ANALISIS REGRESI MULTIVARIAT HUBUNGAN ANTARA TINGKAT INFLASI

TERHADAP PENGANGGURAN: UJI ASUMSI KLASIK PADA DATA

CROSS-SECTION

PENDAHULUAN
Pertumbuhan ekonomi suatu negara seringkali menjadi fokus utama dalam
pembangunan dan kebijakan ekonomi. Namun, dibalik angka-angka pertumbuhan tersebut,
terdapat kompleksitas hubungan antar variabel makroekonomi yang mempengaruhi stabilitas
ekonomi secara keseluruhan. Dalam analisis ekonomi, memahami hubungan antara berbagai
indikator makroekonomi memang sangat penting untuk dapat mengembangkan kebijakan
yang efektif. Dua indikator pada makroekonomi yang sangat relevan yaitu tingkat inflasi dan
tingkat pengangguran. Tingkat inflasi mengukur keseluruhan kenaikan harga barang dan jasa
di suatu negara, sedangkan tingkat pengangguran menunjukkan proporsi populasi tenaga
kerja yang tidak bekerja.
Penelitian ini menggunakan pendekatan kombinasi metode kuantitatif dan kualitatif,
bertujuan untuk dapat menganalisis hubungan antara tingkat inflasi dan tingkat pengangguran
pada tingkat negara dengan menggunakan metode regresi multivariat. Regresi multivariat
memungkinkan untuk dapat memahami sejauh mana pengaruh variabel independen (tingkat
inflasi) terhadap variabel dependen (tingkat pengangguran) dengan mempertimbangkan
faktor-faktor lain yang mungkin dapat mempengaruhi hubungan tersebut.
Selain itu, analisis ini juga akan mencakup pengujian pada uji asumsi klasik tujuannya
yaitu, untuk dapat memastikan validitas hasil analisis. Uji normalitas, uji linearitas, uji
multikolinearitas, dan uji heteroskedastisitas dilakukan untuk mengevaluasi apakah model
regresi yang digunakan memenuhi asumsi-asumsi klasik. Oleh karena itu, penelitian ini akan
memberikan pemahaman yang komprehensif tentang hubungan antara variabel
makroekonomi dan tingkat pengangguran di tingkat negara, serta mengevaluasi kecocokan
model regresi yang diusulkan dengan asumsi klasiknya. Dan penelitian ini diharapkan dapat
memberikan pandangan yang lebih akurat dan bermanfaat dalam merancang kebijakan
ekonomi yang efektif untuk mencapai stabilitas dan pertumbuhan ekonomi yang
berkelanjutan.

METODE PENELITIAN
Metode yang digunakan dalam penelitian ini, yaitu metode kuantitatif dan kualitatif.
Kedua metode ini dianggap sesuai dengan penelitian ini karena data yang didapatkan akan
diolah dan dijabarkan dengan analisis data. Guna mendapatkan hasil yang lebih rinci
variabel-variabel akan diuji melalui proses analisis data. Hasil dari analisis akan
diinterpretasikan dalam bentuk kuantitatif agar pembaca dapat mengerti. Analisis korelasi
antara tingkat inflasi terhadap pengangguran. Dalam penelitian ini data yang digunakan data
sekunder yang telah diberikan. Data yang digunakan dalam penelitian yaitu terdiri dari 740
observasi yang memiliki 5 variabel (1 variabel dependen dan 4 variabel independen). Pada
penelitian ini menggunakan analisis regresi multivariate, uji hipotesis dan uji asumsi klasik.
Berikut ini merupakan model regresi secara umum:
 Pada Uji Asumsi Klasik, Analisis ini dilakukan untuk mengevaluasi apakah dalam
sebuah model regresi linear terdapat pelanggaran terhadap asumsi-asumsi klasik. Pada
penelitian ini uji asumsi klasik terdiri dari 4 uji diantaranya yaitu uji normalitas, uji linearitas,
uji multikolinearitas dan uji heteroskedastisitas. Analisis ini, pengujian variabelnya
menggunakan software Stata MP 17.
1. Uji Normalitas
Pengujian ini digunakan untuk mengevaluasi apakah data pada suatu variabel
mengikuti distribusi normal atau tidak. Dalam analisis regresi, penting bahwa data pada
variabel uji memiliki distribusi normal. Untuk menguji normalitas data, digunakan uji
Shapiro-Wilk dengan tingkat signifikansi α sebesar 0,05. Jika nilai probabilitas yang
diperoleh dari uji tersebut kurang dari α (0,05), maka dapat disimpulkan bahwa data yang
diuji tidak mengikuti distribusi normal. Sebaliknya, jika nilai probabilitas lebih besar dari α
(0,05), maka dapat disimpulkan bahwa data yang diuji mengikuti distribusi normal.
2. Uji Linearitas
Uji Linearitas adalah sebuah uji yang digunakan untuk menilai apakah terdapat
hubungan linier yang signifikan antara data yang sedang diuji. Pengujian ini melibatkan
pengamatan terhadap bagaimana variabel independen dapat mempengaruhi variabel
dependen, apakah berdampak positif atau negatif secara signifikan. Untuk menguji linearitas
dalam data, digunakan metode uji Scatterplot. Scatterplot berfungsi untuk menggambarkan
bentuk hubungan antara dua variabel dalam bentuk titik-titik, dan juga membantu dalam
memvisualisasikan sebaran data dalam hubungan tersebut. Namun, asumsi yang digunakan
dalam pengujian ini adalah bahwa semua data dianggap memiliki hubungan linier.
3. Uji Multikolinieritas
Model regresi dapat dianggap mengalami multikolinearitas ketika terdapat hubungan
linear yang kuat antara beberapa atau seluruh variabel independen dalam model tersebut.
Untuk menguji multikolinearitas, digunakan uji VIF (Variance Inflation Factor) dengan
tingkat signifikansi α sebesar 0,05.
4. Uji Heteroskedastisitas
Heteroskedastisitas adalah kondisi di mana varian residual tidak konsisten di seluruh
pengamatan dalam model regresi. Uji heteroskedastisitas dilakukan menggunakan uji Glejser
dengan tingkat signifikansi α sebesar 0,05. Jika nilai probabilitas hasil uji lebih besar dari α
(0,05), maka data dianggap tidak mengalami masalah heteroskedastisitas, yang berarti data
tersebut bebas dari ketidakseragaman varian. Sebaliknya, jika nilai probabilitas lebih kecil
dari α (0,05), maka data dianggap gagal uji heteroskedastisitas, yang menunjukkan adanya
ketidakseragaman varian dalam data tersebut.

Sedangkan untuk uji hipotesisnya terdiri dari 3 uji yaitu:

1. Uji F
 Uji F digunakan untuk mengevaluasi sejauh mana model regresi akurat dalam
menentukan apakah kedua variabel independen berpengaruh pada variabel dependen.
Kesimpulan bahwa model regresi adalah yang tepat akan ditarik jika nilai p kurang dari atau
sama dengan 0,05. Sebaliknya, jika nilai p lebih besar atau sama dengan 0,05, maka dapat
disimpulkan bahwa model regresi tidak tepat.
2. Uji T
Uji t digunakan untuk mengevaluasi sejauh mana pengaruh variabel independen
terhadap variabel dependen adalah signifikan. Cara melakukan uji t adalah dengan
membandingkan nilai t-hitung dengan nilai t-tabel pada tingkat signifikansi 5%. Hasil
dianggap signifikan jika nilai t-hitung lebih besar dari nilai t-tabel atau jika nilai
probabilitasnya kurang dari 0,05.
3. Uji R2
Penggunaannya sebagai penentu seberapa besar bagian dari varians variabel dependen
yang dapat dijelaskan oleh variabel independen. Ketika nilai R2 mendekati 1, ini
mengindikasikan bahwa variabel independen yang dipilih secara akurat menjelaskan variabel
dependen dengan tingkat ketepatan yang tinggi.

HASIL DAN PEMBAHASAN

Tabel 1. Hasil Analisis Regresi dengan Stata MP 17

Sumber: Data diolah penulis, 2023

Unemp = 7,533832 – 0,0041255 inf – 1,95×10-13 gdp – 0,0236354 ir + 0,001228 export + μ

Berdasarkan hasil analisis regresi pada tabel 1, diketahui hasil uji menunjukkan
bahwa variabel-variabel tersebut tidak signifikan secara simultan. Adjusted R2 hanya sebesar
0,16% menunjukkan bahwa variabel-variabel yang dimasukkan dalam model hanya mampu
menjelaskan sebagian kecil dari variasi tingkat pengangguran. Meskipun demikian, hasil uji
parsial mengungkapkan bahwa variabel inflasi tidak signifikan secara parsial (-), variabel
GDP signifikan secara parsial (-), variabel Ir tidak signifikan secara parsial (-) dan variabel
ekspor tidak signifikan secara parsial (+) terhadap pengangguran.
Adapun penjelasan lebih lengkap adalah sebagai berikut:
 1. Saat nilai semua variabel independen memiliki nilai sama dengan nol, ini dapat
diartikan bahwa nilai dari variabel dependen unemp akan bernilai sebesar 7,533832.
2. Secara parsial, variabel inf tidak signifikan (sig < α), dengan memiliki nilai
koefisiennya sebesar -0,0041255. Ini berarti bahwa jika variabel lain tetap/konstan
(ceteris paribus), maka setiap peningkatan sebesar satu satuan pada variabel inf akan
menyebabkan adanya penurunan unemp sebesar 0,0041255.
3. Secara parsial, variabel gdp tidak signifikan (sig < α), dengan memiliki nilai
koefisiennya sebesar -1,95×10-13. Ini berarti bahwa jika variabel lain tetap/konstan
(ceteris paribus), maka setiap peningkatan sebesar satu satuan pada variabel gdp akan
menyebabkan adanya penurunan unemp sebesar 1,95×10-13.
4. Secara parsial, variabel ir tidak signifikan (sig < α), dengan memiliki nilai
koefisiennya sebesar -0,0236354. Ini berarti bahwa jika variabel lain tetap/konstan
(ceteris paribus), maka setiap peningkatan sebesar satu satuan pada variabel ir akan
menyebabkan adanya penurunan unemp sebesar 0,0236354.
5. Secara parsial, variabel export tidak signifikan (sig < α), dengan memiliki nilai
koefisiennya sebesar 0,001228. Ini berarti bahwa jika variabel lain tetap/konstan
(ceteris paribus), maka setiap peningkatan sebesar satu satuan pada variabel export
akan menyebabkan adanya penurunan unemp sebesar 0,001228.

Nilai R2 adalah suatu ukuran yang dapat mengindikasikan sejauh mana variabel
dependen dapat dijelaskan oleh variabel independen dalam suatu analisis regresi. Dalam
analisis regresi yang dilakukan, diketahui bahwa nilai R2 sebesar 0,007 atau 0,7%,
menunjukkan proporsi kejelasan hubungan antara variabel dependen dan variabel
independen. Selain R2, terdapat juga nilai adjusted R2 yang merupakan penyesuaian dari R2
dengan memperhitungkan jumlah prediktor. Nilai adjusted R2 dapat digunakan sebagai
perbandingan keakuratan prediksi antara model. Dalam analisis yang dilakukan, ditemukan
bahwa adjusted R2 memiliki nilai sebesar 0,0016, atau 0,16%. Ini menunjukkan tingkat
penyesuaian yang lebih tinggi dibandingkan dengan R2, dan dapat digunakan sebagai tolok
ukur tambahan untuk mengevaluasi model regresi.

UJI ASUMSI KLASIK

Uji Normalitas

Pada uji normalitas residual merupakan suatu metode untuk mengukur residual dari
variabel yang dianalisis menggunakan kenormalan pada distribusi residual data yang
digunakan untuk melakukan statistik inferensial atau statistik parametrik. Uji ini penting
untuk memastikan bahwa asumsi statistik inferensial atau parametrik terpenuhi. Salah satu
metode yang digunakan dalam analisis uji normalitas residual adalah uji Shapiro-Wilk, di
mana nilai residual diharapkan mendekati nol atau mendekati nilai harapan dari residual.
Hasil uji normalitas residual menunjukkan apakah distribusi residual data bersifat normal
atau tidak. Hipotesis nol (H0) dalam uji normalitas residual menyatakan bahwa residual
memiliki distribusi normal (H0 = residual terdistribusi secara normal). Jika nilai p value lebih
besar dari tingkat signifikansi (α), maka H0 diterima; sebaliknya, jika nilai p value lebih kecil
dari α, maka H0 ditolak dan hipotesis alternatif (Ha) diterima. Dalam kasus analisis yang
dilakukan, nilai p value yang diperoleh adalah 2,2e-16, yang jelas lebih kecil dari tingkat
signifikansi (α). Oleh karena itu, H0 ditolak, dan dapat disimpulkan bahwa residual tidak
memiliki distribusi normal.

Uji Normalitas Kernel Density Estimate (KDE)

Gambar 1. Grafik Kernel Density Estimate

Gambar 1 diatas merupakan grafik kernel density estimate yang dimana digunakan
untuk menggambarkan distribusi pada suatu variabel dalam suatu model dataset. Pada
gambar grafik diatas, terdapat dua plot garis yang berwarna biru dan merah. Pada garis
berwarna biru mengindikasikan estimasi distribusi dari residual data yang sedang dianalisis,
sementara pada garis yang berwarna merah menunjukkan distribusi residual data yang sedang
dianalisis memiliki distribusi data yang cukup normal dikarenakan pergerakannya cenderung
mendekati bentuk dari grafik distribusi residual normal. Ketika pola garis biru pada grafik
kernel density mendekati bentuk distribusi normal yang digambarkan oleh plot garis merah,
itu menunjukkan bahwa distribusi data yang sedang dianalisis menjadi semakin normal.
Sebaliknya, jika pola garis biru semakin jauh dari garis merah, hal tersebut menandakan
bahwa distribusi data cenderung tidak normal. Dengan demikian, dapat disimpulkan
berdasarkan grafik estimasi kernel density estimate bahwa distribusi data yang dianalisis saat
ini dapat dianggap tidak normal.

Uji Linearitas

Gambar Hasil Uji Linearitas

Menurut Kriteria pengambilan keputusan (Sihombing, 2022:47)
Jika nilai sig > 0,05, maka hubungan antara variabel linear
Jika nilai sig < 0,05, maka hubungan antara tidak variabel linear
Dari hasil uji linearitas yang sedang dianalisis menunjukkan bahwa nilai probability
variabel sebesar 0,2498 > 0,05. Maka dapat disimpulkan bahwa hubungan antara variabel
linear atau lolos uji linearitas.

Uji Multikolinieritas

Gambar Hasil Uji Multikolinearitas

Kriteria pengambilan keputusan (Sihombing, 2022:47):
Jika nilai VIF < 10, maka lolos uji multikolinearitas
Jika nilai VIF > 10, maka tidak lolos uji multikolinearitas
Dari hasil uji multikolinearitas di atas menunjukan bahwa, hasil uji multikolinearitas
menunjukan bahwa nilai VIF sebesar 1,14 < 10. Maka dapat disimpulkan bahwa data tersebut
lolos uji multikolinearitas.

Uji Heteroskedastisitas

Gambar Hasil Uji Heteroskedastisitas

Uji homoskedastisitas atau uji variasi residual bertujuan untuk memeriksa apakah
variasi dari setiap residual tetap konstan sepanjang rangkaian observasi. Uji
homoskedastisitas menggunakan uji Breusch-Pagan, di mana hipotesis nol (H0) menyatakan
bahwa varians dari residual adalah konstan (H0 = varians residual adalah konstan). Jika nilai
p value lebih besar dari tingkat signifikansi (α), maka H0 diterima; sebaliknya, jika nilai p
value lebih kecil dari α, maka H0 ditolak, dan hipotesis alternatif (Ha) diterima. Dalam hasil
analisis uji heteroskedastisitas Breusch-Pagan yang dilakukan, nilai p value yang diperoleh
adalah 2,2e-16, yang menunjukkan bahwa p value lebih kecil dari tingkat signifikansi (α).
Oleh karena itu, H0 ditolak, dan kesimpulannya adalah variasi dari setiap residual tidak
konstan, sesuai dengan hipotesis alternatif (Ha).

Uji F
 Dari hasil analisis uji F diatas, diketahui bahwa nilai uji F dapat digunakan untuk
menentukan apakah variabel independen secara bersama-sama atau simultan mempengaruhi
variabel dependen. Dengan tingkat signifikansi (α) sebesar 0,05, uji F untuk hasil regresi
menghasilkan nilai 0,2706. Jika nilai probabilitas F kurang dari atau sama dengan 0,05, maka
hipotesis nol (H0) diterima dan hipotesis alternatif (Ha) ditolak. Sebaliknya, jika nilai
probabilitas F lebih besar dari atau sama dengan 0,2706, maka H0 diterima dan Ha ditolak.
Hasil ini menunjukkan bahwa variabel independen memiliki dampak yang relatif kecil
terhadap variabel dependen.

Uji T

Dari hasil analisis uji F diatas, diketahui bahwa nilai uji T, yang digunakan untuk
menentukan apakah variabel dependen mempengaruhi variabel independen secara parsial
(terpisah). Hipotesis nol (H0) dan hipotesis alternatif (Ha) diterima atau ditolak berdasarkan
nilai signifikansi (Sig). Nilai Sig yang lebih kecil dari tingkat signifikansi (α) menghasilkan
penolakan H0 dan penerimaan Ha. Dalam konteks hasil regresi diatas, diketahui bahwa nilai
T untuk variabel inf adalah 0,685, yang lebih besar dari α. Oleh karena itu, H0 diterima dan
Ha ditolak, menunjukkan bahwa variabel inf tidak memiliki pengaruh yang signifikan
terhadap variabel unemp jika secara parsial dan memiliki hubungan yang berbanding terbalik
dengan variabel unemp. Sementara itu, nilai T untuk variabel gdp adalah 0,035, yang lebih
kecil dari α, sehingga H0 ditolak dan Ha diterima, menunjukkan bahwa variabel gdp
memiliki pengaruh yang signifikan terhadap variabel unemp secara parsial dan memiliki
hubungan yang berbanding terbalik. Nilai T untuk variabel ir adalah 0,329, yang lebih besar
dari α, sehingga H0 diterima dan Ha ditolak, menunjukkan bahwa variabel ir tidak memiliki
pengaruh yang signifikan terhadap variabel unemp secara parsial dan memiliki hubungan
yang berbanding terbalik. Terakhir, nilai T untuk variabel export adalah 0,874, yang lebih
besar dari α, sehingga H0 diterima dan Ha ditolak, menunjukkan bahwa variabel export tidak
memiliki pengaruh yang signifikan terhadap variabel unemp secara parsial dan memiliki
hubungan yang berbanding lurus.

KESIMPULAN
Berdasarkan hasil analisis diatas diketahui bahwa, penelitian ini mengeksplorasi
hubungan kompleks antara tingkat inflasi dan tingkat pengangguran pada tingkat negara
dengan menggunakan metode regresi multivariat. Hasil analisis regresi menunjukkan bahwa
secara simultan, variabel-variabel yang dimasukkan dalam model tidak signifikan secara
keseluruhan, dengan Adjusted R2 yang hanya sebesar 0,16%, menunjukkan bahwa model
hanya mampu menjelaskan sebagian kecil dari variasi tingkat pengangguran. Namun, hasil
uji parsial mengungkapkan bahwa variabel inflasi, GDP, dan tingkat suku bunga tidak
signifikan secara parsial, sementara variabel ekspor menunjukkan signifikansi negatif
terhadap pengangguran.
Saat nilai semua variabel independen nol, tingkat pengangguran diperkirakan sebesar
7,533832. Secara parsial, inflasi, GDP, dan tingkat suku bunga tidak signifikan, sementara
ekspor menunjukkan pengaruh negatif yang signifikan terhadap pengangguran.
Analisis asumsi klasik menambah dimensi pemahaman kita terhadap model ini. Uji
normalitas residual menolak hipotesis bahwa residual memiliki distribusi normal,
menandakan perlu hati-hati dalam interpretasi hasil. Uji linearitas menunjukkan bahwa
hubungan antara variabel linear, dan uji multikolinieritas menunjukkan bahwa tidak ada
masalah multikolinieritas dalam model. Namun, uji heteroskedastisitas menolak
homoskedastisitas, mengindikasikan bahwa variasi residual tidak konstan.
Kemudian, hasil uji F menunjukkan bahwa secara bersama-sama, variabel independen
memiliki dampak yang relatif kecil terhadap variabel dependen. Sementara uji T pada tingkat
signifikansi α memberikan wawasan lebih lanjut. Variabel inflasi, GDP, dan tingkat suku
bunga tidak memiliki pengaruh signifikan secara parsial, sementara variabel ekspor
menunjukkan pengaruh positif yang signifikan.
Model regresi multivariat yang digunakan memiliki keterbatasan dalam menjelaskan
hubungan antara inflasi dan pengangguran. Oleh karena itu, perlu pertimbangan lebih lanjut
dan mungkin penyesuaian model untuk meningkatkan keakuratannya. Hasil ini memberikan
wawasan yang penting dalam merancang kebijakan ekonomi yang lebih efektif dan
memahami dinamika kompleks antara faktor-faktor makroekonomi utama.