dari satu pengamatan ke pengamatan yang lain tidak sama, maka terdapat
heteroskedastisitas. Untuk mendeteksi adanya heterokedastisitas dapat
menggunakan Uji Breusch-Pagan. Dengan menggunakan software RStudio
didapatkan hasil Uji Breusch-Pagan adalah seperti pada Tabel 2.3 berikut.
 Tabel 2.3 Hasil Uji Homoskedastisitas

Uji Breusch-Pagan p-value

2.5309 0.4697

Hipotesis
H 0 : ragam konstan
H 1 : ragam tidak konstan
Nilai p−value dan α
p−value=0.4697
α =0.05
Keputusan dan Kesimpulan
Berdasarkan hasil uji asumsi homoskedastisitas menggunakan uji Breusch-
Pagan didapatkan nilai p-value (0.4697)>α (0.05), maka keputusannya
terima H 0. Sehingga dapat disimpulkan bahwa ragam konstan (asumsi
homoskedastisitas terpenuhi).

3. Uji Multikolinieritas
Uji multikolinieritas digunakan untuk mengetahui adanya korelasi
antarvariabel independen. Jika dalam model regresi terdapat
multikolinieritas, maka akan menyebabkan nilai standard error menjadi
tinggi sehingga mengakibatkan pendugaan koefisien regresi menjadi tidak
tepat atau bahkan bisa menyebabkan tidak dapat ditentukannya nilai
koefisien regresi (Janie, 2012). Untuk mendeteksi adanya multikolinieritas
dapat dilakukan dengan melihat nilai VIF (Variance Inflation Factors). Jika
nilai VIF < 10, maka dapat disimpulkan bahwa tidak terdapat
multikolinieritas antarvariabel independen. Dengan menggunakan software
RStudio didapatkan nilai VIF untuk masing-masing variabel independen
seperti pada Tabel 2.4 berikut.

Tabel 2.4 Hasil Uji Multikolinieritas

Variables Tolerance VIF

Pertumbuhan ekonomi (X1) 0.6894994 1.450327

 Inflasi (X2) 0.9034371 1.106884

Upah (X3) 0.7440860 1.343931

Berdasarkan hasil uji asumsi multikolinearitas pada tabel 2.4 diatas terlihat
bahwa semua nilai VIF < 10, sehingga dapat disimpulkan bahwa asumsi
nonmultikolinearitas terpenuhi.

4. Uji Autokorelasi
Uji autokorelasi digunakan untuk menguji adanya korelasi antara suatu
periode t dengan periode sebelumnya (t-1) sehingga uji ini digunakan untuk
data deret waktu (Rahmah, 2019). Pada makalah ini data yang digunakan
bukan berupa data deret waktu sehingga uji autokorelasi tidak perlu
dilakukan.

2.1.3 Interpretasi Model Regresi

Berdasarkan uji asumsi yang telah dilakukan sebelumnya, didapatkan hasil bahwa
semua asumsi terpenuhi, sehingga dapat dilakukan interpretasi model.
Model regresi yang terbentuk adalah sebagai berikut.
Y^ =1.6−0.03525 X 1 +0.039732 X 2 +0.000001118 X 3

Interpretasi Model:
 Jika variabel X 1 (pertumbuhan ekonomi), X 2 (inflasi) dan X 3 (upah) bernilai 0,
maka variabel Y (tingkat kemiskinan) pada suatu daerah adalah sebesar 1.6 %
 Jika variabel X 1 (pertumbuhan ekonomi) naik sebesar 1 satuan, maka variabel Y
(tingkat pengangguran) pada suatu daerah akan menurun sebesar 0.03525 % ,
dengan syarat variabel lain besarnya dianggap tetap.
 Jika variabel X 2 (inflasi) naik sebesar 1 satuan , maka variabel Y (tingkat
pengangguran) pada suatu daerah akan meningkat sebesar 0.039732 %, dengan
syarat variabel lain besarnya dianggap tetap.
 Jika variabel X 3 (upah) naik sebesar 1 satuan, maka variabel Y (tingkat
pengangguran) pada suatu daerah akan meningkat sebesar 0.000001118 %,
dengan syarat variabel lain besarnya dianggap tetap.
2.1.4 Uji Koefisien Determinasi
Koefisien determinasi digunakan untuk mengukur seberapa jauh kemampuan
model dalam menerangkan variabel terikat (Marpaung, 2013). Nilai koefisien
determinasi antara nol dan satu. Jika angka koefisien determinasi semakin
mendekati 1, maka pengaruh variabel independen terhadap variabel dependen
semakin tinggi.
Tabel 2.7 Hasil Uji Koefisisen Determinasi
R-squared 0.3644
Adjusted R-squared 0.3083

Berdasarkan hasil uji koefisien determinasi pada tabel 2.7 diatas didapatkan nilai
Adjusted R-squared sebesar 0.3083, hal ini menunjukkan bahwa variabel
independen (pertumbuhan ekonomi, inflasi, dan upah) secara bersama-sama
mampu menjelaskan variabel dependen (tingkat pengangguran) sebesar 30.83%.
sedangkan sisanya sebesar 69.17% dipengaruhi oleh variabel lain yang tidak
dimasukkan dalam model.

2.1.5 Uji Simultan

Uji simultan dilakukan untuk mengetahui pengaruh variabel independen terhadap
nilai variabel dependen dengan membandingkan tingkat signifikansi yang
ditetapkan untuk penelitian dengan p-value dari hasil penelitian (Rahman &
Yasin, 2012). Dengan menggunakan software RStudio didapatkan hasil pengujian
simultan seperti pada Tabel 2.5 berikut.

Tabel 2.5 Hasil Uji Simultan

Uji Simultan ( Uji F) p-value
6.498 0.001354

Hipotesis
H 0 : β 0=β 1=β 2=β 3=0
H 1 : β0 =β 1=β 2=β 3 ≠ 0
Nilai p−value dan α
p−value=0.001354
α =0.05
 Keputusan dan Kesimpulan
Berdasarkan hasil uji F pada tabel 2.5 diatas didapatkan nilai p-value (
0.001354 ¿< α ( 0.05), maka keputusannya tolak H 0. Sehingga dapat disimpulkan
bahwa secara simultan variabel X 1 (pertumbuhan ekonomi), X 2 (inflasi) dan X 3
(upah) berpengaruh signifikan terhadap variabel Y (tingkat pengangguran) pada
suatu daerah.

2.2 Analisis Pengaruh Pertumbuhan Ekonomi Terhadap Tingkat Pengangguran di

Provinsi Jawa Timur Menggunakan Uji Parsial pada Analisis Regresi Linier
Berganda (Mega Fitriani, Fida Elis Silvana, dan Rizky Dwi Saputra)
Uji parsial ini dilakukan untuk mengetahui pengaruh pertumbuhan ekonomi terhadap
tingkat pengangguran di Provinsi Jawa Timur. Dengan menggunakan software RStudio
didapatkan hasil uji parsial untuk variabel X1 (pertumbuhan ekonomi) seperti pada tabel
2.8 berikut.
Tabel 2.8 Hasil Uji Parsial X1
Koefisien X1 p-value
-0.03525 0.918773

Hipotesis
H 0 : β 1=0
H 1 : β1 ≠ 0
Nilai p−value dan α
p−value=0.918773
α =0.05
Keputusan dan Kesimpulan
Berdasarkan hasil uji parsial pada tabel 2.6 terlihat bahwa nilai p-value untuk variabel X 1
adalah (0.918773 ¿> α (0.05), maka keputusannya terima H 0. Sehingga dapat
disimpulkan bahwa tidak terdapat pengaruh yang signifikan antara variabel X 1
(pertumbuhan ekonomi) terhadap variabel Y (tingkat pengangguran) pada suatu daerah.
2.3 Analisis Pengaruh Inflasi Terhadap Tingkat Pengangguran di Provinsi Jawa Timur
Menggunakan Uji Parsial pada Analisis Regresi Linier Berganda (Mega Fitriani,
Fida Elis Silvana, dan Rizky Dwi Saputra)
Uji parsial ini dilakukan untuk mengetahui pengaruh inflasi terhadap tingkat
pengangguran di Provinsi Jawa Timur. Dengan menggunakan software RStudio
didapatkan hasil uji parsial untuk variabel X2 (inflasi) seperti pada tabel 2.9 berikut.

Tabel 2.9 Hasil Uji Parsial X2

Koefisien X2 p-value
0.039732 0.735331

Hipotesis
H 0 : β 2=0
H 1 : β2 ≠ 0
Nilai p−value dan α
p−value=0.735331
α =0.05
Keputusan dan Kesimpulan
Berdasarkan hasil uji parsial pada tabel 2.6 terlihat bahwa nilai p-value untuk variabel X 2
adalah (0.735331 ¿>α (0.05), maka keputusannya terima H 0. Sehingga dapat
disimpulkan bahwa tidak terdapat pengaruh yang signifikan antara variabel X 2 (Inflasi)
terhadap variabel Y (tingkat pengangguran) pada suatu daerah.

2.4 Analisis Pengaruh Upah Terhadap Tingkat Pengangguran di Provinsi Jawa Timur
Menggunakan Uji Parsial pada Analisis Regresi Linier Berganda (Mega Fitriani,
Fida Elis Silvana, dan Rizky Dwi Saputra)
Uji parsial ini dilakukan untuk mengetahui pengaruh upah terhadap tingkat
pengangguran di Provinsi Jawa Timur. Dengan menggunakan software RStudio
didapatkan hasil uji parsial untuk variabel X3 (upah) seperti pada tabel 2.10 berikut.

Tabel 2.10 Hasil Uji Parsial X3

Koefisien X3 p-value
0.000001118 0.000436

Hipotesis
H 0 : β 3=0
H 1 : β3 ≠ 0
Nilai p−value dan α
p−value=0.000436
α =0.05
Keputusan dan Kesimpulan
Berdasarkan hasil uji parsial pada tabel 2.6 terlihat bahwa nilai p-value untuk variabel
X 3 adalah (0.000436 ¿< α (0.05), maka keputusannya tolak H 0. Sehingga dapat
disimpulkan bahwa terdapat pengaruh yang signifikan antara variabel X 3 (upah) terhadap
variabel Y (tingkat pengangguran) pada suatu daerah.
Janie, A. D. N. (2012). S t a t i s t i k d e s k r i p t i f & r e g r e s i l i n i e r b e r g a n d a d e
n g a n s p s s.
Marpaung, R. (2013). Pengaruh Kepemimpinan Dan Motivasi Terhadap Semangat Kerja
Pegawai Dinas Pertanian, Peternakan Dan Perikanan Kabupaten Siak. Jurnal Ekonomi
Universitas Riau, 21(02), 8692.
Rahmah, A. (2019). Analisis Faktor-Faktor yang Mempengaruhi Tingkat Pengangguran di
Kota Batam. In Journal of Chemical Information and Modeling (Vol. 53, Issue 9).
Rahman, A., & Yasin, J. (2012). Pengaruh Kecerdasan Emosional Terhadap. Fokus Ekonomi,
01(1), 86–97. http://stiepena.ac.id/wp-content/uploads/2012/11/pena-fokus-vol-4-no-2-
40-45.pdf