DISUSUN OLEH:
NAMA : ABDURRAHMAN ZAKI
NIM : 21040116130098
KELAS : A
DAFTAR ISI
DAFTAR ISI............................................................................................................................... i
II. PENDAHULUAN .............................................................................................................. 1
III. KAJIAN LITERATUR ................................................................................................... 1
IV. GAMBARAN KASUS/WILAYAH ............................................................................... 5
V. ANALISIS .......................................................................................................................... 7
VI. KESIMPULAN ............................................................................................................. 14
VII. DAFTAR PUSTAKA ................................................................................................... 15
VIII. LAMPIRAN .................................................................................................................. 16
i
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
I. PENDAHULUAN
Lapangan pekerjaan merupakan motor bagi keberlangsungan aktivitas
perkembangan wilayah. Ketidaktersediaan lapangan kerja akan menyebabkan penduduk
melakukan out-migration, atau meningkatkan kemungkinan pertambahan jumlah
pengangguran di wilayah. Pertumbuhan penduduk yang terjadi secara terus-menerus, akan
menyebabkan pertambahan angkatan kerja secara terus-menerus, dikarenakan kelompok
usia kerja akan selalu bertambah (konteks pertumbuhan penduduk di Indonesia).
Pertambahan penduduk usia kerja, perlu diiringi dengan upaya penyediaan lapangan kerja.
Penulis menggagas penyediaan lapangan kerja berupa pabrik di Kecamatan Sidoharjo,
Kabupaten Sragen, untuk mewadahi pertambahan penduduk usia kerja di kecamatan tersebut.
Tahapan pengenalan masalah dalam laporan ini dilakukan melalui metode statistik
deskriptif dan tabulasi silang (crosstabs). Tahap ini dilakukan terhadap data jumlah
penduduk total dan jumlah penduduk yang bekerja di Kecamatan Sidoharjo. Kemdudian
tahapan identifikasi perkembangan dilakukan melalui metode trendline untuk
memproyeksikan jumlah penduduk di Kecamatan Sidoharjo pada tahun 2040, kemudian
melalui metode regresi untuk mengetahui jumlah penduduk bekerja pada tahun 2040
(dengan menginput hasil trendline pada x di persamaan regresi). Kemudian tahapan
perumusan alternatif pemilihan jenis pabrik di Kecamatan Sidoharjo dilakukan melalui
metode AHP.
1
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Metode Crosstabs
Metode tabulasi silang merupakan cara analisis kategori data yang menggunakan
data nominal, ordinal, interval, atau kombinasi di antaranya. Tabulasi silang dipakai untuk
menghitung banyak kasus yang memiliki kombinasi nilai-nilai yang berbeda dari dua
variabel dan menghitung harga-harga statistik serta ujinya. Metode ini mentabulasikan
beberapa variabel yang berbeda ke dalam suatu matriks yang hasilnya disajikan dalam suatu
tabel dengan variabel yang disusun dalam row dan column. Variable tersebut adlaah variabel
kategori bebas pada satu bagian dan variabel kategori prediktor pada bagian lainnya. Tabel
tersebut akan mengindikasikan hubungan bivariat antara pengukurang ketergantungan pada
setiap variabel prediktor yang terpisah (Indratno & Irwinsyah, 1998).
Metode tabulasi silang akan membantu dalam menyelesaikan penelitian yang
berkaitan dengan penentuan hubungan antarvariabel atau faktor yang diperoleh dari data
kualitatif. Kemudian metode ini berguna dalam menentukan besar derajat asosiasi
antarvariabel/faktor, dan dalam menentukan variabel terikat dan variabel bebas dari dua
variabel yang dianalisis.
Metode Trendline
Metode trendline merupakan metode peramalan sederhana yang berdasar pada
pemikiran bahwa peramalan yang reliabel bisa dilakukan dengan pemodelan pola data pada
waktu-waktu sebelumnya, lalu diekstrapolasikan ke masa yang akan datang. Analisis
trendline akan terlebih dahulu melihat kecenderungan dinamika data pada periode
sebelumnya (Junaidi, 2014).
Model trendline yang umum digunakan adalah model trendline linear dan model
trendline eksponensial. Trendline linear yaitu kecenderungan data ketika dinamikanya
berdasarkan waktu adalah tetap/konstan. Trendline linear memiliki persamaan sebagai
berikut:
𝑌𝑡 = 𝛽0 + 𝛽1𝑇
Keterangan:
Yt : nilai data pada tahun t;
𝛽0 : konstanta, yang menunjukkan nilai data pada tahun awal;
𝛽1 : besar perubahan/dinamika data dar isuatu periode ke periode lainnya;
T : tahun
Model trendline eksponensial memiliki kecenderungan data ketika dinamikanya semakin
lama semakin bertambah secara eksponensial. Model trendline ini memiliki persamaan
sebagai berikut:
2
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Metode Regresi
Regresi linier berganda berguna dalam pengujian pengaruh dua variabel
independen/bebas atau lebih, terhadap satu variabel dependen/terikat. Regresi linear
memiliki asumsi berupa adanya hubungan satu garus lurus antara variabel bebas dengan
masing-masing predikstornya, yang diketahui dalam persamaannya (Janie, 2012). Suatu
garis regresi dapat dinyatakan dalam persamaan matematis. Garis regresi linear dengan satu
ubahan prediktor memiliki persamaan:
𝑌 = 𝑎𝑋 + 𝐾
Keterangan:
Y : kriterium;
X : prediktor;
a : bilangan koefisien prediktor;
K : bilangan konstan;
Garis regresi linear dengan dua ubahan prediktor memiliki persamaan sebagai berikut:
𝑌 = 𝑎1𝑋1 + 𝑎2𝑋2 + 𝐾
Dan untuk m ubahan prediktor, persamaannya adalah:
𝑌 = 𝑎1𝑋1 + 𝑎2𝑋2 + ⋯ + 𝑎𝑚𝑋𝑚 + 𝐾
Keterangan:
X1, X2, ..., Xm : prediktor 1, prediktor 1, ..., preditor ke-m;
A1, a2, ..., am : koefisien prediktor 1, koefisien prediktor 2, ..., koefisien prediktor ke-m;
K : bilangan konstan;
Empat hal pokok dalam analisis regresi adalah mencari korelasi antara kriterium
dengan prediktor, menguji apakah korelasi itu signifikan atau tidak, mencari persamaan garis
regresinya, dan menemukan sumbangan relatif antara sesama prediktor (jika prediktor lebih
dari satu) (Hadi, 2004).
Metode AHP
AHP (Analytical Hierarchy Process) merupakan suatu metode pengambilan
keputusan dalam menggunakan beberapa variabel dengan proses analisis
hierarkis/bertingkat. Analisis dengan metode AHP dilakukan dengan memberi nilai
prioritas/bobot untuk masing-masing variabel, lalu melakukan perbandingan berpasangan
(pairwise comparison) terhadap seluruh variabel dan alternatif yang dipertimbangkan (Saaty,
3
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
4
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Kecamatan Sidoharjo terdiri dari 12 (dua belas) desa, dengan pusat pemerintahan di
Desa Jetak. Luas kecamatan ini adalah sekitar 4.589,96 Ha, terdiri dari 3.053,12 Ha (66,52%)
tanah sawah dan 1.536,84 Ha (33,48%) tanah kering. Kecamatan Sidoharjo pada thaun 2017
memiliki jumlah penduduk sebanyak 52.641 jiwa (25.830 laki-laki dan 26.811 perempuan),
sex ratio sebesar 963 laki-laki/1.000 perempuan, dependency ratio 46/100 orang,
pertumbuhan penduduk total 0,31%, pertumbuhan penduduk alami 0,37%, dan rata-rata
jumlah penduduk tiap rumah tangga adalah 3 orang (BPS, 2017).
Kasus yang diangkat dalam laporan ini adalah kesenjangan (gap) antara jumlah
penduduk bekerja (data penduduk usia 10 tahun ke atas yang bekerja) dengan data jumlah
penduduk di Kecamatan Sidoharjo, Kabupaten Sragen, pada tahun 2040. Kasus ini
menggambarkan ramalan jumlah penduduk pengangguran di wilayah studi pada tahun 2040,
yang kemudian ditindaklanjuti dengan alternatif kebijakan penyediaan pabrik sebagai
lapangan pekerjaan di wilayah studi. Alternatif jenis pabrik yang digagas adalah pabrik
garmen, pabrik penggilingan padi, pabrik tepung beras, pabrik pakan ternak, pabrik
5
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
peternakan ayam, pabrik pengemasan telur, pabrik pengolahan daging ayam. Gagasan
alternatif pabrik ini merupakan pabrik-pabrik yang cocok dengan karakteristik Kecamatan
Sidoharjo dengan komoditas utama di sektor pertanian padi dan peternakan ayam.
Tahapan pengenalan masalah dalam laporan ini dilakukan melalui metode statistik
deskriptif dan tabulasi silang (crosstabs). Tahapan identifikasi perkembangan dilakukan
melalui metode trendline untuk memproyeksikan jumlah penduduk di Kecamatan Sidoharjo
pada tahun 2040, kemudian melalui metode regresi untuk mengetahui jumlah penduduk
bekerja pada tahun 2040 (dengan menginput hasil trendline pada x di persamaan regresi).
Kemudian tahapan perumusan alternatif dilakukan melalui metode AHP.
Data mentah yang digunakan oleh penulis adalah data penduduk 10 tahun ke atas
yang bekerja dan data total penduduk Kecamatan Sidoharjo, Kabupaten Sragen, pada tahun
2010-2016. Data tersebut diperoleh dari Dokumen Dalam Angka yang diterbitkan oleh BPS
Kabupaten Sragen, sebagai berikut:
Tabel Jumlah Penduduk dan Penduduk Bekerja di Kec. Sidoharjo
Variabel Terikat Variabel Bebas
Tahun Penduduk 10 Tahun
Total Penduduk
ke Atas yang Bekerja
2010 24,976 50,715
2011 25,951 50,862
2012 26,186 51,003
2013 26,560 51,130
2014 26,132 51,241
2015 26,847 51,337
2016 27,262 51,414
Sumber: BPS, 2011-2017
6
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
IV. ANALISIS
Substansi proses dalam analisis ini mencakup tahap pengenalan masalah,
identifikasi perkembangan, dan perumusan alternatif, yang digambarkan dalam diagram
berikut:
7
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Standar deviasi (simpangan baku) adalah akar kuadrat dari varian. Untuk variabel
bekerja, standar deviasinya sebesar 730,674, dengan varian sebesar 533.884,619. Sedangkan
untuk variabel jumlah penduduk, standar deviasinya sebesar 254,893 dengan varian sebesar
64.970,571. Nilai skewness menunjukkan angka negatif, hal ini berarti bahwa untuk kedua
variabel, nilai modusnya lebih besar dari nilai mean/rata-ratanya. Hal ini digambarkan pada
kurva paling kiri sebagai berikut:
Seluruh hasil perhitungan rasio skewness dan rasio kurtosis menunjukkan dalam rentang -2
sampai dengan 2, artinya bahwa kedua variabel tersebut terdistribusi normal.
2 26001-26500 2 51001-51300
3 26501-27500 3 51301-51500
8
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Dari kode yang telah disusun sebalumnya, data mentah yang ada selanjutnya dikonversi
sesuai dengan kode sebagaimana berikut:
Cases
BEKERJA *
7 100.0% 0 0.0% 7 100.0%
JML_PENDUDUK
Tabel ini menunjukkan bahwa jumlah data yang berhasil diproses adalah 100%
(total 7 N data).
JML_PENDUDUK
1 2 3 Total
BEKERJA 1 Count 2 0 0 2
2 Count 0 2 0 2
3 Count 0 1 2 3
9
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
penduduk. Diartikan bahwa diduga terdapat hubungan yang erat antara kedua variabel
tersebut. Keeratan hubungan ini akan dibuktikan dengan tabel berikutnya.
Chi-Square Tests
54,000
51,414
51,337
51,241
53,000
51,130
51,003
50,862
50,715
y = 50632e0.0023x
52,000 R² = 0.9883
51,000
50,000
49,000
48,000
2032
2036
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
2028
2029
2030
2031
2033
2034
2035
2037
2038
2039
2040
10
50,000
50,200
50,400
50,600
50,800
51,000
51,200
51,400
51,600
51,800
52,000
52,200
50,000
50,200
50,400
50,600
50,800
51,000
51,200
51,400
51,600
51,800
52,000
52,200
48,000
49,000
50,000
51,000
52,000
53,000
54,000
55,000
R² = 0.9676
R² = 0.9887
y = 366.12ln(x) + 50654
y = 117.32x + 50631
y = 50655x0.0072
11
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
12
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Penduduk Kec.
Tahun Sidoharjo
y = 117.32x + 50631
2032 53,329
2033 53,447
2034 53,564
2035 53,681
2036 53,799
2037 53,916
2038 54,033
2039 54,151
2040 54,268
Hasil proyeksi di atas memberikan hasil proyeksi jumlah penduduk Kecamatan
Sidoharjo, Kabupaten Sragen, sebanyak 54.268 jiwa pada tahun 2040. Hasil proyeksi ini
untuk tahap selanjutnya akan dimasukkan ke dalam persamaan hasil regresi, dengan tujuan
untuk memprediksi jumlah penduduk yang bekerja pada tahun 2040.
13
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Correlations
JML_PENDU
BEKERJA DUK
Pearson Correlation BEKERJA 1.000 .913
JML_PENDUDU
.913 1.000
K
Sig. (1-tailed) BEKERJA . .002
JML_PENDUDU
.002 .
K
N BEKERJA 7 7
JML_PENDUDU
7 7
K
Tabel ini akan menandai ada-tidaknya hubungan antarvariabel. Pada Pearson
correlation, hubungan antara variabel bekerja dan jumlah penduduk ditandai dengan angka
0.913 (mendekati 1), artinya bahwa ada hubungan kuat antara kedua variabel tersebut.
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 JML_PENDU
. Enter
DUKb
a. Dependent Variable: BEKERJA
b. All requested variables entered.
Tabel ini menandai bahwa metode yang digunakan dalam metode regresi ini adalah
Enter, berarti bahwa semua variabel bebas yang diinput akan diproses dalam analisis regresi
ini.
14
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Model Summaryb
Change Statistics
Adjusted R Std. Error of R Square Durbin-
Model R R Square Square the Estimate Change F Change df1 df2 Sig. F Change Watson
1 .913a .833 .799 327.356 .833 24.892 1 5 .004 2.137
a. Predictors: (Constant), JML_PENDUDUK
b. Dependent Variable: BEKERJA
Tabel di atas ini dapat digunakan untuk menilai persentase pengaruh variabel bebas (variabel bekerja) terhadap variabel terikatnya (variabel
jumlah penduduk), melalui angka R Square Change. Angka R Square Change di atas adalah 0.833, artinya 83,3% variabel terikat dapat dijelaskan
dengan variabel bebasnya. Sedangkan sisanya (100% - 83,3% = 16,7%) dipengaruhi oleh variabel lain yang tidak dimasukkan, atau yang tidak
terdapat dalam model.
Tabel di atas juga akan menandai uji asumsi autokorelasi, dengan mendeteksi besar DW (Durbin-Watson). Nilai DW pada tabel di atas
adalah, 2,137. Nilai ini dibandingakn dengan tabel DW, dengan nilai N (banyak responded atau banyak kasus yang dikumpulkan datanya) adalah
7 (tujuh), dan k (jumlah variabel bebas) adalah 1 (satu, hanya data jumlah penduduk saja). Tabel DW dengan jumlah N dan k tersebut menunjukkan
dL sebesar 0.6996 dan dU sebesar 1.3564 sebagaimana tabel berikut:
1
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Sebagai berikut range nilai yang diolah dari data dL dan dU di tersebut:
0
dL: 0.6996
dU: 1.3564
4-dU: 2.6436
4-dL: 3.3004
4
Nilai DW sebesar 2,137 (berasal dari tabel di atas) terletak di antara dU dan 4-dU. Kondisi seperti ini (nilai DW terletak di antara dU dan
4-dU) dimaknai bahwa tidak ada autokorelasi (karena masuk dalam daerah bebas autokorelasi negatif maupun positif).
2
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Kemudian, penulis akan menguji keterhandalan model melalui tabel ANOVA berikut:
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 2667499.096 1 2667499.096 24.892 .004b
Residual 535808.619 5 107161.724
Total 3203307.714 6
a. Dependent Variable: BEKERJA
b. Predictors: (Constant), JML_PENDUDUK
Untuk melihat keterhandalan model pada tabel ANOVA di atas, dilihat melalui nilai F atau signifikansinya. Pada tabel di atas, nilai
signifikansi adalah 0,004 (kurang dari 0,05 sebagai dasar nilai signifikansi), kondisi ini menandai bahwa variabel bebas (data variabel jumlah
penduduk) dapat digunakan untuk memprediksi variabel terikatnya (data variabel jumlah pekerja).
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -107398.896 26792.537 -4.009 .010
JML_PENDUDU
2.616 .524 .913 4.989 .004 1.000 1.000
K
3
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
4
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Collinearity Diagnosticsa
Variance Proportions
Condition JML_PENDU
Model Dimension Eigenvalue Index (Constant) DUK
1 1 2.000 1.000 .00 .00
2 1.066E-5 433.083 1.00 1.00
a. Dependent Variable: BEKERJA
Tabel di atas ini digunakan juga untuk menguji kolinieritas (nilai CI harus kurang
dari 30 untuk dikatakan bebas dari multikolinieritas). Nilai CI pada tabel di atas ditandai
dengan angka 1 (satu), artinya bahwa asumsi bebas dari multikolinieritas terpenuhi.
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 25265.57 27094.07 26273.43 666.771 7
Residual -509.521 300.899 .000 298.833 7
Std. Predicted Value -1.512 1.231 .000 1.000 7
Std. Residual -1.556 .919 .000 .913 7
a. Dependent Variable: BEKERJA
Tabel di atas ini digunakan untuk mengetahui nilai maksimum, minimum, rata-rata,
standar deviasi, dan jumlah data.
Charts
1
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Chart di atas digunakan untuk menguji normalitas data. Dikatakan normal apabila
titik-titiknya mengikuti garis diagonalnya. Apabila titik-titik tersebut merapat pada garis
diagonal tersebut, maka ia terdistribusi normal.
2
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Penentuan skor dalam form analisis AHP dilakukan berdasar pada skala berikut:
Pada halaman berikutnya adalah hasil pengisian form skala tingkat kepentingan
antarkriteria.
3
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
4
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
5
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
6
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
7
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
8
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
9
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
10
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
11
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
12
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
13
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
V. KESIMPULAN
Data jumlah pekerja dan data jumlah penduduk adalah terdistribusi normal, dari hasil
perhitungan rasio skewness dan rasio kurtosis. Terdapat hubungan antara variabel jumlah
pekerja dengan variabel jumlah penduduk. Semakin tinggi variabel jumlah penduduk, maka
semakin tinggi pula variabel jumlah pekerja.
Trendline yang memiliki nilai R-kuadrat paling tinggi adalah trendline liniear,
dengan R2=0.0887, dan persamaan y = 117.32x + 50631. Diproyeksikan jumlah penduduk
Kecamatan Sidoharjo, Kabupaten Sragen, pada tahun 2040 adalah sejumlah 54.268 jiwa.
Terdapat hubungan kuat antara variabel jumlah pekerja dengan variabel jumlah penduduk.
83,3% variabel jumlah pekerja dapat dijelaskan dengan variabel jumlah penduduk,
16,7% dipengaruhi oleh variable lain selain variabel jumlah penduduk. Variabel jumlah
penduduk dapat digunakan untuk memprediksi variabel jumlah pekerja. Persamaan regresi
yang dihasilkan adalah:
𝑦 = −107398.896 + 2,616 × Jumlah Penduduk
Arah hubungan antara jumlah penduduk dengan variabel jumlah pekerja adalah
positif. Prediksi jumlah pekerja di Kecamatan Sidoharjo, Kabupaten Sragen, pada tahun
2040 adalah 34566 jiwa, dan diprediksikan terdapat kebutuhan sebanyak 19702 lapangan
pekerjaan pada tahun 2040 di kecamatan tersebut. Persamaan ini bebas dari autokorelasi,
bebas dari multikolinieritas, dan bebas dari heteroskedastisitas.
Pabrik penggilingan padi merupakan alternatif jenis pabrik yang paling
diprioritaskan untuk menyediakan 19702 lapangan pekerjaan sampai dengan tahun 2040 di
Kecamatan Sidoharjo, Kabupaten Sragen.
14
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
15
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
VII. LAMPIRAN
16
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
17
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
18
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
19
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Descriptives
Notes
20
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Descriptive Statistics
Statistic Statistic Statistic Statistic Statistic Std. Error Statistic Statistic Statistic Std. Error Statistic Std. Error
BEKERJA 7 2286 24976 27262 26273.43 276.169 730.674 533884.619 -.624 .794 1.010 1.587
JML_PENDUDUK 7 699 50715 51414 51100.29 96.341 254.893 64970.571 -.348 .794 -1.136 1.587
Valid N (listwise) 7
21
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
22
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Syntax CROSSTABS
/TABLES=BEKERJA BY
JML_PENDUDUK
/FORMAT=AVALUE TABLES
/STATISTICS=CHISQ CC CORR
GAMMA
/CELLS=COUNT TOTAL RESID
/COUNT ROUND CELL
/BARCHART.
Resources Processor Time 00:00:00.92
Dimensions Requested 2
Cases
BEKERJA *
7 100.0% 0 0.0% 7 100.0%
JML_PENDUDUK
23
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
JML_PENDUDUK
1 2 3 Total
BEKERJA 1 Count 2 0 0 2
2 Count 0 2 0 2
3 Count 0 1 2 3
Chi-Square Tests
24
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Symmetric Measures
Asymp. Std.
Value Errora Approx. Tb Approx. Sig.
25
48,000
49,000
50,000
51,000
52,000
53,000
54,000
55,000
48,000
49,000
50,000
51,000
52,000
53,000
54,000
55,000
2029 2029
2030 2030
OUTPUT METODE TRENDLINE
T RE NDL INE E XPO NE NS IAL
2031 2031
2032 2032
2033 2033
2034 2034
2035 2035
2036 2036
2037 2037
R² = 0.9887
2038 2038
R² = 0.9883
2039
y = 50632e0.0023x
2039
y = 117.32x + 50631
2040 2040
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
26
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
T RE NDL INE PO WE R
52,200
52,000
51,414
51,337
51,241
51,800
51,130
51,600
51,003
50,862
51,400 y = 50655x0.0072
50,715
51,200 R² = 0.9682
51,000
50,800
50,600
50,400
50,200
50,000
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
2028
2029
2030
2031
2032
2033
2034
2035
2036
2037
2038
2039
2040
T RE NDL INE L O GARIT H MIC
52,200
52,000
51,414
51,337
51,241
51,800
51,130
51,600
51,003
50,862
51,200 R² = 0.9676
51,000
50,800
50,600
50,400
50,200
50,000
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
2028
2029
2030
2031
2032
2033
2034
2035
2036
2037
2038
2039
2040
27
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Regression
Notes
28
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Syntax REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR
SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
COLLIN TOL CHANGE
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT BEKERJA
/METHOD=ENTER JML_PENDUDUK
/SCATTERPLOT=(*ZRESID ,*ZPRED)
/RESIDUALS DURBIN
NORMPROB(ZRESID).
Resources Processor Time 00:00:00.36
[DataSet3] C:\Users\TOSHIBA\Desktop\METODE_ANALISIS_PERENCANAAN\Starts_12_5_2018_Ends_14_5_2018\Tugas_Akhir_MAP.sav
Descriptive Statistics
29
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Correlations
BEKERJA JML_PENDUDUK
JML_PENDUDUK 7 7
Variables Entered/Removeda
Variables
Model Variables Entered Removed Method
1 JML_PENDUDUK
. Enter
b
Model Summaryb
Change Statistics
30
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
ANOVAa
Total 3203307.714 6
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Collinearity Diagnosticsa
Variance Proportions
31
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
Residuals Statisticsa
Charts
32
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
33
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
34
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
35
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
36
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
37
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
38
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
39
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
40
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
41
Abdurrahman Zaki | 21040116130098 | Kelas A | Metode Analisis Perencanaan | Mei 2018
42