Tugas Akhir
Disusun sebagai salah satu syarat untuk memperoleh gelar Ahli Madya Program
Studi Statistika Terapan dan Komputasi
Oleh
Ichwan Prayogi 4112319020
Kata Kunci: Pengangguran, Data Panel, Common Effect Model, Random Effect
Model, Fixed Effect Model
i
ABSTRACT
Ichwan Prayogi. 2024. The Influence of the Human Development Index, Number of
Labor Force, Labor Force Participation Level, and Education Level on the Open
Unemployment Rate in Central Java. Department of Mathematics, Faculty of
Mathematics and Natural Sciences, Semarang State University.
Keyword: Unemployment, Panel Data, Common Effect Model, Random Effect Model,
Fixed Effect Model
ii
DAFTAR ISI
DAFTAR ISI...............................................................................................................iii
BAB I............................................................................................................................1
PENDAHULUAN........................................................................................................1
1.1 Latar Belakang.........................................................................................................1
1.2 Rumusan Masalah...................................................................................................3
1.3 Tujuan Penelitian.....................................................................................................4
1.4 Manfaat Penelitian..................................................................................................4
BAB II...........................................................................................................................5
KAJIAN PUSTAKA.....................................................................................................5
2.1 Penelitian Terdahulu...............................................................................................5
2.2 Analisis Regresi.......................................................................................................5
2.3 Model Regresi Data Panel......................................................................................6
2.4 Estimasi Data Panel................................................................................................7
2.5 Pemilihan Model Estimasi Terbaik.......................................................................9
2.6 Uji Asumsi Klasik.................................................................................................11
2.6.1 Uji Linieritas.......................................................................................11
2.6.2 Uji Normalitas.....................................................................................12
2.6.3 Uji Autokorelasi..................................................................................12
2.6.4 Uji Multikolinieritas............................................................................13
2.6.5 Uji Heteroskedastisitas........................................................................13
2.7 Uji Kelayakan Model Regresi.............................................................................14
2.7.1 Uji F.....................................................................................................14
2.7.2 Uji t......................................................................................................15
2.7.3 Koefisien Determinasi.........................................................................15
2.8 Pengangguran.........................................................................................................16
2.9 Indeks Pembangunan Manusia............................................................................18
2.10 Angkatan Kerja......................................................................................................18
2.11 Tingkat Partisipasi Angkatan Kerja....................................................................19
2.12 Tingkat Pendidikan...............................................................................................20
2.13 Kerangka Pemikiran..............................................................................................21
iii
BAB III.......................................................................................................................22
METODE PENELITIAN............................................................................................22
3.1 Strategi Penelitian.................................................................................................22
3.2 Jenis dan Sumber Data Penelitian.......................................................................22
3.3 Populasi dan Sampel Penelitian..........................................................................23
3.4 Variabel Penelitian................................................................................................23
3.5 Teknik Analisis Data............................................................................................23
BAB IV.......................................................................................................................25
HASIL DAN PEMBAHASAN...................................................................................25
4.1 Hasil Penelitian......................................................................................................25
4.1.1 Pemodelan...........................................................................................25
4.1.2 Pemilihan Model Terbaik....................................................................27
4.1.3 Uji Asumsi Klasik...............................................................................27
4.1.4 Uji Kelayakan Model..........................................................................29
4.2 Pembahasan............................................................................................................30
BAB V........................................................................................................................33
PENUTUP...................................................................................................................33
5.1 Simpulan.................................................................................................................33
5.2 Saran........................................................................................................................33
DAFTAR PUSTAKA.................................................................................................35
LAMPIRAN................................................................................................................37
iv
BAB I
PENDAHULUAN
5
tujuan pembangunan nasional, namun di sisi lain, jika tidak diatur dengan baik,
pertumbuhan jumlah penduduk yang cepat dapat menimbulkan masalah yang
signifikan, khususnya dalam sektor ketenagakerjaan. Pertumbuhan penduduk
yang tinggi, tanpa disertai Sumber Daya Manusia (SDM) yang berkualitas, dapat
menyebabkan kesulitan bagi mereka untuk mendapatkan pekerjaan yang tersedia
di wilayah tersebut. Kualitas SDM dapat diukur dengan menggunakan Indeks
Pembangunan Manusia (IPM). Menurut penjelasan Saputra (2011), Indeks
Pembangunan Manusia (IPM) adalah suatu angka yang mencerminkan
pencapaian pembangunan manusia berdasarkan beberapa komponen dasar
kualitas hidup yang dapat memengaruhi tingkat produktivitas individu..
IPM menjadi faktor kunci dalam upaya mengurangi tingkat pengangguran
terbuka. Penggunaan IPM memungkinkan identifikasi penduduk yang dapat
mengakses manfaat dari pembangunan ekonomi, melibatkan aspek pendapatan,
kesehatan, pendidikan, dan lain-lain. Saat ini, IPM telah mengadopsi metode
baru, di mana angka melek huruf digantikan oleh harapan lama sekolah, dan
produk domestik bruto digantikan oleh produk nasional bruto (Fikriah, 2020).
Menurut Mitha (2021), peningkatan tingkat IPM dapat berkontribusi pada
peningkatan produktivitas dan kualitas kerja, sehingga dapat mengurangi
persentase tingkat pengangguran. Oleh karena itu, pemerintah berupaya
meningkatkan IPM guna mengurangi tingkat pengangguran, baik yang bersifat
terbuka maupun tertutup.
Salah satu langkah yang diambil pemerintah untuk mengatasi masalah
pengangguran adalah menjaga pertumbuhan penduduk tetap stabil melalui
program keluarga berencana. Pada tahun 2017, jumlah penduduk Jawa Tengah
mencapai 34.257.865 jiwa, dan meningkat menjadi 36.742.501 jiwa pada tahun
2021, dengan selisih sebanyak 2.484.636 jiwa. Berdasarkan data BPS dari tahun
2017 hingga 2021, terlihat bahwa jumlah angkatan kerja secara keseluruhan di
Provinsi Jawa Tengah mengalami peningkatan. Kota Semarang mencatat jumlah
angkatan kerja tertinggi, dengan rata-rata keseluruhan dari 2017 hingga 2021
sebanyak 983.305 jiwa, sementara Kota Magelang memiliki jumlah angkatan
kerja terendah, rata-rata sebanyak 65.097 jiwa. Tingkat partisipasi angkatan
kerja juga memainkan peran dalam tingkat pengangguran. Mulyadi (2014)
6
menyatakan bahwa tingkat partisipasi angkatan kerja yang semakin tinggi
dianggap menggambarkan kondisi yang lebih baik. Namun, penting untuk
diimbangi dengan pertumbuhan partisipasi penduduk yang sedang bekerja agar
keseimbangan antara penawaran tenaga kerja dan lapangan pekerjaan tetap
terjaga. Jika sebaliknya terjadi, hal ini dapat mengakibatkan peningkatan
pengangguran karena keterbatasan peluang pekerjaan untuk menampung
angkatan kerja yang bertambah.
Faktor yang turut memengaruhi tingkat pengangguran adalah tingkat
pendidikan. Tingkat pendidikan memiliki peran penting dalam menentukan
status pekerjaan seseorang, karena individu yang memiliki pendidikan lebih
tinggi cenderung memperoleh pekerjaan yang lebih berkualitas. Hal ini
memungkinkan mereka untuk memenuhi kebutuhan hidup dan, pada gilirannya,
dapat mengurangi tingkat pengangguran. Selain itu, masyarakat dengan tingkat
pendidikan tinggi memiliki tingkat pengangguran yang lebih rendah jika
dibandingkan dengan mereka yang memiliki pendidikan rendah. Mereka juga
memiliki peluang untuk memperoleh upah yang berada di atas batas upah
minimum.
Diharapkan bahwa dengan menyelidiki isu pengangguran melalui analisis
data panel, kita dapat melakukan penelitian terhadap faktor-faktor yang
memengaruhi fenomena tersebut. Hal ini diharapkan dapat membantu
mengurangi jumlah pengangguran. Salah satu pendekatan statistika yang dapat
digunakan untuk mengidentifikasi faktor-faktor tersebut adalah metode regresi.
Dalam konteks ini, regresi data panel merupakan gabungan antara data silang
tempat (cross section) dan data runtun waktu (time series).
7
2. Apakah Indeks Pembangunan Manusia, Jumlah Angkatan Kerja, Tingkat
Partisipasi Angkatan Kerja dan Tingkat Pendidikan berpengaruh terhadap
Tingkat Pengangguran Terbuka di Jawa Tengah?
3. Seberapa besar pengaruh Indeks Pembangunan Manusia, Jumlah Angkatan
Kerja, Tingkat Partisipasi Angkatan Kerja dan Tingkat Pendidikan, terhadap
Tingkat Pengangguran Terbuka di Jawa Tengah?
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1. Bagi Penulis
Mengembangkan dan mengaplikasikan pengetahuan yang diperoleh selama
perkuliahan.
2. Bagi Pembaca
a. Memberikan innformasi tentang regresi data panel dalam kasus
pengangguran di Jawa Tengah, hingga menentukan model terbaik
dalam regresi dat panel.
b. Memberikan informasi tentang beberapa faktor yang mempengaruhi
pengangguran.
3. Bagi Lembaga
8
Memberikan informasi yang dapat digunakan sebagai acuan pemerintah
dalam mengurangi tingkat pengangguran.
BAB II
KAJIAN PUSTAKA
9
Analisis regresi adalah studi yang memfokuskan pada hubungan antar
variabel. Hendikawati (2015) menjelaskan bahwa dalam analisis regresi,
terdapat dua variabel utama, yaitu variabel prediktor (juga disebut variabel
independen) dan variabel yang akan diprediksi (juga disebut variabel dependen).
Model umum dari regresi untuk populasi dapat dirumuskan sebagai berikut:
𝑌 = 𝛼 + 𝛽𝑋 + 𝜀
Di mana Y adalah variabel dependen, a adalah konstanta, β adalah koefisien
regresi, X adalah variabel independen, dan ε adalah kesalahan atau galat acak.
Selain persamaan regresi linear tersebut, ada berbagai bentuk persamaan regresi
lainnya, termasuk regresi kuadratik, eksponensial, kurva logistik, dan kurva
gompert, yang masing-masing sesuai dengan jenis hubungan yang ingin
dimodelkan antara variabel independen dan dependen.
Menurut Kuncoro (2011), regresi data panel merupakan jenis regresi yang
menggunakan data panel. Analisis regresi pada data panel diasumsikan berlaku
untuk seluruh unit pengamatan pada semua waktu. Regresi data panel
menggabungkan data silang tempat (cross section) dengan data runtun waktu
(time series). Terdapat beberapa keuntungan yang dapat diperoleh dengan
menggunakan data panel, sebagaimana dijelaskan oleh Baltagi (2005).
Keuntungan-keuntungan tersebut mencakup:
Data Lebih Informatif: Data panel memberikan informasi lebih banyak dan
lebih kaya dibandingkan dengan data cross section atau time series murni.
Variasi yang Lebih Bervariasi: Adanya variasi di antara unit-unit
pengamatan maupun selama rentang waktu tertentu dapat memberikan hasil
analisis yang lebih robust.
Efisiensi yang Lebih Tinggi: Regresi data panel dapat menghasilkan
estimasi yang lebih efisien karena memanfaatkan variasi dari dua dimensi
data (cross section dan time series).
Mengatasi Masalah Multikolinieritas: Dengan kombinasi data dari dua
dimensi, regresi data panel dapat membantu mengurangi masalah
multikolinieritas.
10
Kemampuan dalam Memahami Perubahan yang Dinamis: Data panel lebih
unggul dalam mempelajari perubahan yang dinamis seiring waktu.
Mengukur Pengaruh yang Tidak Dapat Diamati pada Data Cross Section
atau Time Series Murni: Regresi data panel memungkinkan pengukuran
pengaruh yang mungkin tidak terlihat pada data cross section atau time
series murni.
Ketersediaan Data yang Lebih Banyak: Dengan memadukan data dari dua
dimensi, data panel dapat memberikan lebih banyak observasi,
meningkatkan jumlah data yang tersedia untuk analisis.
Dengan demikian, regresi data panel menjadi pilihan yang kuat dalam
menganalisis hubungan antar variabel dalam situasi di mana terdapat variasi
baik secara temporal maupun spasial.
Dengan:
t : periode ke-t (t = 1, 2, 3,...., T)
i : unit observasi ke-i (i = 1, 2, 3, ...., N)
k :variabel independen yang diuji(k = 1, 2, 3, ...., K)
11
Y ¿: variabel terikat pada unit observasi ke-i dan waktu ke-t
α : konstanta
k
X ¿ : variabel bebas ke-k untuk observasi ke-i dan waktu ke-t
β k : parameter untuk variabel ke-k
ε : error
2. Random Effect Model (REM)
Variabilitas dalam efek individu di antara unit time series atau cross section
disimpulkan sebagai variabilitas acak yang tercermin dalam komponen
residual (Kuncoro, 2012). Ini memungkinkan REM untuk menangkap
variasi antar unit yang mungkin tidak terduga oleh variabel independen
yang diamati. REM memasukkan efek sektor atau efek waktu ke dalam
komponen residual model. Ini berarti bahwa efek individu dari sektor atau
waktu tertentu dimasukkan ke dalam model sebagai bagian dari variasi acak,
sehingga memperhitungkan perbedaan efek antar unit atau waktu. Residuals
dalam REM diasumsikan tidak berkorelasi dengan variabel dependen. Ini
adalah asumsi penting yang mendukung validitas hasil estimasi model.
REM memiliki keuntungan dibandingkan dengan pendekatan pooling
seperti Common Effect Model (CEM) karena dapat menangkap variasi antar
unit atau waktu. Namun, REM juga memiliki asumsi yang harus dipenuhi,
seperti tidak adanya korelasi antara residual dan variabel dependen serta
independensi dari variabel independen. Oleh karena itu, pemilihan antara
REM dan pendekatan lainnya harus mempertimbangkan karakteristik data
dan asumsi yang sesuai dengan konteks analisis.
3. Fixed Effect Model (FEM)
FEM mengasumsikan bahwa terdapat intersep yang berbeda untuk setiap
subjek (cross section) dalam data panel. Ini berarti bahwa setiap unit cross
section memiliki nilai intersep yang unik. tetapi nilai slope untuk setiap
subjek tetap tidak berubah seiring waktu. Artinya, hubungan antara variabel
independen dan dependen memiliki kemiringan yang konsisten untuk setiap
unit cross section. Variabel dummy atau variabel boneka digunakan dalam
FEM untuk membedakan satu subjek dengan subjek lainnya. Variabel
dummy ini memungkinkan terjadinya perbedaan nilai parameter di antara
12
unit cross section, sehingga dapat memodelkan efek individu dari setiap
subjek (Kuncoro, 2012). Salah satu cara untuk memperhatikan unit cross
section atau unit time series adalah dengan memasukkan variabel
boneka/semu (dummy variable) yang mengizinkan terjadinya perbedaan
nilai parameter yang berbeda-beda, baik lintas unit cross section maupun
antar unit time series (Astuti, 2010).
FEM mengasumsikan bahwa antar unit sektor ataupun antar unit waktu
mempunyai efek yang berbeda terhadap model. Perbedaannya terletak pada
42 nilai koefisien intersep, sehingga terdapat intersep yang berbeda untuk
setiap sektor. FEM dapat memberikan estimasi yang konsisten dan efisien,
terutama ketika terdapat perbedaan yang signifikan antar unit cross section
atau unit time series. Namun, penggunaan variabel dummy juga menambah
kompleksitas model dan dapat menyebabkan masalah multikolinieritas jika
tidak dikelola dengan baik. Oleh karena itu, pemilihan model harus
mempertimbangkan karakteristik data dan tujuan analisis.
1. Uji Chow
Uji chow merupakan uji untuk membandingkan model Common Effect
dengan Fixed Effect (Widarjono, 2009). Uji chow menguji signifikansi
intersep ɑ, apakah terdapat perbedaan antara masing-masing sektor (FEM)
ataukah tidak berbeda (CEM). Hipotesis yang digunakan dalam Uji Chow
adalah:
13
di mana:
𝑆S𝐸1 = sum square error dari model common effect
𝑆𝑆𝐸2 = sum square error dari model fixed effect
𝑛 = jumlah perusahaan (cross section)
𝑛𝑡 = jumlah cross section x jumlah time series
14
Uji Lagrange Multiplier (LM) merupakan pengujian yang memilih model
estimasi terbaik antara model Random Effect dan model Common Effect. Uji
ini digunakan untuk menguji kehadiran suatu efek atau kelompok efek
tertentu pada model. Uji LM bisa digunakan untuk menguji keberadaan efek
individu pada model regresi. Dalam konteks model data panel, REM
mengasumsikan adanya efek individu yang bersifat acak, sedangkan CEM
mengasumsikan adanya efek umum yang sama untuk semua unit cross
section atau time series. Uji LM mempunyai distribusi chi-squares dengan
derajat bebas yang sama banyaknya dengan jumlah variabel independen.
15
maka hipotesis nol yang menyatakan bahwa model bersifat linier tidak dapat
ditolak. Dengan kata lain, tidak ada bukti yang cukup untuk menyimpulkan
adanya nonlinieritas dalam model. Namun, perlu dicatat bahwa hasil dari uji
linieritas, termasuk Ramsey test, harus diinterpretasikan dengan hati-hati.
Penggunaan nilai signifikansi 0,05 adalah suatu konvensi umum, tetapi
penilaian akhir tergantung pada konteks spesifik, sifat data, dan tujuan
analisis. Selain itu, interpretasi hasil uji harus melibatkan pertimbangan
secara menyeluruh terhadap asumsi dan karakteristik model.
Uji Normalitas dilakukan untuk menguji apakah data yang diambil dari
suatu sampel atau populasi memiliki distribusi normal atau tidak. Asumsi
bahwa data harus berdistribusi normal harus dipenuhi. Metode Jarque-Bera
adalah salah satu metode uji normalitas yang umum digunakan. Statistik uji
Jarque-Bera dibangun berdasarkan skewness (kecondongan) dan kurtosis
(keruncingan) dari sampel data. Dalam distribusi normal, skewness dan
kurtosis memiliki nilai nol.
16
Gambar 2.1 Kriteria Uji Durbin-Watson
17
adalah salah satu asumsi dasar dalam analisis regresi klasik. Metode White,
atau dikenal juga sebagai "White's test for heteroskedasticity," adalah salah
satu metode yang digunakan untuk mendeteksi heteroskedastisitas dalam
model regresi. Hipotesis untuk uji Heteroskedastisitas adalah:
H 0: tidak terjadi heteroskedastisitas
H 1: terjadi heteroskedastisitas
Menolak H 0 apabila nilai probabilitas kurang dari taraf signifikan (𝛼 =
0,05).
Uji kelayakan model atau uji kecocokan model adalah tahap penting dalam
analisis regresi untuk memastikan bahwa model yang dibentuk memiliki tingkat
kecocokan atau keakuratan yang memadai dalam menjelaskan hubungan antara
variabel bebas (independen) dan variabel terikat (dependen). Beberapa langkah
umum yang termasuk dalam uji kelayakan model melibatkan:
2.7.1 Uji F
18
H 1 : 𝛽1 ≠ 𝛽2 ≠ 𝛽3 ≠ 𝛽4 ≠ 0, variabel bebas secara simultan berpengaruh
terhadap variabel terikat.
Menolak H 0 apabila nilai F-hitung lebih dari nilai F-tabel, artinya ada
pengaruh variabel independen secara bersama-sama (simultan) terhadap
variabel dependen.
2.7.2 Uji t
19
gambaran tentang faktor-faktor lain yang memengaruhi variabel terikat
(Hendikawati, 2015). Semakin tinggi nilai koefisien determinasi, semakin
baik model regresi dalam menjelaskan variasi dalam variabel terikat.
2.8 Pengangguran
20
adalah penurunan kegiatan produksi, yang dapat menyebabkan sebagian
pekerja kehilangan pekerjaannya.
d. Pengangguran Teknologi
Pengangguran teknologi terjadi ketika tenaga kerja digantikan oleh mesin-
mesin dan teknologi otomatisasi. Hal ini mengakibatkan sebagian pekerja
kehilangan pekerjaan karena peran mereka dapat dilaksanakan secara
otomatis oleh teknologi modern.
Terdapat juga beberapa bentuk pengangguran berdasarkan ciri-cirinya,
antara lain:
a. Pengangguran Musiman merujuk pada kondisi ketika seseorang tidak dapat
bekerja pada saat terjadi perubahan musim. Contohnya, petani sawah yang
bekerja selama musim panen dan kemudian menganggur dalam periode
antarmusim. Hal serupa terjadi pada para nelayan yang mengalami
pengangguran ketika tidak ada musim yang mendukung aktivitas
penangkapan ikan.
b. Pengangguran Terbuka merujuk pada situasi di mana seseorang tidak
memiliki pekerjaan dan secara aktif berusaha mencari pekerjaan. Keadaan
pengangguran terbuka dapat disebabkan oleh kurangnya lapangan pekerjaan
atau ketidaksesuaian antara lowongan pekerjaan yang ada dan latar belakang
pendidikan atau keterampilan individu tersebut.
c. Pengangguran Tersembunyi merujuk pada situasi di mana seseorang
sebenarnya memiliki pekerjaan, tetapi tingkat produktivitasnya rendah. Hal
ini bisa disebabkan oleh ketidaksesuaian antara latar belakang pendidikan
dan pekerjaan, atau faktor-faktor lainnya. Jenis pengangguran ini dapat
mengakibatkan produktivitas kerja yang kurang optimal.
d. Setengah Menganggur, adalah kondisi di mana seseorang memiliki
pekerjaan, namun jam kerjanya hanya sebagian kecil dari standar normal,
biasanya kurang dari 7-8 jam per hari. Akibatnya, penghasilan yang
diperoleh mungkin tidak mencukupi kebutuhan hidup karena tingkat kerja
yang tidak optimal.
21
2.9 Indeks Pembangunan Manusia
22
mereka bersedia berpartisipasi dalam aktivitas tersebut. Oleh karena itu, semua
individu yang berumur 15 tahun ke atas dapat dikategorikan sebagai tenaga
kerja. Hal ini telah diatur dalam Undang-Undang No. 25 Tahun 1997 Tentang
Ketenagakerjaan, yang mulai berlaku pada tanggal 1 Oktober 1998.
Pemilihan usia minimum 15 tahun didasarkan pada kenyataan bahwa
penduduk di Indonesia yang berusia 15 tahun sudah bekerja atau sedang mencari
pekerjaan, terutama di pedesaan. Demikian pula, Indonesia tidak menetapkan
batasan usia maksimal tenaga kerja karena belum adanya jaminan sosial
nasional. Hanya sebagian kecil masyarakat yaitu pegawai negeri dan sebagian
pegawai swata yang menerima tunjangan hari tua. Bahkan, pendapatan yang
diterima oleh kelompok ini tidak mencukupi untuk memenuhi kebutuhan sehari-
hari. Oleh karena itu, banyak individu dalam kelompok ini, yang sebenarnya
telah mencapai usia pensiun, masih terus bekerja untuk mencukupi kebutuhan
mereka. Hal ini menyebabkan mereka tetap dianggap sebagai bagian dari tenaga
kerja (Simanjuntak, 1998). Tenaga kerja terdiri dari angkatan kerja dan bukan
angkatan kerja.
Angkatan kerja merupakan segmen dari penduduk yang memiliki
kemampuan dan kesiapan untuk bekerja. Kemampuan tersebut mencakup aspek
fisik, jasmani, mental, dan yuridis, di mana individu tersebut tidak hanya mampu
secara fisik dan mental, tetapi juga memiliki kapasitas hukum serta kebebasan
untuk memilih dan menjalankan pekerjaan. Angkatan kerja juga bersedia secara
aktif atau pasif mencari dan melaksanakan pekerjaan (Sumarsono, 2004).
23
pekerjaan, yaitu persentase dari angkatan kerja yang sebenarnya memiliki
pekerjaan atau employment rate.
Tingkat Partisipasi Angkatan Kerja (TPAK) merupakan ukuran yang
menunjukkan proporsi penduduk usia kerja yang secara aktif terlibat dalam
mencari pekerjaan di pasar tenaga kerja, baik mereka yang sudah bekerja
maupun yang sedang berusaha mendapatkan pekerjaan. TPAK memberikan
gambaran relatif tentang ketersediaan tenaga kerja yang dapat terlibat dalam
produksi barang dan jasa. Analisis angkatan kerja berdasarkan jenis kelamin dan
kelompok umur dapat memberikan insight mengenai distribusi penduduk yang
aktif secara ekonomi. Secara umum, TPAK digunakan untuk menunjukkan
jumlah penduduk dalam rentang usia produktif yang aktif secara ekonomi (15
tahun ke atas) di suatu negara atau wilayah, serta meunjukan jumlah relatif dan
pasokan tenaga kerja (labour supply) yang tersedia untuk produksi barang dan
jasa dalam suatu perekonomian.
24
2.13 Kerangka Pemikiran
25
BAB III
METODE PENELITIAN
Penelitian ini menggunakan data sekunder yang diperoleh dari Badan Pusat
Statistik (BPS) Jawa Tengah. Data sekunder merupakan data yang dikumpulkan
dan diolah dari sumber lain, umumnya dalam bentuk publikasi (Hendikawati,
2015). Penggunaan data sekunder memungkinkan peneliti untuk memanfaatkan
informasi yang telah ada dan diterbitkan oleh lembaga resmi, seperti BPS,
sehingga dapat memberikan keandalan dan keakuratan dalam analisis.
Jenis data yang digunakan dalam penelitian ini adalah data panel jumlah
pengangguran terbuka kabupaten/kota di Jawa Tengah dan faktor-faktor yang
diduga mempengaruhi pengangguran seperti Indeks Pembangunan Manusia,
Jumlah Angkatan Kerja, Tingkat Partisipasi Angkatan Kerja, dan Tingkat
Pendidikan tahun 2017-2021. Data panel terdiri dari gabungan data cross section
yaitu 35 kabupaten/kota di Jawa Tengah dan data time series yaitu periote 2017-
2021.
26
3.3 Populasi dan Sampel Penelitian
Variabel penelitian adalah atribut, sifat, atau nilai yang diberikan oleh
peneliti untuk dianalisis dan ditarik kesimpulan, yang dapat diukur dan memiliki
variasi tertentu (Sugiyono,2019:68). Dalam peneletian ini variabel yang
digunakan terdiri dari variabel independen dan variabel dependen
Variabel independen atau variabel bebas merupakan variabel yang
mempengaruhi atau yang menjadi sebab perubahannya atau timbulnya variabel
dependen (terikat). Variabel independen dalam penelitian ini adalah Indeks
Pembangunan Manusia ( X 1), Jumlah Angkatan Kerja ( X 2 ), Tingkat Partisipasi
Angkatan Kerja ( X 3 ), dan Tingkat Pendidikan( X 4).
Sedangkan Variabel dependen, atau sering disebut variabel terikat, adalah
variabel yang dipengaruhi atau menjadi hasil akibat dari variabel bebas. Dalam
penelitian ini, variabel dependen adalah Tingkat Pengangguran Terbuka (Y).
Analisis regresi data panel (pooled data) merupakan teknik analisis data
yang digunakan dalam penelitian ini. Data panel diperoleh dari gabungan data
cross section yaitu 35 Kabupaten/Kota di Jawa Tengah dan data time series yaitu
dari periode tahun 2017 sampai 2021. Program yang digunakan dalam
membantu proses pengolahan data ialah program Eviews 10. Tahapan Analisiss
data dijabarkan sebagai berikut:
1. Melakukan analisis statistik deskriptif untuk mengidentifikasi
karakteristik dari masing-masing variabel dengan nilai mean, median,
minimal, maksimal, dan standar deviasi.
27
2. Mengestimasi model regresi data panel menggunakan Common Effect
Model (CEM), Random Effect Model (REM), dan Fixed Effect Model
(FEM).
3. Memilih model data panel terbaik menggunakan Uji Chow, Uji
Hausman, dan Uji Lagrange Multiplier (LM).
4. Melakukan uji kelayakan model regresi menggunakan Uji F, Uji t, dan
Koefisien Determinasi
Alur untuk melakukan analisis regresi data panel ditunjukkan pada gambar
3.1.
28
BAB IV
4.1.1 Pemodelan
29
Tabel 4.2 Hasil Model Random Effect
Variable Coefficient Std. Error t-Statistic Prob.
C 10,88050 6,918105 1,572758 0,1177
IPM -0,236071 0,140723 -1,677557 0,0953
AK 3,39E-06 1,03E-06 3,294878 0,0012
TPAK -0,034303 0,035752 -0,959483 0,3387
PND 1,524376 0,519532 2,934133 0,0038
30
Tingkat Partisipasi Angkatan Kerja, dan X 4 merupakan variabel Tingkat
Pendidikan. Sedangkan Y^ merupakan variabel dependen yaitu Tingkat
Pengangguran Terbuka.
a. Uji Linieritas
Hasil analisis uji Ramsay RESET dengan nilai probabilitas F-statisitic
sebesar 0,9884. Data penelitian lolos uji linieritas karena nilai probabilitas >
taraf signifikansi sebesar 0,05.
31
b. Uji Normalitas
32
1,7062. Pada model terpilih nilai du < DW < 4-du, yang menunjukkan
bahwa tidak ada masalah autokorelasi dalam model tersebut.
e. Uji Heteroskedastisitas
Hasil uji Heteroskedastisitas dapat diketahui nilai probabilitas Chi-
Square dari uji White sebesar 0,0635. Nilai Chi-Square lebih dari taraf
signifikansi sebesar 0,05. H 0 diterima atau tidak ada masalah
heteroskedastisitas.
33
variabel IPM secara individu tidak berpengaruh terhadap Tingkat
Pengangguran Terbuka di Jawa Tengah.
c. Koefisien Determinasi
Berdasarkan hasil estimasi data panel menggunakan Fixed Effect Model
(FEM), diperoleh nilai determinasi (Adjusted R2) Weighted Statistics
sebesar 0,748998. Nilai ini menunjukkan bahwa sebesar 74,8998% tingkat
pengangguran pada kabupaten/kota di Jawa Tengah dapat dijelaskan oleh
variabel independen yang digunakan dalam penelitian ini. Sementara
sisanya, sebesar 25,1002%, dijelaskan oleh faktor-faktor lain di luar model
pada penelitian ini.
4.2 Pembahasan
34
pengujian menunjukkan nilai probabilitas sebesar 0,000, yang lebih
kecil dari taraf signifikansi (0,05). Berdasarkan hasil ini, dapat
disimpulkan bahwa model yang lebih sesuai untuk digunakan dalam
penelitian ini adalah model Fixed Effect.
Hasil estimasi menggunakan model Fixed Effect diperoleh nilai
probabilitas masing-masing variabel bebas. Jika nilai probabilitas masing-
masing variabel bebas kurang dari taraf signifikansi 0,05, maka hipotesis
nol ditolak, yang berarti bahwa variabel bebas secara individu memiliki
pengaruh positif terhadap variabel terikat. Variabel X 1, Indeks
Pembangunan manusia (IPM) memiliki nilai probabilitas sebesar 0,6779 >
0,05. Variabel X 2 , Angkatan Kerja (AK) memiliki nilai probabilitas sebesar
0,0001 < 0,05. Variabel X 3 , Tingkat Partisipasi Angkatan Kerjaa (TPAK)
memiliki nilai probabilitas sebesar 0,0066 < 0,05. Variabel X 4, Tingkat
Pendidikan (PND) memiliki nilai probabilitas sebesar 0,0034 < 0,05. Dapat
diartikan bahwa secara individu variabel AK, TPAK, dan PND berpengaruh
terhadap Tingkat Pengangguran Terbuka (TPP) kabupaten/kota di Jawa
Tengah, sedangkan variabel IPM secara individu tidak berpengaruh
terhadap Tingkat Pengangguran Terbuka di Jawa Tengah.
Variabel Angkatan Kerja (AK) memiliki nilai koefisien 3,37 dan nilai
signifikansi 0,0001<0 , 05 . Variabel angkatan kerja secara signifikan dan
positif berpengaruh terhadap Tingkat Pengangguran Terbuka (TPT)
Kabupaten/Kota di Jawa Tengah, artinya jika AK mengalami kenaikan
sebanyak 1 orang mengakibatkan TPT mengalami peningkatan sebesar
3,37%. Hasil ini sesuai dengan penelitian yang dilakukan oleh Zahroh
(2017) bahwa salah satu yang mempengaruhi pengangguran adalah Jumlah
Angkatan kerja. Dikarenakan ketika angkatan kerja semakin bertambah
namun lapangan pekerjaan yang tersedia tidak sebanding, hal ini akan
mengakibatkan peningkatan jumlah pengangguran. Kurangnya pemanfaatan
tenaga kerja menjadi gejala umum, bukan hanya terjadi di negara-negara
berkembang dengan tingkat pengangguran tinggi, tetapi juga di negara-
negara maju. Perbedaan utama terletak pada spesifikasi penyebab dan
proporsi. Di negara-negara maju, penyebab utama pengangguran seringkali
35
terkait dengan tingkat pendidikan yang terlalu tinggi atau over edukasi,
sehingga banyak angkatan kerja yang mengalami pengangguran.
Variabel Tingkat Partisipasi Angkatan kerja (TPAK) memiliki nilai
koefisien −0 , 18 dan nilai signifikansi sebesar 0 , 006< 0 ,05. Dapat
disimpulkan bahwa variabel TPAK mempunyai pengaruh negatif dan
signifikan terhadap Tingkat Pengangguran Terbuka (TPT). Ketika TPAK
mengalami kenaikan 1% maka akan menyebabkan berkurangnya TPT
sebanyak −0 , 18 %. Hal ini sedikit bertentangan dengan hasil penelitian
yang dilakukan oleh Muslim (2021) bahwa TPAK memiliki pengaruh
positif dan signifikan terhadap tingkat pengangguran.
Variabel Pendidikan (PND), dari hasil estimasi didapat nilai koefisien
2,321 dan nilai signifikansi sebesar 0,0034 <0 , 05 yang artinya variabel
PND berpengaruh postif dan sinifikan terhadap Tingkat Pengangguran
Terbuka (TPT). Ketika tingkat pendidikan mengalami kenaikan 1% akan
menyebabkan peningkatan tingkat pengangguran terbuka sebesar 2,321%.
Hasil ini sedikit berbeda dengan apa yang dikatakan oleh Prakoso (2020),
Pendidikan memiliki pengaruh yang signifikan dan bersifat negatif terhadap
tingkat pengangguran. Peran penting pendidikan terletak pada peningkatan
kualitas sumber daya manusia, di mana peningkatan tingkat pendidikan
diharapkan mampu meningkatkan kualitas sumber daya manusia yang ada.
36
BAB V
PENUTUP
5.1 Simpulan
5.2 Saran
37
1. Peningkatan Indeks Pembangunan Manusia (IPM) setiap tahunnya
seharusnya juga diiringi oleh peningkatan kesejahteraan masyarakat secara
keseluruhan. Diharapkan pemerintah membuka pelatihan keterampilan
untuk melatih masyarakat agar dapat mandiri dan dapat berinovasi supaya
bisa membuka lapangan pekerjaan dan mandiri, maka diharapkan dapat
mengurangi jumlah pengangguran.
2. Peningkatan angkatan kerja dan Tingkat Partisipasi Angkatan Kerja yang
terus meningkat setiap tahunnya seharusnya diimbangi dengan ketersediaan
lapangan kerja yang memadai. Oleh karena itu, diharapkan pemerintah
dapat menciptakan lapangan kerja baru yang dapat menyerap sejumlah besar
tenaga kerja, sehingga dapat mengurangi tingkat pengangguran.
3. Pemerintah hendaknya mempertimbangkan faktor pendidikan dalam upaya
menekan tingkat pengangguran yang ada. Karena faktor pendidikan
memiliki pengaruh kuat terhadap penyerapan tenaga kerja, dengan
meningkatkan kualitas tenaga kerja untuk meningkatkan kesempatan dalam
mendapatkan pekerjaan.
38
DAFTAR PUSTAKA
39
Rahmaniar, A. 2019. “Aplikasi Regresi Data Panel untuk Analisis Faktor-Faktor yang
Mempengaruhi Kemiskinan Kabupaten/Kota di Jawa Tengah.” Skripsi. Jurusan
Matematika Universitas Negeri Semarang.
Saputra, Whisnu Adi (2011). “Analisis Pengaruh Jumlah Penduduk, PDRB, IPM,
Pengangguran Terhadap Tingkat Kemiskinan Di Kabupaten/Kota Jawa Tengah.”
Skripsi. Jurusan Ilmu Ekonomi Universitas Diponegoro.
Sugiyono. 2019. Metode Penelitian Kuantitatif Kualitatif dan R&D. Bandung: Alfabeta
Bandung.
Wahyuni, Daru. 2005. Peran sektor informal dalam menanggulangi masalahan
pengangguran di Indonesia. Jurnal Economia, Vol. 1, No.1.
Yuliana, Ummi A. 2022. Pemodelan Regresi Data Panel Untuk Memprediksi
Ketersediaan Beras di Kabupaten Bojonegoro. Jurnal Statistika dan Komputasi.
Zahroh, Sofiatuz. 2017. Analisis Pengaruh PDRB, Angkatan Kerja, dan Upah Minimum
Terhadap Pengangguran di Kota Malang. Jurnal Ekonomi. Fakultas Ekonomi dan
Bisnis Universitas Brawijaya Malang.
40
LAMPIRAN
41
Kabupaten Boyolali 2019 73.8 556,985 72.7 7.56 3.09
Kabupaten Boyolali 2020 74.25 580,232 75.11 7.84 5.28
Kabupaten Boyolali 2021 74.4 589,941 75.79 7.85 5.09
Kabupaten Klaten 2017 74.25 613,345 66.93 8.23 4.35
Kabupaten Klaten 2018 74.79 622,450 67.14 8.24 3.14
Kabupaten Klaten 2019 75.29 644,689 69.1 8.31 3.54
Kabupaten Klaten 2020 75.56 641,245 68.33 8.58 5.46
Kabupaten Klaten 2021 76.12 631,245 66.89 8.81 5.48
Kabupaten Sukoharjo 2017 75.56 460,717 67.29 8.71 2.27
Kabupaten Sukoharjo 2018 76.07 476,463 68.47 8.84 2.72
Kabupaten Sukoharjo 2019 76.84 481,720 68.5 9.1 3.39
Kabupaten Sukoharjo 2020 76.98 488,250 68.74 9.34 6.93
Kabupaten Sukoharjo 2021 77.13 493,258 68.78 9.35 3.32
Kabupaten Wonogiri 2017 68.66 544,557 71.22 6.68 2.38
Kabupaten Wonogiri 2018 69.37 580,401 75.22 6.88 2.28
Kabupaten Wonogiri 2019 69.98 542,162 69.86 7.04 2.55
Kabupaten Wonogiri 2020 70.25 582,733 74.69 7.33 4.27
Kabupaten Wonogiri 2021 70.49 573,025 73.09 7.34 2.43
Kabupaten Karanganyar 2017 75.22 472,241 70.24 8.5 3.17
Kabupaten Karanganyar 2018 75.54 482,317 70.45 8.51 2.28
Kabupaten Karanganyar 2019 75.89 486,110 70.19 8.52 3.12
Kabupaten Karanganyar 2020 75.86 515,145 73.55 8.56 5.96
Kabupaten Karanganyar 2021 75.99 517,787 73.15 8.57 5.89
Kabupaten Sragen 2017 72.4 488,876 71.12 7.04 4.55
Kabupaten Sragen 2018 72.96 467,560 67.23 7.22 4.83
Kabupaten Sragen 2019 73.43 473,844 67.71 7.34 3.32
Kabupaten Sragen 2020 73.95 481,762 68.44 7.65 4.75
Kabupaten Sragen 2021 74.08 507,752 71.74 7.66 4.76
Kabupaten Grobogan 2017 68.87 747,105 72.15 6.66 3.02
Kabupaten Grobogan 2018 69.32 743,750 70.79 6.67 2.22
Kabupaten Grobogan 2019 69.86 733,316 69.25 6.86 3.54
Kabupaten Grobogan 2020 69.87 744,405 69.77 6.91 4.5
Kabupaten Grobogan 2021 70.41 783,035 72.88 7.11 4.38
Kabupaten Blora 2017 67.52 468,609 70.21 6.45 2.85
Kabupaten Blora 2018 67.95 493,147 72.99 6.46 3.3
Kabupaten Blora 2019 68.65 466,149 68.54 6.58 3.82
Kabupaten Blora 2020 68.84 492,071 71.9 6.83 4.89
Kabupaten Blora 2021 69.37 485,525 70.54 6.99 3.81
Kabupaten Rembang 2017 68.95 346,570 70.78 6.94 3.19
Kabupaten Rembang 2018 69.46 336,905 67.71 6.95 2.83
Kabupaten Rembang 2019 70.15 333,072 66.26 7.15 3.6
Kabupaten Rembang 2020 70.02 330,783 65.17 7.16 4.83
Kabupaten Rembang 2021 70.43 362,020 70.67 7.3 3.67
Kabupaten Pati 2017 70.12 648,233 66.83 7.08 3.83
Kabupaten Pati 2018 70.71 656,788 66.78 7.18 3.57
Kabupaten Pati 2019 71.35 655,111 66.08 7.19 3.64
42
Kabupaten Pati 2020 71.77 637,950 63.85 7.44 4.74
Kabupaten Pati 2021 72.28 694,427 68.99 7.48 4.6
Kabupaten Kudus 2017 73.84 469,843 71.75 8.31 3.56
Kabupaten Kudus 2018 74.58 484,031 72.37 8.62 3.28
Kabupaten Kudus 2019 74.94 488,718 72.05 8.63 3.8
Kabupaten Kudus 2020 75 512,319 74.5 8.75 5.53
Kabupaten Kudus 2021 75.16 521,094 74.77 8.76 3.77
Kabupaten Jepara 2017 70.79 640,393 69.85 7.33 4.84
Kabupaten Jepara 2018 71.38 649,142 69.05 7.43 3.75
Kabupaten Jepara 2019 71.88 654,373 68.43 7.44 2.92
Kabupaten Jepara 2020 71.99 679,907 69.92 7.68 6.7
Kabupaten Jepara 2021 72.36 687,284 69.55 7.79 4.23
Kabupaten Demak 2017 70.41 574,999 67.73 7.47 4.47
Kabupaten Demak 2018 71.26 614,758 70.96 7.48 7.03
Kabupaten Demak 2019 71.87 594,113 67.72 7.55 5.42
Kabupaten Demak 2020 72.22 619,892 69.79 7.71 7.31
Kabupaten Demak 2021 72.57 595,111 66.23 7.86 5.28
Kabupaten Semarang 2017 73.2 607,096 76.37 7.87 1.78
Kabupaten Semarang 2018 73.61 589,155 72.5 7.88 2.25
Kabupaten Semarang 2019 74.14 616,445 74.69 8.01 2.54
Kabupaten Semarang 2020 74.1 629,038 75.07 8.02 4.57
Kabupaten Semarang 2021 74.24 630,040 74.1 8.03 5.02
Kabupaten Temanggung 2017 68.34 434,389 74.37 6.9 2.97
Kabupaten Temanggung 2018 68.83 440,620 74.11 6.94 3.23
Kabupaten Temanggung 2019 69.56 458,469 76.23 7.15 2.98
Kabupaten Temanggung 2020 69.57 357,156 58.73 7.24 3.85
Kabupaten Temanggung 2021 69.88 454,927 74.01 7.25 2.62
Kabupaten Kendal 2017 70.62 484,859 66.49 6.85 4.93
Kabupaten Kendal 2018 71.28 491,871 66.34 7.05 6.02
Kabupaten Kendal 2019 71.97 508,715 67.91 7.25 6.26
Kabupaten Kendal 2020 72.29 533,376 70.5 7.45 7.56
Kabupaten Kendal 2021 72.5 534,030 69.93 7.46 7.55
Kabupaten Batang 2017 67.35 388,307 67.7 6.61 5.82
Kabupaten Batang 2018 67.86 410,431 70.28 6.62 4.2
Kabupaten Batang 2019 68.42 406,009 68.75 6.63 4.11
Kabupaten Batang 2020 68.65 416,576 69.78 6.87 6.92
Kabupaten Batang 2021 68.92 430,690 71.4 6.88 6.59
Kabupaten Pekalongan 2017 68.4 461,536 70.98 6.73 4.39
Kabupaten Pekalongan 2018 68.97 467,681 70.68 6.74 4.36
Kabupaten Pekalongan 2019 69.71 475,440 71.15 6.88 4.35
Kabupaten Pekalongan 2020 69.63 480,431 71.23 6.91 6.97
Kabupaten Pekalongan 2021 70.11 486,248 71.46 6.17 4.28
Kabupaten Pemalang 2017 65.04 622,598 65.57 6.31 5.59
Kabupaten Pemalang 2018 65.67 628,478 65.29 6.32 6.17
Kabupaten Pemalang 2019 66.32 641,706 66.27 6.41 6.45
Kabupaten Pemalang 2020 66.32 638,570 65.57 6.42 7.64
43
Kabupaten Pemalang 2021 66.56 645,103 65.9 6.45 6.71
Kabupaten Tegal 2017 66.44 696,162 66.41 6.55 7.33
Kabupaten Tegal 2018 67.33 695,264 65.41 6.7 8.24
Kabupaten Tegal 2019 68.24 711,140 66.5 6.86 8.12
Kabupaten Tegal 2020 68.39 715,224 66.52 6.98 9.82
Kabupaten Tegal 2021 68.79 715,845 66.24 6.99 9.97
Kabupaten Brebes 2017 64.86 895,712 67.42 6.18 8.04
Kabupaten Brebes 2018 65.68 905,510 67.18 6.19 7.2
Kabupaten Brebes 2019 66.12 896,833 66.08 6.2 7.39
Kabupaten Brebes 2020 66.11 910,555 66.65 6.21 9.83
Kabupaten Brebes 2021 66.32 879,258 63.97 6.22 9.78
Kota Magelang 2017 77.84 62,775 65.32 10.3 6.68
Kota Magelang 2018 78.31 66,899 68.89 10.31 4.78
Kota Magelang 2019 78.8 63,418 64.95 10.33 4.37
Kota Magelang 2020 78.99 66,311 67.61 10.39 8.59
Kota Magelang 2021 79.43 66,086 67.07 10.62 8.73
Kota Surakarta 2017 80.85 271,527 66.1 10.38 4.47
Kota Surakarta 2018 81.46 274,109 66.01 10.53 4.35
Kota Surakarta 2019 81.86 289,269 69.27 10.54 4.16
Kota Surakarta 2020 82.21 288,959 68.84 10.69 7.92
Kota Surakarta 2021 82.62 282,178 66.89 10.9 7.85
Kota Salatiga 2017 81.68 104,989 70.53 10.15 3.96
Kota Salatiga 2018 82.41 109,761 72.15 10.4 4.23
Kota Salatiga 2019 83.12 103,519 66.96 10.41 4.33
Kota Salatiga 2020 83.14 110,256 70.23 10.42 7.44
Kota Salatiga 2021 83.6 112,124 70.36 10.66 7.26
Kota Semarang 2017 82.01 963,496 69.87 10.5 6.61
Kota Semarang 2018 82.72 931,954 65.93 10.51 5.21
Kota Semarang 2019 83.19 962,320 66.87 10.52 4.5
Kota Semarang 2020 83.05 1,023,964 69.89 10.53 9.57
Kota Semarang 2021 83.55 1,034,794 69.41 10.78 9.54
Kota Pekalongan 2017 73.77 157,445 69.28 8.56 5.05
Kota Pekalongan 2018 74.24 162,881 70.36 8.57 6.08
Kota Pekalongan 2019 74.77 169,603 72.46 8.71 5.8
Kota Pekalongan 2020 74.98 157,260 66.45 8.96 7.02
Kota Pekalongan 2021 75.4 181,210 75.77 9.18 6.89
Kota Tegal 2017 73.95 124,736 66.33 8.29 8.19
Kota Tegal 2018 74.44 124,913 65.54 8.3 7.81
Kota Tegal 2019 74.93 133,510 69.61 8.31 8.08
Kota Tegal 2020 75.07 124,590 64.57 8.51 8.4
Kota Tegal 2021 75.52 132,440 68.25 8.73 8.25
Lampiran 2. Hasil Pemodelan Common Effect
44
Periods included: 5
Cross-sections included: 35
Total panel (unbalanced) observations: 171
45
Date: 01/08/24 Time: 20:48
Sample: 2017 2021
Periods included: 5
Cross-sections included: 35
Total panel (unbalanced) observations: 171
Swamy and Arora estimator of component variances
Effects Specification
S.D. Rho
Weighted Statistics
Unweighted Statistics
46
Date: 01/08/24 Time: 20:45
Sample: 2017 2021
Periods included: 5
Cross-sections included: 35
Total panel (unbalanced) observations: 171
Effects Specification
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
47
Specification: TPT C IPM AK TPAK PND
Omitted Variables: Squares of fitted values
Value df Probability
t-statistic 0.014596 169 0.9884
F-statistic 0.000213 (1, 169) 0.9884
Likelihood ratio 0.000221 1 0.9881
F-test summary:
Sum of Sq. df Mean
Squares
Test SSR 0.000645 1 0.000645
Restricted SSR 511.3484 170 3.007932
Unrestricted SSR 511.3478 169 3.025727
LR test summary:
Value
Restricted LogL -342.1375
Unrestricted LogL -342.1373
48
Lampiran 9. Hasil Uji Multikolinieritas
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 01/10/24 Time: 09:26
Sample: 1 175
Included observations: 175
Presample missing value lagged residuals set to zero.
49
Heteroskedasticity Test: White
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 01/10/24 Time: 09:27
Sample: 1 175
Included observations: 175
50