LAPORAN KULIAH KERJA LAPANGAN

ANALISIS PENGARUH PRODUKSI PADI, INDUSTRI,

DAN DISTRIBUSI LISTRIK TERHADAP PDRB JAWA
TIMUR DENGAN METODE ORDINARY LEAST
SQUARE (OLS)

Disusun Oleh :
Shintya Devi K H72215032

Dosen Pembimbing :
Ahmad Hanif Asyhar, M.Si

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SUNAN AMPEL SURABAYA
2018
 HALAMAN PENGESAHAN

LAPORAN KULIAH KERJA LAPANGAN

ANALISIS PENGARUH PRODUKSI PADI, INDUSTRI, DAN DISTRIBUSI

LISTRIK TERHADAP PDRB JAWA TIMUR DENGAN ORDINARY
LEAST SQUARE (OLS)

Disusun Oleh :

SHINTYA DEVI K H72215032

Telah diperiksa dan disetujui oleh pembimbing

Pada tanggal :……………………….

Pembimbing Lapangan
Pembimbing Kuliah Kerja Lapangan

Mudji Setiyo, S.ST., M.Si.

Ahmad Hanif Asyhar, M.Si
NPY. 19730611 199512 1001
NIP. 19860123 201403 1001
Mengetahui,

Ketua Program Studi Matematika

Ahmad Hanif Asyhar, M.Si

NIP. 19860123 201403 1001
 KATA PENGANTAR

Alhamdulillah segala puji bagi Allah SWT yang Maha Pengasih lagi Maha
Penyayang yang telah melimpahkan rahmat, hidayah, serta karunia-Nya kepada
penulis sehingga dapat menyelesaikan proposal Kuliah Kerja Lapangan (KKL) ini
dengan tepat waktu. Proposal ini dibuat untuk kelengkapan kegiatan Kuliah Kerja
Lapangan di Badan Pusat Statistik (BPS) Provinsi Jawa Timur yang
diselenggarakan oleh Universitas Islam Negeri Sunan Ampel Surabaya sebagai
salah satu program pendidikan untuk meningkatkan kompetensi mahasiswa.
Dalam kesempatan ini pula penulis menyampaikan rasa hormat dan banyak terima
kasih kepada :

1. Prof. Dr. Muhammad Sholeh, M. Pd. PNI selaku Dekan Fakultas Sains dan
Teknologi.
2. Ahmad Hanif Asyhar, M.Si selaku ketua Program Studi Matematika sekaligus
Dosen Pembimbing.
3. Dosen-dosen Program Studi Matematika selaku pengajar yang memberikan
banyak ilmu pengetahuan.
4. Semua pihak yang telah membantu untuk menyelesaikan proposal Kuliah
Kerja Lapangan (KKL) ini.

Penulis menyadari bahwa dalam penyusunan proposal Kuliah Kerja

Lapangan ini masih kesalahan dan kekurangan. Oleh karena itu, penulis
mengahrapkan saran dan kritik yang membangun demi kesempurnaan proposal
dimasa yang akan datang dan semoga proposal ini dapat bermanfaat bagi semua
pihak yang memanfaatkannya.

Surabaya, 13 Mei 2018

Penulis
 DAFTAR ISI

HALAMAN JUDUL

HALAMAN PENGESAHAN.................................................................................ii
KATA PENGANTAR............................................................................................iii
DAFTAR ISI...........................................................................................................iv
DAFTAR GAMBAR..............................................................................................vi
DAFTAR TABEL..................................................................................................vii
3. BAB 1 PENDAHULUAN................................................................................2
1.1 Latar Belakang..........................................................................................2
1.2 Rumusan Masalah.....................................................................................4
1.3 Batasan Masalah........................................................................................4
1.4 Tujuan Penelitian.......................................................................................5
1.5 Manfaat Penelitian.....................................................................................5
1.6 Metode.......................................................................................................6
1.7 Sistematika Penyusunan............................................................................6
BAB II LANDASAN TEORI..................................................................................6
2.1. Produk Domestik Regional Bruto (PDRB)............................................6
2.2 Sektor Pertanian, Sektor Industri, Sektor Pengadaan Listrik Gas........8
2.3 Regresi Linear Berganda.....................................................................10
2.3.1Uji Statistik..................................................................................11
2.3.2Pengujian Asumsi Klasik.............................................................13
2.4 Metode Ordinary least Square (OLS)..................................................15
BAB III METODE PENELITIAN........................................................................15
3.1 Data.........................................................................................................15
3.2 Rancangan Penelitian..............................................................................15
BAB IV ANALISIS DATA DAN PEMBAHASAN.............................................17
4.1 Analisa Data............................................................................................17
4.2 Analisis Program.....................................................................................18
5. BAB VI PENUTUP........................................................................................30
6.1 Kesimpulan..............................................................................................30
6.2 Saran........................................................................................................31
DAFTAR PUSTAKA
LAMPIRAN

1.

2.
 DAFTAR GAMBAR

Gambar 3.1 flowchart penelitian 14

 DAFTAR TABEL

Tabel 4.1 data uji....................................................................................................17

Tabel 4.2 hasil analisis regresi liniear berganda dengan ms.excel.........................18
Tabel 4.3 data transformasi ke bentuk ln...............................................................23
Tabel 4.4 hasil analisis regresi liniear berganda dengan ms.excel.........................24
 2

3. BAB 1
PENDAHULUAN

1.1 Latar Belakang

Indonesia merupakan salah satu negara berkembang. Disuatu negara
berkembang terdapat perkembangan ekonomi negara. Dalam perkembangan
ekonomi suatu negara tidak dapat dipisahkan dari aktivitas pembangunan
ekonomi. Pembangunan ekonomi merupakan salah satu usaha yang ditujukan
untuk meningkatkan kesejahteraan masyarakat, mengurangi angka
pengangguran, dan meminimalkan pendapatan masyarakat. Pembangunan
ekonomi akan berjalan efektif dan efisien ketika perencanaan pembangunan
yang tepat sasaran, dan ketersediaan indikator pembangunan ekonomi menjadi
hal yang tidak bisa dihindari dalam perencanaan pembangunan (Farida &
Barnadina, 2014)
Produk Domestik Regional Bruto (PDRB) menjadi salah satu indikator
yang digunakan untuk mengukur kegiatan ekonomi di suatu wilayah.
Perekonomian di suatu wilayah dikatakan tumbuh dan berkembang jika
barang dan jasa yang diproduksi pada periode ini lebih besar dibandingkan
periode sebelumnya, yang kemudian diturunkan menjadi nilai tambah. Selama
periode tahun 2009 – 2013, pertumbuhan ekonomi Indonesia tertinggi terjadi
pada tahun 2011 sebesar 6,49 %. Laju pertumbuhan ekonomi suatu daerah
ditunjukkan melalui tingkat pertambahan Produk Domestik Regional Bruto
(PDRB). Dimana PDRB tersebut terbagi kedalam beberapa sektor ekonomi
yaitu pertanian, pertambangan, sektor industri, listrik, bangunan, perdagangan,
sektor jasa dan lain-lain. Meningkatnya pertumbuhan ekonomi melalui
indikator Produk Domestik Regional Bruto (PDRB) berarti meningkat pula
kesejahteraan dan kemakmuran penduduk (BPS JATIM, 2015).

Jawa Timur merupakan penyumbang pembangunan terbesar kedua dalam

perekonomian nasional setelah DKI Jakarta, dengan kontribusi sebesar 14,40
% pada tahun 2014. Hal ini melatar belakangi peneliti ingin melakukan
 3

evaluasi terhadap salah satu sektor utama yaitu sektor pertanian, sektor
industri, sektor pengadaan listrik dan gas. Pada setiap sektor tersebut, peneliti
ingin mengevaluasi pada beberapa hasil produksi pada 3 sektor tersebut. Hasil
Produksi yang akan dievaluasi yaitu produksi padi, produksi industri besar dan
kecil, distribusi listrik. Alasan peneliti memilih 3 hasil produksi sektor
lapangan usaha tersebut karena menurut Badan Pusat Statistik Jawa Timur
sektor pertanian dan sektor industri tersebut merupakan salah satu penopang
ekonomi Jawa Timur. Sedangkan untuk sektor pengadaan listrik, dikarenakan
insfrastruktur listrik merupakan energi yang terpenting dalam perkembangan
kehidupan manusia modern dan kebutuhan akan listrik (Sumadiasa, Tisnawati,
& Wirathi, 2016).
Dalam hal ini peneliti akan mencari pengaruh 3 hasil produksi dari 3
sektor lapangan usaha tersebut terhadap Produk Domestik Regional Bruto
(PDRB) perkapita disetiap daerah Provinsi Jawa Timur. Data hasil produksi
padi, produksi industri besar dan kecil, distribusi listrik dan data PDRB Jawa
Timur yang akan dipergunakan dalam penelitian ini merupakan data rasio
yang dapat digunakan untuk analisis uji statistik.
Metode analisis yang digunakan utuk menganalisis penagaruh hasil
produksi padi, produksi industri besar dan kecil, distribusi listrik terhadap
PDRB Jawa Timur menggunakan metode Ordinary Least Squares (OLS ).
metode Ordinary Least Squares (OLS ) digunakan untuk mencari pengaruh
faktor-faktor tersebut terhadap PDRB JawaTimur dengan tahap awal data
memenuhi sifat Best Linear Unbias Estimator (BLUE). Sifat Best Linear
Unbias Estimator (BLUE) didapatkan dari uji regresi bergenda dan uji asumsi
klasik. Jika data yang di uji tidak memenuhi sifat Best Linear Unbias
Estimator (BLUE), akan dilakukan transformasi data dengan metode
Ordinary Least Squares (OLS).
Metode ini dipergunakan pada penelitian Safaah Restuning Hayati tentang
pengaruh perbankan syariah terhadap pendapatan ekonomi. Safaah
menyatakan bahwa metode OLS merupakan metode yang sering digunakan
dalam analisis, karena parameter yang dihasilakan memiliki varian terkecil
 4

dibandingkan dengan parameter yang diperoleh melalui metode non-OLS

(Hayati, 2014).
Berdasarkan uraian diatas, maka peneliti tertarik untuk melakukan
penelitian dengan judul “ANALISIS PENGARUH PRODUKSI PADI,
INDUSTRI, DAN DISTRIBUSI LISTRIK TERHADAP PDRB JAWA
TIMUR DENGAN METODE ORDINARY LEAST SQUARE (OLS)”.

1.2 Rumusan Masalah

1. Apakah model persamaan dari uji regresi berganda pada data produksi
padi, produksi industri, distribusi listrik, dan PDRB memenuhi sifat
Best Linear Unbias Estimator (BLUE) ?
2. Apakah ada perubahan pada model persamaan setelah data
ditransformasi menggunakan metode Ordinary Least Squares (OLS) ?
3. Apakah terdapat pengaruh antara produksi padi, produksi industri, dan
distribusi listrik terhadap PDRB perkapitadi wilayah Provinsi Jawa
Timur?
4. Berapa besar pengaruh produksi padi, produksi industri, dan distribusi
listrik terhadap PDRB perkapita di wilayah Provinsi Jawa Timur?

1.3 Batasan Masalah

Agar penelitian terfokus pada tujuan yang akan dicapai dan berdasarkan
latar belakang masalah, maka batasan masalah pada penelitian ini adalah :
1. Penelitian terfokus di Provinsi Jawa Timur
2. Faktor yang mempengaruhi PDRB di Provinsi Jawa Timur yang begitu
banyak, sehingga peneliti membatasi dengan mengambil faktor dari
sektor pertanian sektor industri, sektor pengadaan listrik dan gas.
3. Variabel yang digunakan adalah produksi pertanian, produksi industri
besar dan kecil, distribusi listrik.
 5

1.4 Tujuan Penelitian

Adapun tujuan dari penelitian ini, sebagai berikut:
1. Untuk menganalisis hasil estimasi persamaan regresi berganda sudah
memenuhi sifat Best Linear Unbias Estimator (BLUE).
2. Melakukan transformasi data dengan metode metode Ordinary Least
Squares (OLS) supaya hasil estimasi persamaan regresi memenuhi sifat
Best Linear Unbias Estimator (BLUE).
3. Untuk mengetahui terdapat tidaknya pengaruh antara produksi padi,
produksi industri, dan distribusi listrik terhadap PDRB perkapitadi
wilayah Provinsi Jawa Timur.
4. Untuk mengetahui presentase pengaruh produksi padi, produksi
industri, dan distribusi listrik terhadap PDRB perkapitadi wilayah
Provinsi Jawa Timur.

1.5 Manfaat Penelitian

Ada pun manfaat penelitian ini dibagi menjadi 2 yaitu bagi peneliti dan
bagi instansi, berikut penjelasannya :
1.5.1 Bagi Peneliti
Manfaat penelitian bagi peneliti adalah:
1. Sebagai pengaplikasian ilmu-ilmu yang telah didapatkan
selama perkuliahan.
2. Sebagai salah satu media pembelajaran dan gambaran umum
institusi / lembaga sebelum masuk pada dunia kerja.
3. Hasil dari penelitian diharapkan dapat menambahkan referensi
bagi peneliti berikutnya.
4. Mengetahui pengolahan data di Badan Pusat Statistika.
5. Mendapatkan data yang mungkin dibutuhkan untuk
menyelesaikan tugas akhir.

1.5.2 Bagi Instansi

Manfaat penelitian bagi instasi adalah :
 6

1. Memberikan pelatihan dan keterampilan yang lebih kepada

masyarakat dan juga menjadi bahan rekomendasi dalam
peningkatan bidang pertanian, industry, dan sumber daya listrik
di Jaawa Timur.
2. Meniningkatkan standar sumber daya manusia
3. Memanfaatkan sumber daya alam dengan optimal

1.6 Metode
Penelitian ini menggunakan metode Ordinary least Square (OLS) dengan
analisis regresi berganda untuk mengetahui pengaruh tidak nya produksi padi,
produksi industri besar dan kecil, dan distribusi listrik terhadap PDRB Jawa
Timur.

1.7 Sistematika Penyusunan

Adapun sistematika penyusunan yang digunakan dalam menyusun laporan
kerja praktek ini adalah:

BAB I PENDAHULUAN
Bab ini menjelaskan latar belakang, rumusan masalah, batasan masalah,
tujuan kegiatan yang meliputi tujuan dari tujuan dari penelitian, manfaat
kegiatang yang meliputi bagi penulis dan bagi instansi, metode penelitian
yang digunakan dalam penyusunan laporan, dan sistematika penyusunan
laporan.
BAB II LANDASAN TEORI
Bab ini berisi tentang penjelasan teori tentang sistem yang digunakan
dalam penelitian, yang memuat mengenai PDRB, Pertanian, Industri, Listri,
Metode Ordinary least Square (OLS).
BAB III TINJAUAN UMUM
Bab ini berisi tentang profil dan sejarah Badan Pusat Statistik Provinsi Jawa
Timur.
BAB IV METODE PENELITIAN
 7

Bab ini berisi tentang jenis data, pengumpulan data yang digunakan
dalam penelitian ini, serta metode penyelesaian yang dilakukan dalam
penelitian.
BAB V HASIL DAN PEMBAHASAN
Bab ini akan membahas tentang hasil dari penelitian ini mengenai
hasil analisis yang diperoleh dari proses uji statistic dengan metode
Ordinary least Square (OLS).
BAB VI Penutup
Bab ini berisi tentang kesimpulan hasil dari penelitian yang dilakukan
peneliti, serta saran serta saran yang ditujukan untuk para pembaca ataupun
peneliti-peneliti selanjutnya.
 BAB II
LANDASAN TEORI

2.1. Produk Domestik Regional Bruto (PDRB)

2.1.1 Pengertian PDRB
PDRB menjadi salah satu indikator yang digunakan untuk mengukur
kegiatan ekonomi di suatu wilayah. Perekonomian di suatu wilayah
dikatakan tumbuh dan berkembang jika barang dan jasa yang diproduksi
pada periode ini lebih besar dibandingkan periode sebelumnya, yang
kemudian diturunkan menjadi nilai tambah. Produk Domestik Regional
Bruto (PDRB) merupakan nilai tambah bruto seluruh barang dan jasa yang
tercipta atau dihasilkan di wilayah domestik suatu negara yang timbul akibat
berbagai aktivitas ekonomi dalam suatu periode tertentu tanpa
memperhatikan apakah faktor produksi yang dimiliki residen atau non
residen (BPS JATIM, 2015). Penyusunan PDRB dapat dilakukan melalui 3
(tiga) pendekatan yaitu pendekatan produksi, pengeluaran, dan pendapatan
yang disajikan atas dasar harga berlaku dan harga konstan (riil), sebagai
berikut:
1. Pendekatan Produksi
Pendekatan ini menghitung nilai tambah dari barang dan jasa yang
diproduksi oleh suatu kegiatan ekonomi di daerah tersebut dikurangi biaya
antar masing-masing total produksi bruto tiap kegiatan subsektor atau sektor
dalam jangka waktu tertentu. Nilai tambah merupakan selisih antara nilai
produksi dan nilai biaya antara yaitu bahan baku atau penolong dari luar
yang dipakai dalam proses produksi.
2. Pendekatan Pendapatan
PDRB merupakan balas jasa yang diterima oleh faktor-faktor produksi
yang ikut serta dalam proses produksi dalam jangka waktu tertentu
(biasanya satu tahun). Balas jasa faktor produksi yang dimaksud adalah upah
dan gaji, sewa tanah, bunga modal dan keuntungan; semuanya sebelum

6
 7

dipotong pajak penghasilan dan pajak langsung lainnya. Dalam definisi

ini, PDRB mencakup juga penyusutan dan pajak tidak langsung neto.
3. Pendekatan Pengeluaran
PDRB adalah semua komponen permintaan akhir yang terdiri dari: (1)
pengeluaran konsumsi rumah tangga dan lembaga swasta nirlaba, (2)
pengeluaran konsumsi pemerintah, (3) pembentukan modal tetap domestik
bruto, (4) perubahan inventori, dan (5) ekspor neto (ekspor neto merupakan
ekspor dikurangi impor).
Penyusunan PDRB diatas akan menghasilkan angka yang sama, jadi
pengeluaran akan sama dengan jumlah barang dan jasa akhir yang dihasilkan
dan harus sama pula dengan jumlah pendapatan untuk faktor-faktor
produksi.
2.1.2 Kegunaan PDRB
Data pendapatan nasional adalah salah satu indikator makro yang
dapat menunjukkan kondisi perekonomian nasional setiap tahun. Manfaat
yang dapat diperoleh dari data PDRB antara lain adalah:
1. PDRB harga berlaku (nominal) menunjukkan kemampuan sumber daya
ekonomi yang dihasilkan oleh suatu wilayah. Nilai PDRB yang besar
menunjukkan kemampuan sumber daya ekonomi yang besar, begitu juga
sebaliknya.
2. PDRB harga konstan (riil) dapat digunakan untuk menunjukkan laju
pertumbuhan ekonomi secara keseluruhan atau setiap kategori dari tahun ke
tahun.
3. Distribusi PDRB harga berlaku menurut lapangan usaha menunjukkan
struktur perekonomian atau peranan setiap kategori ekonomi dalam suatu
wilayah. Kategorikategori ekonomi yang mempunyai peran besar
menunjukkan basis perekonomian suatu wilayah.
4. PDRB per kapita atas dasar harga berlaku menunjukkan nilai PDB dan
PNB per satu orang penduduk.
5. PDRB per kapita atas dasar harga konstan berguna untuk mengetahui
pertumbuhan nyata ekonomi per kapita penduduk suatu negara.
 8

Dari penjelasan diatas mengenai kegunaan PDRB yaitu dapat dijadikan

sebagai salah satu indikator guna melihat keberhasilan pembangunan
perekonomian di suatu wilayah. PDRB dapat menggambarkan kemampuan
suatu daerah mengelola sumber daya alam yang dimilikinya. Oleh karena itu
besaran PDRB yang dihasilkan oleh masing masing daerah sangat bergantung
kepada potensi sumber daya alam dan faktor produksi daerah tersebut. Adanya
keterbatasan dalam penyediaan faktor faktor tersebut menyebabkan besaran
PDRB bervariasi antar daerah (BPS JATIM, 2015).

2.2 Sektor Pertanian, Sektor Industri, Sektor Pengadaan Listrik Gas

2.2.1 Sektor Pertanian

Kategori ini mencakup segala pengusahaan yang didapatkan dari

alam dan merupakan benda-benda atau barang-barang biologis (hidup)
yang hasilnya dapat digunakan untuk memenuhi kebutuhan hidup sendiri
atau untuk dijual kepada pihak lain. Pengusahaan ini termasuk kegiatan
yang tujuan utamanya untuk memenuhi kebutuhan sendiri (subsisten)
seperti pada kegiatan usaha tanaman pangan. Kegiatan Pertanian
menjadi beberapa subkategori sebagai berikut:
1. Pertanian, Peternakan, Perburuan dan Jasa Pertanian
a. Tanaman Pangan
b. Tanaman Hortikultura
c. Tanaman Perkebunan
d. Peternakan
e. Jasa Pertanian dan Perburuan
Pada subkategori pertanian dibagi 2 kategori yaitu lahan pertanian
non-sawah dan lahan pertanian sawah irigasi. Pada lahan pertaniaan non-
sawah provinsi Jawa Timur 1.131.7433 hektar pada tahun
2014.Sedangkan luas lahan sawah irigasi di Jawa Timur sebesar
924.513 hektar. Dari lahan sawah seluas itu terdapat 859.999 hrktar
lahan sawah yang ditanami padi dan sisanya lahan yang tidak ditanami
padi (BPS JATIM, 2015).
 9

2.2.2 Sektor Industri Pengolahan

Struktur perekonomian suatu wilayah yang relative maju ditandai
oleh semakin besarnya peran sektor industry pengolahan dan jasa dalam
menopang perekonomian wilayah tersebut. Menurut Badan Pusat
Statistik (BPS), Industri pengolahan adalah suatu barang dasar secara
mekanis, kimia, atau dengan tangan sehingga menjadi barang
jadi/setengah jadi, dan atau barang yang kurang nilainya, dan sifatnya
lebih dekat kepada pemakai akhir. Industri pengolahan dibagi lagi
menjadi 16 subkategori yang terdiri dari: (BPS JATIM, 2015)

1. Industri Pengolahan Batubara dan Pengilangan Minyak dan Gas Bumi

2. Industri Makanan dan Minuman
3. Industri Pengolahan Tembakau
4. Industri Tekstil dan Pakaian Jadi
5. Industri Kulit, Barang dari Kulit, dan Alas Kaki
6. Industri Kayu, Barang dari Kayu dan Gabus, dan Barang Anyaman
7. Industri Kertas dan Barang dari Kertas, Percetakan, dan
Reproduksi Media Rekam
8. Industri Kimia, Farmasi, dan Obat Tradisional
9. Industri Karet, Barang dari Karet, dan Plastik
10. Industri Barang Galian Bukan Logam
11. Industri Logam Dasar
12. Industri Barang Logam, Komputer, Barang Elektronik, Optik dan
Peralatan Listrik
13. Industri Mesin dan Perlengkapan
14. Industri Alat Angkutan
15. Industri Furnitur
16. Industri Pengolahan Lainnya, Jasa Reparasi, dan
Pemasangan Mesin dan Peralatan
 10

2.2.3 Sektor Pengadaan Listrik Gas

Kategori ini mencakup kegiatan pengadaan tenaga listrik, gas
alam dan buatan, uap panas, air panas, udara dingin dan produksi es dan
sejenisnya melalui jaringan, saluran, atau pipa infrastruktur permanen.
Dimensi jaringan/infrastruktur tidak dapat ditentukan dengan pasti,
termasuk kegiatan pendistribusian listrik, gas, uap panas dan air panas
serta pendinginan udara dan air untuk tujuan produksi es. Produksi es
untuk kebutuhan makanan/minuman dan tujuan non makanan. Kategori
ini juga mencakup pengoperasian mesin dan gas yang menghasilkan,
mengontrol dan menyalurkan tenaga listrik atau gas. Juga mencakup
pengadaan uap panas dan AC (BPS JATIM, 2015).

2.3 Regresi Linear Berganda

Analisis regresi yang digunakan untuk menentukan persamaan regresi
adalah regresi linear berganda. Regresi linear berganda merupakan
pengembangan dari analisis regresi linear sederhana dimana terdapat lebih dari
satu variabel independen X. Analisis regresi linear berganda digunakan untuk
melihat pengaruh sejumlah variabel independen (X1,X2,…, Xn) terhadap
variabel dependen (Y) . Model regresi ganda didefinisikan sebagai berikut:

Y =  + 1X1 + 2X2 + 3X3

Keterangan:
Y: variabel terikat (dependen)
X1: variabel bebas (independen) ke-1
X2: variabel bebas (independen) ke-2
: koefisien regresi
Berikut ini adalah Langkah-langkah dalam melakukan Analisis Regresi Linear
Berganda :
1. Tentukan tujuan dari melakukan analisis regresi linear berganda
2. Identifikasikan variabel faktor penyebab atau variabel independen (X1, X2,
…, Xn) dan variabel akibat atau variabel dependen (Y).
3. Lakukan Pengumpulan Data
 11

4. Buatkan model persamaan regresi linear berganda

2.3.1 Uji Statistik

2.3.1.1 Uji t-Statistik
Uji ini merupakan uji pen]ngaruh signifikan variable
independent terhadap variabel dependent secara individual
dengan menggunakan suatu uji yang dikenal Uji-t. Uji
signifikansi adalah prosedur untuk menguji dan menentukan
keputusan untuk menerima Ho berdasarkan t-hitung yag
diperoleh (Dewi, 2009).
Prosedur dari uji t adalah sebagai berikut (Bowo, 2010) :
1. Membuat hipotesa nol dan hipotesa alternative.
2. Menghitung t-hitung dengan rumus :
bi−b
thitung = S
b

Keterangan : bi : Koefisien bebas ke-i

b : Nilai hipotesis nol
Sb : Simpangan baku (standart deviasi) dari
variabel bebas ke-i
3. Mencari nilai kritis dari tabeel t dengan df = n-k dan 
yang tertentu.
4. Keputusan untuk menerima atau menolak Ho,
berdasarkan perbandingan t hitung dan t tabel.
Note :
jika t hitung > t tabel, maka Ho ditolak Hi diterima
jika t hitung < t tabel, maka Ho ditolak Hi ditolak

2.3.1.2 Uji F-Statistik

Uji dilakukan untuk melakukan uji koefisien secara
bersama-sama.
Prosedur pengujian uji F sebagai beikut (Bowo, 2010) :
1. Menghitung nilai F-hitung dengan rumus :
 12

2
R /(k −1)
F=
( 1−R2 ) /(n−k )
Keterangan : R2 : Koefisien determinasi
k : jumlah variabel independen
n : jumlah sampel
2. Mencari nilai kritis (F tabel) : df(k-1, n-k).
3. Keputusan untuk menerima atau menolak Ho, berdasarkan
perbandingan t hitung dan t tabel.
Note :
jika F hitung > F tabel, maka Ho ditolak Hi diterima.
jika F hitung < F tabel, maka Ho ditolak Hi ditolak.
2.3.1.3 Uji Koefisiean Determinasi ®2
Koefisien determinasi merupakan suatu ukran dalam
regressi yang dapat menginformasikan seberapa besar
presentase pengaruh variabel bebas terhdap variabel terikat
(Bowo, 2010).
Koefisien determinasi ini mencerminkan besarnya variasi
dari variabel terikat yang dapat diterangkan terhadap variabel
bebas. Bila nilai R2 mendekati 0, maka variabel bebas memiliki
pengaruh yang kecil terhadap varibel terikat. Jika R 2
mendekati 1, maka variabel bebas memiliki pengaruh yag
sangat besar terhdap variabel terikat. Oleh sebab itu baik
buruknya hasil regresi tergantung nilai R2 yang nilainya berada
diantara 0 sampai 1. Rumus Koefisien determinasi adalah :
(Dewi, 2009)
2 JKR
R=
JKT
Keterangan :
R2 : Koefisien determinasi
JKR : Jumlah kuadrat regresi
JKT : Jumlah kuadrat total
 13

2.3.2 Pengujian Asumsi Klasik

Uji asumsi klasik terdapat 4 uji yaitu :

1. Uji Normalitas menggunakan metode Kolmogorov - Smirnov

Uji normalitas berguna untuk menentukan data yang

dikumpulkan berdistribusi normal atau tidak normal. Cara
untuk mendeteksi hal tersebut ada beberapa uji statistik yang
dapat digunakan. Salah satu uji yang akan digunakan
dipenelitian ini yaitu uji statistik Kolmogorov-Smirnov.

Penerapan pada uji Kolmogorov- Smirnov adalah bahwa jika

signifikansi > 0,05 maka variabel berdistribusi normal. Jika
signifikansi < 0,05 maka variabel tidak berdistribusi normal
(Akila, 2017).

2. Uji Heteroskedastisitas

Uji Heteroskedastistias bertujuan menguji apakah model regrei

terjadi ketidaksamaan variansi dari residual satu pengamatan ke
pengamatan lain (Ghozali, 2011).

Sebaliknya, jika varian variabel pada model regresi memiliki

nilai yang sama (konstan) maka disebut dengan
homoskedastisitas (Akila, 2017). Untuk mendeteksi terjadinya
heteroskedastisitas pada model regresi digunakan dengan
beberapa metode. Metode yang digunakan pada penelitian ini
yaitu metode park dan metode white .

Metode Park dilakukan dengan meregresikan semua variabel

bebas terhadap Ln residual kuadrat. Jika terdapat pengaruh
variabel bebas yang signifikan terhadap Ln residual kuadrat
maka dalam model terdapat masalah heteroskedastisitas.
 14

Metode White dilakukan dengan dengan meregresikan semua

variabel bebas, variabel bebas kuadarat dan perkalian
(interaksi) variabel bebas terhadap nilai residual kuadaratnya.

Dari kedua metode tersbut, dipilih salah satu yang memiliki

hasil sesuai asumsi yang diberikan yaitu yang menyatakan
model regresi tidak mengandung heteroskedastisitas.

3. Uji Multikolinearitas dengan melihat nilai VIF

Uji multikolinearitas bertujuan unttuk menguji apakah pada

model regresi ditemukan korelasi antar variabel bebas
(Ghozali, 2011). Metode ini menguji adanya multikolinearitas
dengan melihat dari nilai Variance Innflantion Factor (VIF).
Jika VIF > 10 maka terjadi multikolinearitas. jika VIF < 10,
maka tidak terjadim ultikolinearitas (Akila, 2017).

Rumus:

1
VIF = 2
1−r

Keterangan :

r2 = korelasi antara variabel bebas.

4. Uji Otokorelasi menggunakan metode Durbin-Watson

Uji otokorelasi bertujuan untuk mengetahui apakah ada

korelasi antara anggota serangkaian data observasi yang
diuraikan menurut waktu (time-series) atau ruang (cross
section).

Metode Durbin-Watson merupakan uji yang sangat populer

untuk menguji ada tidaknya masalah otokorelasi dari model
empiris yang di estimasi. Pada penerapan uji ini terdapat
beberapa ansumsi penting yang harus dipenuhi, yaitu :
 15

Model regresi yang dilakukan harus menggunakan konstanta

Variabel bebas adalah non-statistik, atau relatif tetap untuk

sampel yang berlubang.

Kesalahan pengganggu atau residual diperoleh dengan

otoregresif order pertama. ε t=ε t−1 + μt

Model regresi tidak meliputi nilai kelembaman (lag) dari

variabel tak bebas sebagai variabel penjelas.

Dalam melakukan regresi, tidak boleh ada data yang hilang

Rumus : DW =
∑ (e−e t )
2

∑ e t2
Keterangan :

DW = nilai Durbin Watson test

e = nilai residual

e t−1=¿ nilai residual satu periode sebelumnya.

2.4 Metode Ordinary least Square (OLS)

Ordinary least Square (OLS) merupakan salah satu metode regresi yang
meminimumkan jumlah kesalahan (error) kuadrat. Metode estmasi parameter
digunakan adalah metode Ordinary least Square (OLS), yaitu yang dapat
digunakan untuk mengestimasi parameter dengan menduga koefisien regresi
() dengan meminimumkan kesalahan error dalam persamaan regresi (Makarti
& Karim, 2013).

Model persamaan dari regresi linear berganda yang ditelah diuji dengan uji
asumsi klasik dan tidak memenuhi sifat Best Linear Unbiased Estimator
(BLUE), akan dilakukan pengujian dengan melakukan estimasi sesuai dengan
Ordinary Least Squares (OLS), asumsi tersebut dilakukan dengan
mentransform data ke bentuk Ln atau Log. Data telah di transform, akan diuji
 16

kembali dengan uji regresi berganda dan uji asumsi klasik. Jika hasil uji
asumsi dari data yang telah ditransform tersebut memenuhi sifat Best Linear
Unbiased Estimator (BLUE), maka estimasi parameter dari persamaan regresi
dari data yang telah di transform tersebut dapat dipercaya.
 15

BAB III
METODE PENELITIAN

3.1 Data
Penelitian ini merupakan kajian tentang menganalisis pengaruh produksi
padi, Industri, dan distribusi Listrik terhadap Produk Domestik Regional
Bruto (PDRB) di Provinsi Jawa Timur dalam kurun waktu tahun 1997 sampai
dengan tahun 2014. Data bertipe cross-section dan Time Series. Meliputi data
tahunan di Provinsi Jawa Timur. (BPS JATIM, 2015)
Data yang digunakan adalah data sekunder dari tahun 1997 s/d 2014,
yaitu PDRB harga berlaku (nominal) dana data produksi total dari produksi
padi, produksi industri besar dan keci, dan distribusi listrik.

3.2 Rancangan Penelitian

Gambar 3.1 Flowchart Penelitian

Mulai Pengumpulan
Data

Regresi Linear
Uji Statistik
Berganda

Uji Asumsi
Klasik

1. Uji Normalitas
Ya 2. Uji Heterokedastisitas Tidak
3. Uji Multikolinearitas,
4. Uji Otokorelasi.

Metode
OLS
 16

Hasil Selesai

Sesuai dengan alur flowchart diatas, analisis metode Ordinary Least

Squares (OLS) akan dilakukan sesuai proses tersebut. Berikut penejelasan
langkah – langkah metode Ordinary Least Squares (OLS) :
1. Studi Literatur
Dalam melakukan penelitian harus dilakukan teknik penyusunan yang
sistematis untuk memudahkan langkah-langkah yang akan diambil.
Penelitian ini melakukan teknik studi literatur pada jurnal-jurnal dan
skripsi pendukung kebutuhan penelitian. Jurnal dan skripsi yang
digunakan berkaitan dengan metode yang akan digunakan.
2. Pengumpulan Data
Penelitian ini merupakan kajian tentang menganalisis pengaruh
produksi padi, Industri, dan distribusi listrik terhadap Produk Domestik
Regional Bruto (PDRB) di Provinsi Jawa Timur dalam kurun waktu tahun
1997 sampai dengan tahun 2014. Data bertipe cross-section dan Time
Series. Meliputi data tahunan di Provinsi Jawa Timur.
3. Pembuatan Model Regresi
Pembuatan model regresi dengan regresi linear berganda dengan bantuan
software Microsoft Excel
4. Uji Statistik
Dalam uji statistik yang digunakan untuk menganalisi hipotesis dengan
melihat hasil pengujian dari uji tabel t dan uji tabel f. Dua uji tersebut
bertujuan untuk mencari tau pengaruh tidaknya variabel independent
terhadap variabel dependent secara individual dan secara kelompok.
5. Uji Asumsi Klasik
Selanjutnya setelah diperoleh persamaan model regresi, akan dilakukan
uji – uji asumsi klasik sebagai berikut : Uji Normalitas menggunakan
metode Kolmogorov – Smirnov, Uji Heteroskedastisitas, Uji Otokorelasi
 17

menggunakan metode Durbin-Watson, Uji Multikolinearitas dengan

melihat nilai VIF.
6. Metode Ordinary Least Squares (OLS)
Model persamaan dari regresi linear berganda yang ditelah diuji dengan
uji asumsi klasik dan tidak memenuhi sifat Best Linear Unbiased
Estimator (BLUE), akan dilakukan pengujian dengan melakukan estimasi
sesuai dengan Ordinary Least Squares (OLS), asumsi tersebut dilakukan
dengan mentransform data ke bentuk Ln atau Log. Data telah di transform,
akan diuji kembali dengan uji regresi berganda dan uji asumsi klasik. Jika
hasil uji asumsi dari data yang telah ditransform tersebut memenuhi sifat
Best Linear Unbiased Estimator (BLUE).
7. Hasil
Setelah diperoleh model persamaan regresi yang memenuhi sifat Best
Linear Unbiased Estimator (BLUE), selanjutnya akan dilakukan analisis
dari hasil uji data statistik. Apakah variabel-varibel tersebut memiliki
pengaruh terhadap PDRB Jawa Timur.
 4. BAB IV
ANALISIS DATA DAN PEMBAHASAN

4.1 Analisa Data

Data yang diperoleh dari Badan Pusat Statistik Provinsi Jawa Timur akan
diolah menggunakan software MS. Excel dan software R.Tabel 5.1
menunjukkan data uji pada penelitian ini:

Tabel 4.1 Data PDRB Jawa Timur dan Data Produksi Padi, Industri,
Distribusi Listrik Dari Tahun 1997 - 2014
PDRB Produksi Padi Produksi Industri Distribusi Listrik
Tahun (juta rupiah) (ton) (juta rupiah) (Kwh)
1997 88772383 8846406 46098607532 11662473533
1998 135753197 8888433 74872369464 11784452861
1999 150555746 9205762 90762413929 13080024306
2000 169680628 9457107 153730897393 14366545500
2001 233881585 8699547 117622934672 15628023529
2002 267157717 8803877 176491785506 16279353468
2003 300609858 8914995 137300691627 17062929627
2004 341065251 9002025 154447289634 18358042862
2005 403392351 9007265 173719915376 19468061816
2006 472286954 9346947 213035738495 20054790176
2007 536981882 7931751 277297620103 21263304822
2008 686847558 10474773 298742079387 21871978722
2009 778455773 11259085 296235489880 22766487244
2010 990648844 11643773 379103610806 24469830027
2011 112057716 10576543 435127200106 26151720804
2012 124876729 12198707 417241488327 28824484957
2013 138250141 12049342 504191125534 30704047935
2014 153794763 11785464 491742703606 32525099582

17
 18

4.2 Analisis Program

4.2.1 Analisis Regresi Berganda

Metode analisis ini digunakan untuk mencari persamaan regresi dan

menguji hipotesis. Hipotesis dalam peneltian ini sebagai berikut:

H0 = Terdapat pengaruh dari variabel produksi padi, produksi industri

besar dan kecil, dan distribusi listrik terhadap PDRB perkapita Jawa
Timur.

H1= Tidak Terdapat pengaruh dari variabel produksi padi, produksi

industri besar dan kecil, dan distribusi listrik terhadap PDRB perkapita
Jawa Timur.

Setelah dilakukan input data ke dalam software MS. Excel, diperoleh hasil
persamaan regresi berganda sebagai berikut :

Tabel 4.2 Summary Output

Regression Statistics
Multiple R 0.158485264
R Square 0.251175886
Adjusted R Square 0.183785797
Standard Error 283917459
Observations 18
Tabel 4.3 ANOVA

Significanc
df SS MS F eF
Regressi 3.39009 1.13003 17.2737158 0.0436770
on 3 6 2 37 57
2.17501 0.15535
Residual 14 6 8
Total 17 5.56511
 19

Tabel 4.4 Coefficients

Standard
Coefficients Error t Stat P-value
Intercep
t 185050259.6 900420753.5 0.20551532 0.030127852
X1 13.96180094 93.43310836 0.14943098 0.002344863
X2 0.000270683 0.002257098 0.119925166 0.006246431
X3 -0.002548428 0.049840631 -0.051131542 0.099943081

Dari Hasil analisis diatas didapatkan sebuah model persamaan regresi

sebagai berikut
Y = 185050259.6 + 13,9628X1 + 0,00027X2 – 0,0025X3
Keterangan : Y : PDRB Jawa Timur
X1 : Produksi padi
X2 : Produksi Industri
X3 : Distribusi Listrik

Selanjutnya akan dilakukan uji kelayakan model regresi linear

berganda tersebut apakah model yang dihasilkan berpengaruh secara
signifikan atau tidak. Dalam hal ini yang dipergunakan koesien
determinasi yang diperoleh dari perhitungan nilai R-Square yaitu 0,251.
Sehingga hal ini menunjukkan bahwa pengaruh dari variabel produksi
padi, produksi industri besar dan kecil, dan distribusi listrik sebesar 25,1%
terhadap PDRB perkapita Jawa Timur.
Selanjutnya uji hipotesis dengan melihat nilai uji t dan uji F. Pada tabel
4.4 menunjukkan bahwa tiga variabel tersebut mempunyai nilai t-hitung
 20

sebesar 0.149 (X1), 0.120 (X2), -0.05(X3) dan t-tabel dalam persamaa ini
adalah 1.753. Dimana nilai t-hitung kurang dari nilai t-tabel, maka hal ini
berarti variabel X1, X2, X3 memiliki pengaruh yang siginifikan terhadap
PDRB Jawa Timur.
Selanjutnya pada tabel 4.3 menunjukkan bahwa nilai F-statistik pada
persamaan regresi sebesar 17.273 dengan F-tabel sebesar 3.16. Maka
dengan demikian dapat disimpulkan bahwa F-hitung > dari F-tabel.
Sehingga disimpulkan dalam persamaan tersebut variabel bebas secara
bersama-sama mempengaruhi variabel terikat (Ho diterima dan H 1
ditolak).

4.2.2 Uji Asumsi Klasik

1. Uji Normalitas
Dalam penelitian ini untuk menguji normalitas data, peneliti
menggunakan uji Kolmogorov-Smirnov dengan bantuan program R.
uji Kolmogorov- Smirnov diidentifikasi dengan melihat nilai
signifikansi > 0,05 maka variabel berdistribusi normal. Jika
signifikansi < 0,05 maka variabel tidak berdistribusi normal, hasil
Uji Kolmogorov-Smirnov sebagai berikut :
Gambar 4.1 Program uji Kolmogorov- Smirnov
 21

Dalam program tersebut hal yang pertama kali dilakukan adalah

mencari persaman regresi dengan memberi perintah “ regresi
lm(formula  Y~X1+X2+X3) “. Dari model persamaan tersebut
akan dicari nilai probabilitas dengan mencari deviasi maksimum
dengan perintah program seperti lingkaran merah pada gambar 4.1.
Jika nilai probabilitas lebih dari 0.05 asumsi normalitas terpenuhi,
sedangkan jika nilai probabilitas kurang dari 0.05 asumsi normalitas
tidak terpenuhi.
Hasil dari program R tersebut adalah :
Gambar 4.2 Hasil Program Uji Kolmogorov-Smirnov

Berdasarkan hasil uji normalitas dengan uji Kolmogorov-Smirnov,

karena nilai probabilitas 0.635079 > 0,05. Maka data dinyatakan
berdistribusi normal.
2. Uji Heteroskedastisitas
 22

Untuk mendeteksi terjadinya heteroskedastisitas pada model

regresi digunakan dengan metode park dengan meregresikan semua
variabel bebas terhadap Ln residual kuadrat. Jika terdapat pengaruh
variabel bebas yang signifikan terhadap Ln residual kuadrat maka
dalam model terdapat masalah heteroskedastisitas. Untuk metode
White tidak digunakan karena hasil program menunjukkan bahwa
model mengandung heteroskedastisitas, oleh sebab itu hanya dipilih
metode yang hasil nya sesuai dengan asumsi awal dengan model
regresi yang tidak mengandung heteroskedastisitas. Hasil program
uji park sebagai berikut :
Gambar 4.3 Program R Uji Heteroskedastisitas

Untuk program uji heteroskedastisitass ini diawali dengan

meregresikan semua variabel bebas terhadap Ln residual kuadrat
seperti yang ditunjukkan di lingkaran merah pada gambar 4.3.
selanjutnya hasil regeresi semua variabel bebas terhadap Ln akan
dicari nilai probabilitas setiap variabel bebas. Jika nilai probabilitas
lebih dari 0.05 tidak terjadi heteroskedastisitas, sedangkan jika nilai
probabilitas kuranf dari 0.05 terjadi heteroskedastisitas.
 23

Hasil program uji heteroskedastisitas adalah sebagai berikut :

Gambar 4.4 Hasil Program Uji Heteroskedastisitas

Dari hasil program diatas, terlihat nilai probabilitas dari X1, X2,
X3 nilai probabilitas nya lebih besar dibandingkan tingkat
signifikansi 0,05. Sehingga dapat disumpulkan bahwa tidak terjadi
heteroskedastisitas.
3. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mendeteksi adanya korelasi
diantara variabel–variabel bebas. Korelasi diartikan sebagai
 24

hubungan dekat antara variabel-variabel bebas. Untuk mendeteksi

terjadinya multikolinearitas dengan melihat dari nilai Variance
Innflantion Factor (VIF). Jika VIF > 10 maka terjadi
multikolinearitas. jika VIF < 10 dengan bantuan program R.
Sehingga mendapatkan hasil sebagai berikut :
Gambar 4.5 Program Uji Multikolinearitas

Untuk program uji multikolinearitas ini diawali dengan

meregresikan semua variabel sehingga menemukan persamaan regresi.
Variabel bebas pada persamaan regresi tersebut akan dicari nilai
summary nya untuk mencari nilai Rsquared. Rsquared digunkan unutk
mengitung nilai VIF, seperti yang ditunjukkan di lingkaran merah pada
gambar 4.5. Jika nilai VIF setiap variabel bebas > 10 maka terjadi
multikolinearitas, sedangkan jika nilai VIF setiap variabel bebas < 10
maka tidak terjadi multikolinearitas.
Hasil program uji multikolinearitas sebagai berikut :
Gambar 4.6 Hasil Program Uji Multikolinearitas
 25

Nilai VIF di dapatkan dari perhitungan korelasi antara variabel

bebas. Kemudian hasil perhitungan korelasi di kuadratkan dan di
subtitusikan pada rumus VIF. Sehingga diperoleh nilai VIF dari X1
adalah 3.394192, X2 adalah 23.119743, dan X3 adalah 20.920685.
Karena terdapat nilai VIF yang melebihi 10 pada variabel bebas,
maka diindikasi terjadi multikolinearitas.
4. Uji Otokorelasi
Otokorelasi terjadi akibat adanya korelasi variabel yang ada
didalam model prediksi dengan perubahan waktu.. Uji Otokorelasi
menggunakan metode Durbin-Watson dengan bantuan program R.
Sehingga mendapatkan hasil sebagai berikut :
Gambar 4.7 Program Uji Otokorelasi

Untuk program uji otokorelasi ini diawali dengan mencari nilai

residual tahun t dan residual satu tahun sebelumnya. Seperti yang
 26

ditunjukkan di lingkaran merah pada gambar 4.5, yang mehitung nilai

residual pada setiap tahun kecuali tahun pertama. Kemudian residual
dikuadratkan dan hasil residual dikuadratkan tersbut akan dilakukan
perhitungan statistik durbin watson. Jika nilai statistik durbin Watson
berada diantara 1.6961 dan 3.0669 maka tidak terjadi otokorelasi,
sedangkan jika nilai statistik durbin Watson tidak berada diantara 1
dan 3 maka. terjadi otokorelasi. Nilai 1.6961 dan 3.0669 didapatkan
dari tabel 1.6961 dan 3.0669
Hasil program uji multikolinearitas sebagai berikut :
Gambar 4.6 Hasil Program Uji Otokorelasi

Pada hasil output diatas terdapat nilai Durbin-Watson sebesar

0.748697. Pengambilan keputusan memerlukan 2 nilai bantu yang
diperoleh dari tabel Durbin-Watson, yaitu dL dan dU, dengan K =
Jumlah variabel bebas dan n = ukuran sampel. Jika nilai Durbin-
Watson berada diantara dU hingga (4-dU), maka asumsi tidak terjadi
otokorelasi.
 27

Kesimpulannya, apabila di tabel c dengan n = 18, K 3, maka

akan diperoleh nilai dL = 0.9331 dan dU = 1.6961, sehingga nilai 4 -
dU = 4 - 1.6961 = 2.3039 sedangkan nilai 4 – dL sebesar 4 – 0,9331
=3.0669. Karena nilai Durbin-Watson (0,748697) terletak antara dL
dengan dU, maka dapat disimpulkan bawha model persamaan regresi
tersebut mengandung masalah otokorelasi.
Hasil pada uji asumsi klasik diatas, terdapat 2 uji yang yang
menyatakan, persamaan regresi tersebut mengandung otokorelasi dan
multikolinearitas. Hal ini menandakan bahwa terdapat korelasi antar data
observasi dan tidak persamaan regresi ridak memenuhi syarat BLUE..
Sehingga peniliti akan melakukan pengolahan kembali pada data
observasi, dengan melakukan transformasi data ke dalam bentuk Ln.
Tabel 5.3 merupakan data yang telah di transformasi ke bentuk Ln.

Tabel 4.5 Data Transformasi ke bentuk Ln

ln_Y ln_X1 ln_X2 ln_X3

18.30 16.00 24.55 23.18
18.73 16.00 25.04 23.19
18.83 16.04 25.23 23.29
18.95 16.06 25.76 23.39
19.27 15.98 25.49 23.47
19.40 15.99 25.90 23.51
19.52 16.00 25.65 23.56
19.65 16.01 25.76 23.63
19.82 16.01 25.88 23.69
19.97 16.05 26.08 23.72
20.10 15.89 26.35 23.78
20.35 16.16 26.42 23.81
20.47 16.24 26.41 23.85
20.71 16.27 26.66 23.92
18.53 16.17 26.80 23.99
 28

18.64 16.32 26.76 24.08

18.74 16.30 26.95 24.15
18.85 16.28 26.92 24.21

Dari data tersebut kemudian dilakukan proses analisis regresi berganda

dan uji asumsi klasik seperti pada langkah sebelumnya. Sebagai berikut :
1. Analisis Regresi Berganda
Metode analisis ini digunakan untuk mencari persamaan regresi
dan menguji hipotesis. Hipotesis dalam peneltian ini sebagai berikut:

H0 = Terdapat pengaruh dari variabel produksi padi, produksi industri

besar dan kecil, dan distribusi listrik terhadap PDRB perkapita Jawa
Timur.

H1= Tidak Terdapat pengaruh dari variabel produksi padi, produksi

industri besar dan kecil, dan distribusi listrik terhadap PDRB perkapita
Jawa Timur.

Setelah dilakukan input data ke dalam software MS. Excel, diperoleh

hasil persamaan regresi berganda sebagai berikut :

Tabel 4.5 Summary

Regression Statistics
0.44585846
Multiple R 1
0.57719324
R Square 4
Adjusted R
Square 0.02710186
Standard Error 0.72148884
Observations 18
 29

Tabel 4.6 ANOVA

Significanc
df SS MS F eF
Regressio
n 3 1.808151 0.602717 41.15786 0.036059
Residual 14 7.287646 0.520546
Total 17 9.095798

Tabel 4.7 Coefficents

Coefficient Standard
s Error t Stat P-value
Intercep
t 55.6532 31.5009 1.7667 0.0991
ln_X1 2.2130 2.0229 1.0940 0.2924
ln_X2 1.2098 0.9714 1.2454 0.2334
ln_X3 -1.3568 2.2229 -0.6104 0.5514

Dari Hasil analisis diatas didapatkan sebuah model persamaan regresi

sebagai berikut
Y = 55.65321 + 2.2130ln_X1 + 1.2098ln_X2 – 1.3568ln_X3

Keterangan : Y : PDRB Jawa Timur

X1 : Produksi padi
X2 : Produksi Industri
X3 : Distribusi Listrik

Selanjutnya akan dilakukan uji kelayakan model regresi linear

berganda tersebut apakah model yang dihasilkan berpengaruh secara
signifikan atau tidak. Dalam hal ini yang dipergunakan koesien
determinasi yang diperoleh dari perhitungan nilai R-Square yaitu
0,577. Sehingga hal ini menunjukkan bahwa pengaruh dari variabel
 30

produksi padi, produksi industri besar dan kecil, dan distribusi listrik
sebesar 57,7% terhadap PDRB perkapita Jawa Timur.

Selanjutnya uji hipotesis dengan melihat nilai uji t dan uji F. Pada
tabel 4.4 menunjukkan bahwa tiga variabel tersebut mempunyai nilai t-
hitung sebesar 1.109 (X1), 1.245 (X2), -0.06(X3) dan t-tabel dalam
persamaa ini adalah 1.753. Dimana nilai t-hitung < nilai t-tabel, maka
hal ini berarti variabel X1, X2, X3 memiliki pengaruh yang siginifikan
terhadap PDRB Jawa Timur.

Selanjutnya pada tabel 4.3 menunjukkan bahwa nilai F-statistik

pada persamaan regresi sebesar 41.273 dengan F-tabel sebesar 3.16.
Maka dengan demikian dapat disimpulkan bahwa F-hitung > dari F-
tabel. Sehingga disimpulkan dalam persamaan tersebut variabel bebas
secara bersama-sama mempengaruhi variabel terikat (Ho diterima dan
H1 ditolak).

2. Uji Normalitas
Dalam penelitian ini untuk menguji normalitas data, peneliti
menggunakan uji Kolmogorov-Smirnov dengan bantuan program R. uji
Kolmogorov- Smirnov diidentifikasi dengan melihat nilai signifikansi >
0,05 maka variabel berdistribusi normal. Jika signifikansi < 0,05 maka
variabel tidak berdistribusi normal, hasil Uji Kolmogorov-Smirnov sebagai
berikut :
Gambar 9. Hasil Program Uji Normalitas
 31

Berdasarkan hasil uji normalitas dengan uji Kolmogorov-Smirnov,

karena nilai probabilitas 0.894982 > 0,05, maka asumsi dipenuhi. Maka
data dinyatakan berdistribusi normal.
3. Uji Heteroskedastisitas
Untuk mendeteksi terjadinya heteroskedastisitas pada model regresi
digunakan metode white dengan meregresikan semua variabel bebas,
variabel bebas kuadarat dan perkalian (interaksi) variabel bebas terhadap
nilai residual kuadaratnya. Jika terdapat pengaruh variabel bebas yang
signifikan terhadap Ln residual kuadrat maka dalam model terdapat
masalah heteroskedastisitas. Untuk metode park tidak digunakan karena
hasil program menunjukkan bahwa model mengandung
heteroskedastisitas, oleh sebab itu hanya dipilih metode yang hasilnya
sesuai dengan asumsi awal, dengan model regresi yang tidak mengandung
heteroskedastisitas. Hasil program uji white sebagai berikut :
Gambar 10. Hasil Program Uji Heteroskedastisitas
 32

Dari hasil program diatas, terlihat nilai probabilitas dari nilai statistik
White, yakni 0.070881, lebih besar dibandingkan tingkat signifikansi 0,05.
Sehingga dapat disumpulkan bahwa tidak terjadi heteroskedastisitas.

5. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mendeteksi adanya korelasi
diantara variabel–variabel bebas. Korelasi diartikan sebagai hubungan
dekat antara variabel-variabel bebas. Untuk mendeteksi terjadinya
multikolinearitas dengan melihat dari nilai Variance Innflantion Factor
(VIF). Jika VIF > 10 maka terjadi multikolinearitas. jika VIF < 10 dengan
bantuan program R. Sehingga mendapatkan hasil sebagai berikut :
Gambar 11. Hasil Program Uji Multikolinearitas
 33

Nilai VIF di dapatkan dari perhitungan korelasi antara variabel bebas.

Kemudian hasil perhitungan korelasi di kuadratkan dan di subtitusikan
pada rumus VIF. Sehingga diperoleh nilai VIF dari X1 adalah 2.362873,
X2 adalah 14.423596, dan X3 adalah 15.951791. Karena terdapat nilai
VIF yang melebihi 10 pada variabel bebas, maka diindikasi terjadi
multikolinearitas.
6. Uji Otokorelasi
Otokorelasi terjadi akibat adanya korelasi variabel yang ada didalam
model prediksi dengan perubahan waktu.. Uji Otokorelasi menggunakan
metode Durbin-Watson dengan bantuan program R. Sehingga
mendapatkan hasil sebagai berikut :
Gambar 12. Hasil program uji otokorelasi

Pada hasil output diatas terdapat nilai Durbin-Watson sebesar

0.748697. Pengambilan keputusan memerlukan 2 nilai bantu yang
diperoleh dari tabel Durbin-Watson, yaitu dL dan dU, dengan K = Jumlah
variabel bebas dan n = ukuran sampel. Jika nilai Durbin-Watson berada
diantara dU hingga (4-dU), maka asumsi tidak terjadi otokorelasi.
 34

Kesimpulannya, apabila di tabel Durbin-Watson dengan n = 18, K 3,

maka akan diperoleh nilai dL = 0.9331 dan dU = 1.6961, sehingga nilai 4 -
dU = 4 - 1.6961 = 2.3039 sedangkan nilai 4 – dL sebesar 4 – 0,9331
=3.0669. Karena nilai Durbin-Watson (1.129308) terletak diantara antara
dU dengan 4 - dU, maka dapat disimpulkan bawha model persamaan
regresi tersebut tidak mengandung masalah otokorelasi.

4.3 Hasil dan Pembahasan

Berdasarkan hasil uji statistik dan uji asumsi klasik terhadap data yang
telah ditransformasi kebentuk ln. menghasikan sebuah asumsi model
persamaan regresi yang bersifat Best Linear Unbiased Estimator (BLUE).
Meskupun masih mengandung multikolinearitas. Hal ini hanya berdampak
pada nilai hitung statistik uji t akan kecil membuat beberapa variabel
dependent tidak siginifikan mempengaruhi variabel independen.

Model regresi linear berganda tersebut apakah model yang dihasilkan

berpengaruh secara signifikan atau tidak. Dalam hal ini yang dipergunakan
koesien determinasi yang diperoleh dari perhitungan nilai R-Square yaitu
0,577. Sehingga hal ini menunjukkan bahwa pengaruh dari variabel produksi
padi, produksi industri besar dan kecil, dan distribusi listrik sebesar 57,7%
terhadap PDRB perkapita Jawa Timur.

Selanjutnya uji hipotesis dengan melihat nilai uji t dan uji F. Pada tabel 4.4
diatas, menunjukkan bahwa tiga variabel tersebut mempunyai nilai t-hitung
sebesar 1.109 (X1), 1.245 (X2), -0.06(X3) dan t-tabel dalam persamaa ini
adalah 1.753. Dimana nilai t-hitung < nilai t-tabel, maka hal ini untuk masing-
masing variabel X1, X2 sebesar 11% untuk variabel produksi padi, 12% untuk
variabel produksi industri memiliki pengaruh yang siginifikan terhadap PDRB
Jawa Timur. Karena distribusi lisriki memiliki nilai yang negative, maka
distribusi listri tidak berpengaruh siginifikan terhadap PDRB Jawa Timur
 35

Selanjutnya pada tabel 4.3 diatas, menunjukkan bahwa nilai F-statistik

pada persamaan regresi sebesar 41.273 dengan F-tabel sebesar 3.16. Maka
dengan demikian dapat disimpulkan bahwa F-hitung > dari F-tabel. Sehingga
disimpulkan dalam persamaan tersebut variabel bebas secara bersama-sama
mempengaruhi variabel terikat.

Berdasarkan hasil analisis regresi diatas diperoleh bahwa masing-masing

variabel produksi padi, produksi industri dan distribusi listrik memeliki
pengaruh terhadapat PDRB Jawa Timur.
 5. BAB VI
PENUTUP

6.1 Kesimpulan
Berdasarkan hasil analisi pengaruh antara produksi padi, produksi industri,
dan distribusi listrik terhadap PDRB perkapitadi wilayah Provinsi Jawa Timur
tahun 1997-2014, dapat diambil kesimpulan sebagai berikut :

1. Tidak, karena model regresi yang dihasilkan pada data awal

mengandung otokorelasi dan multikolinearitas. karena jika sebuah
model regresi mengandung multikolinearitas akan menyebabkan
estimator mempunyai varian dan ovarian yang besar dan jika
mengandung otokorelasi akan menyebabkan distribusi t maupun F
tidak lagi bisa dipercaya untuk evaluasi hasil regresi
2. Ada perubahan, setelah data di transformasi kebentuk Ln model
regresi tidak mengandung otokorelasi. Namun masih tetap
mengandung multikolinearitas. Namun model regresi tersbut sudah
bisa dikatan memenuhi sifat Best Linear Unbiased Estimator
(BLUE). Meskipun akan berdampak pada nilai hitung statistik uji t
akan kecil membuat beberapa variabel dependent tidak siginifikan
mempengaruhi variabel independen.
3. Ada pengaruh antara produksi padi, produksi industri, dan
distribusi listrik terhadap PDRB perkapita di wilayah Provinsi
Jawa Timur berdasarkan tahun 1997 sampai dengan 2014
4. Besar pengaruh antara produksi padi, produksi industri, dan
distribusi listrik terhadap PDRB perkapita di wilayah Provinsi
Jawa Timur adalah sebesar 57.7%. sedangkan untuk besar
pengaruh masing-masing variabel 11% untuk variabel produksi
padi, 12% untuk variabel produksi industri memiliki pengaruh
yang siginifikan terhadap PDRB Jawa Timur. Karena distribusi

30
 lisriki memiliki nilai -6% yang bernilai negative , maka distribusi
listri tidak berpengaruh siginifikan terhadap PDRB Jawa Timur

6.2 Saran
Sehubungan dengan hasl penelitian diatas, maka saran yang dapat diberikan
untuk menunjang penelitian selanjutnya, sebagai berikut :

1. Dengan menambah variabel bebas yang akan digunakan dalam

mencari faktor-faktor pengaruh PDRB perkapita di wilayah Provinsi
Jawa Timur berdasarkan tahun 1997 sampai dengan 2014.
2. Pada penelitian selanjutnya dapat dilakukan dengan data yang jauh
lebih banyak atau memakai data PDRB perkapita pada setiap
kabupaten/kota.
3. Dalam penelitian selanjutnya dapat digunakan metode lain yang lebih
bagus. Supaya hasil analisis regresi dapat lebih akurat.

31
 DAFTAR PUSTAKA

6.
Akila. (2017). Pengaruh Insentif Dan PengawasanTerhadap Produkstifitas Kerja
Karyawan PAda CV.Vassel Palembang. Ecomen Global, 40.

Bowo, T. (2010). Analisis Faktor Faktor Yang Mempengaruhi Produksi

Belimbing. Semarang: UNIVERSITAS DIPENEGORO SEMARANG.

BPS JATIM. (2015). PRODUK DOMESTIK REGIONAL BRUTO

KABUPATEN/KOTA MENURUT LAPANGAN USAHA (PDRB) 2010-
2014. Surabaya: BPS JATIM.

Dewi, M. (2009). Analisi pengaruh Investasi Dan Tenaga Kerja Terhadap Output
Sektor Industri Kabupaten Bekasi. Bogor: Institut Pertanian Bogor.

Farida, i., & Barnadina, A. (2014, November). ANALISIS PENGARUH IPM,

PENGELUARAN PEMERINTAH DAERAH, DAN UMK TERHADAP
POSISI PEREKONOMIAN DAERAH. JESP, 6, 164.

Gusnadi, H. A. (2017). PROPOSAL KERJA PRAKTEK BADAN PUSAT

STATISTIK YOGYAKARTA. Yogyakarta.

Hayati, S. (2014). Peran Perbankan Syariah terhadap Pertumbuhan Ekonomi

Indonesia. Indo Islamika, 45.

Makarti, P. P., & Karim, A. (2013). Perbandingan Metode Ordinary Least Square
(OLS) Dan Metode Regresi Robust Pada Hasil Produksi Padi Di
Kabupaten Indramayu. 220.

Sumadiasa, I. K., Tisnawati, N., & Wirathi, I. G. (2016). Analisis Penagruh

Pembangunan Infrasturktur Jalan, Listrik, Dan PMA Terhadap
Pertumbuan PDRB Provinsi BAli Tahun 1993-2014. E-Jurnal EP Undud
Vol.5.

Utami, R. (2013). Pengaruh Tenaga Kerja, Upah Minum Regional (UMR),

Pendapan Asli Daerah (PAD) Terhadap PDRB Perkapita
Kabupaten/KOta Di Kawasan Kedungspur. Semarang: Universitas Negeri
Semarang.
 7. LAMPIRAN

1. Program dan Hasil Metode OLS dalam Uji Normalitas dengan

menggunakan program R.

```{r, echo=FALSE}

library(psych)

library(tseries)

library(nortest)

library(fBasics)

library(randtests)

library(plm)

data <- read.table("kkkk.txt", header=TRUE, sep="\t")

X1 <- data$X1

X2 <- data$X2

X3 <- data$X3

Y <- data$Y

##Uji Normalitas dengan Uji Kolmogorov-Smirnov

```{r, echo=FALSE}
cat(sprintf("4.2 Uji Asumsi Klasik\n"))

cat(sprintf("4.2.1 Uji Normalitas\n \n"))

cat(sprintf("Jika nilai probabilitas p>=0,05, maka asumsi normalitas

terpenuhi.\n\n"))

cat(sprintf("Jika nilai probabilitas p<0,05, maka asumsi normalitas tidak

terpenuhi.\n\n"))

regresi <- lm(formula <- Y ~ X1+X2+X3)

a <- regresi$coefficients[1]

probabilitas_a <- summary(regresi)$coefficients[1,4]

probabilitas_b1 <- summary(regresi)$coefficients[2,4]

probabilitas_b2 <- summary(regresi)$coefficients[3,4]

probabilitas_b3 <- summary(regresi)$coefficients[4,4]

b1 <- regresi$coefficients[2]

b2 <- regresi$coefficients[3]

b3 <- regresi$coefficients[4]

r2 <- summary(regresi)$r.squared

adjr2 <- summary(regresi)$adj.r.squared

 statistik_F <- summary(regresi)$fstatistic[1]

df1_derajat_bebas_pembilang_numerator <- summary(regresi)

$fstatistic[2]

df2_derajat_bebas_penyebut_denominator <- summary(regresi)

$fstatistic[3]

f <- summary(regresi)$fstatistic

probabilitas_F <- pf(f[1],f[2],f[3],lower.tail=F)

residual <- regresi$residuals

normalitas_KS <- ks.test(residual,"pnorm", mean(residual), sd(residual), exact

= TRUE )

print(normalitas_KS)

print(names(normalitas_KS))

statistik_KS <- normalitas_KS$statistic

probabilitas_KS <- normalitas_KS$p.value

if(probabilitas_KS >= 0.05)

cat(sprintf("\n\nBerdasarkan hasil uji normalitas Kolmogorov-Smirnov,

diketahui probabilitas adalah %f. Karena nilai probabilitas %f > 0,05, maka
asumsi dipenuhi.",probabilitas_KS, probabilitas_KS))
 }

if(probabilitas_KS < 0.05)

cat(sprintf("\n\nBerdasarkan hasil uji Kolmogorov-Smirnov di atas,

diketahui probabilitas adalah %f. Karena nilai probabilitas %f < 0,05, maka
asumsi normalitas tidak dipenuhi.",probabilitas_KS, probabilitas_KS))

cat(sprintf(" Anda bisa mengujinya di software SPSS. Aktifkan menu

Exact, bukan Asymptotic Only atau Monte Carlo.\n\n"))

```

2. Program dan Hasil Metode OLS dalam Uji Heteroskedastisitas dengan

menggunakan program R

```{r, echo=FALSE}

cat(sprintf("Uji Heteroskedastisitas dengan Uji White\n \n"))

deskriptif_X1 <- describe(X1)

n_X1 = deskriptif_X1$n

regresi <- lm(formula <- Y ~ X1+X2+X3)

residual <- regresi$residuals

abs_residual <- abs(residual)

residual_kuadrat <- residual^2

 X1X2 <- X1*X2

X1X3 <- X1*X3

X2X3 <- X2*X3

X1_kuadrat <- X1*X1

X2_kuadrat <- X2*X2

X3_kuadrat <- X3*X3

White_Homoskedastisitas <- lm(formula <- residual_kuadrat ~ X1 + X2 +

X3 +

X1X2+

X1X3+

X2X3+

X1_kuadrat + X2_kuadrat + X3_kuadrat

print(summary(White_Homoskedastisitas))

r2_White <- summary(White_Homoskedastisitas)$r.squared

 statistik_White <- r2_White*n_X1

nilai_kritis_chi_square_White <- qchisq(.95, df=9)

probabilitas_statistik_White <- 1 - pchisq(statistik_White, 9)

if(probabilitas_statistik_White<0.05)

cat(sprintf("Berdasarkan perhitungan R, diperoleh:

=> Nilai statistik White %f

=> Nilai kritis chi-square dengan derajat bebas 9 dan tingkat signifikansi 0,05
adalah %f

=> Probabilitas dari nilai statistik White adalah %f.

Karena probabilitas dari nilai statistik White, yakni %f, lebih kecil
dibandingkan tingkat signifikansi 0,05,

maka asumsi homoskedastisitas tidak dipenuhi. ", statistik_White,

nilai_kritis_chi_square_White, probabilitas_statistik_White,

probabilitas_statistik_White))

}
 if(probabilitas_statistik_White>0.05)

cat(sprintf("Berdasarkan perhitungan R, diperoleh:

=> Nilai statistik White %f.

=> Nilai kritis chi-square dengan derajat bebas 9 dan tingkat signifikansi 0,05
adalah %f.

=> Probabilitas dari nilai statistik White adalah %f.

Karena probabilitas dari nilai statistik White, yakni %f, lebih besar
dibandingkan tingkat signifikansi 0,05,

maka asumsi homoskedastisitas dipenuhi. ", statistik_White,

nilai_kritis_chi_square_White, probabilitas_statistik_White,

probabilitas_statistik_White))

cat(sprintf("\n\nAnda bisa mengujinya di software EViews."))

 ```

3. Program dan Hasil Metode OLS dalam Uji Multikolinearitas dengan

menggunakan program R

```{r, echo=FALSE}

library(psych)

library(tseries)

library(nortest)

library(fBasics)

library(randtests)

library(plm)

data <- read.table("kkkk.txt", header=TRUE, sep="\t")

X1 <- data$X1

X2 <- data$X2

X3 <- data$X3

Y <- data$Y

##Uji Multikolinearitas dengan Pendekatan Nilai VIF

```{r, echo=FALSE}

cat(sprintf("4.2.2 Uji Multikolinearitas\n \n"))

cat(sprintf("Untuk memeriksa apakah terjadi multikolinearitas atau tidak dapat

dilihat dari nilai variance inflation factor (VIF). Nilai VIF yang lebih dari 10
diindikasi suatu variabel bebas terjadi multikolinearitas.\n\n"))
regresi_X1 <- lm(formula <- X1 ~ X2 + X3 )

regresi_X2 <- lm(formula <- X2 ~ X1 + X3)

regresi_X3 <- lm(formula <- X3 ~ X1 + X2 )

r2_X1 <- summary(regresi_X1)$r.squared

r2_X2 <- summary(regresi_X2)$r.squared

r2_X3 <- summary(regresi_X3)$r.squared

VIF_X1 <- 1/(1-r2_X1)

VIF_X2 <- 1/(1-r2_X2)

VIF_X3 <- 1/(1-r2_X3)

cat(sprintf("Diketahui nilai VIF dari xx1 adalah %f, nilai VIF dari xx2
adalah %f, dan nilai VIF dari xx3 adalah %f.\n\n",VIF_X1, VIF_X2,
VIF_X3))

if(VIF_X1 < 10 && VIF_X2 < 10 && VIF_X3 < 10)

cat(sprintf(" Karena nilai VIF dari xx1, xx2 dan xx3 tidak lebih dari 10,
maka diindikasi tidak terjadi multikolinearitas."))

}
 if(VIF_X1 > 10 || VIF_X2 > 10 || VIF_X3 > 10 )

cat(sprintf(" Karena terdapat nilai VIF yang melebihi 10, maka diindikasi
terjadi multikolinearitas."))

4. Program dan Hasil Metode OLS dalam Uji Otokorelasi dengan

menggunakan program R

```{r, echo=FALSE}

library(psych)

library(tseries)

library(nortest)

library(fBasics)

library(randtests)

library(plm)

data <- read.table("kkkk.txt", header=TRUE, sep="\t")

X1 <- data$X1

X2 <- data$X2

X3 <- data$X3

Y <- data$Y

##Uji Otokorelasi dengan Uji Durbin-Watson

```{r, echo=FALSE}
cat(sprintf("4.2.4 Uji Otokorelasi dengan Uji Durbin-Watson\n \n"))

deskriptif_X1 <- describe(X1)

n_X1 = deskriptif_X1$n

residual <- regresi$residuals

abs_residual <- abs(residual)

residual_kuadrat <- residual^2

jumlah_kuadrat_residual_sebelum_sesudah_durbin_watson <-
vector(length = (n_X1)-1)

jumlah_kuadrat_residual <- vector(length = n_X1 )

for(m in 1:((n_X1)-1) )

jumlah_kuadrat_residual_sebelum_sesudah_durbin_watson[m] =
(residual[m]-residual[m+1])^2

atas <- sum(jumlah_kuadrat_residual_sebelum_sesudah_durbin_watson)

for(m in 1: n_X1 )

jumlah_kuadrat_residual[m] = (residual[m])^2

bawah <- sum(jumlah_kuadrat_residual)

Durbin_Watson <- atas/bawah