ANALISIS REGRESI DAN ASUMSINYA (PENGARUH EKSPETASI PENDAPATAN, KARAKTERISTIK INDIVIDU DAN PENDIDIKAN KEWIRAUSAHAAN TERHADAP MINAT BERWIRAUSAHA)

Elsa Fadhillah

2023-05-31

1 PENDAHULUAN

1.1 Latar Belakang

  Indonesia merupakan negara dengan kepadatan penduduk yang sangat tinggi dan sumber daya alam yang kaya. Hal ini dapat memberikan kesempatan kerja, tetapi banyaknya penduduk berarti terjadi persaingan untuk mendapatkan pekerjaan yang terbaik dan paling diinginkan. Tingkat pengangguran di Indonesia cukup tinggi karena keterbatasan sumber daya manusia dari sebuah lembaga.
  Berdasarkan data BPS pada Februari 2023, jumlah pengangguran di Indonesia sebesar 5,45% atau 7.989,28 ribu orang. Adanya persaingan internasional yang mempertemukan lulusan perguruan tinggi dalam negeri dan lulusan perguruan tinggi luar negeri semakin memperparah keadaan pengangguran, karena mahasiswa lebih gigih mengikuti proses seleksi untuk perekrutan tenaga kerja baru, sehingga mahasiswa perguruan tinggi diarahkan untuk siap menjadi pencipta pekerjaan/berwirausaha.Kewirausahaan membutuhkan kemauan untuk mengambil risiko yang diperhitungkan untuk mengatasi hambatan dan mencapai kesuksesan yang diharapkan. Minat berwirausaha di Indonesia masih sangat rendah. Hal ini disebabkan oleh beberapa faktor seperti  Ekspektasi pendapatan, karakteristik individu dan pendidikan kewirausahaan.
  Adanya ekspektasi pendapatan yang berbeda menciptakan sedikit insentif untuk bekerja menuju tujuan. Penghasilan rendah membuat sulit untuk merencanakan bisnis sendiri. Untuk tertarik berwirausaha, seseorang harus memiliki jiwa yang berani, pengalaman, sosialisasi, pengaruh diri, dan siap menghadapi tantangan kewirausahaan, mulai dari memulai bisnis hingga mengambil risiko bisnis. Setelah mengikuti pelatihan kewirausahaan (praktik berwirausaha) akan mendapatkan gambaran menyeluruh tentang kewirausahaan.

1.2 Tinjauan Pustaka

1.2.1 Analisis Regresi

       Regresi linier berganda merupakan model persamaan yang menjelaskan hubungan satu variabel tak bebas/ response (Y) dengan dua atau lebih variabel bebas/predictor \((X_1, X_2,…X_n)\). Tujuan dari uji regresi linier berganda adalah untuk memprediksi nilai variable tak bebas/ response (Y) apabila nilai-nilai variabel bebasnya/ prediktor \((X_1, X_2,..., X_n)\) diketahui. Disamping itu juga untuk dapat mengetahui bagaimanakah arah hubungan variabel tak bebas dengan variabel - variabel bebasnya.

Persamaan regresi linier berganda secara matematik diekspresikan oleh : \[ Y_i = \beta_0 + \beta_1 X_{1k} + \beta_2 X_{2k} + … + \beta_k X_{ik}+ \epsilon_i \] Keterangan: \(Y_i\) = nilai observasi variabel respon ke-i \(X_{ik}\) = nilai observasi variabel prediktor ke-k pada pengamatan ke-i \(\beta_0\) = nilai intersep model regresi \(\beta_k\) = koefisien regresi variabel prediktor ke-k \(\epsilon_i\) = error pada pengamatan ke-i.

Pada pemodelan regresi terdapat syarat-syarat yang harus dipenuhi yaitu dengan memenuhi uji multikolinearitas dan uji asumsi residual yakni uji normalitas, uji homokedastisitas, dan uji autokorelasi.

1.2.2 Asumsi Analisis Regresi

       Apabila dalam analisis regresi tidak didasarkan pada asumsi residual, maka akan mengakibatkan hasil pendugaan regresi tidak sesuai. Asumsi residual dalam model regresi harus memenuhi kriteria identik, independen, berdistribusi normal(Manurung, 2007). Pemodelan regresi klasik dengan Ordinary Least Square (OLS) sangat ketat terhadap beberapa asumsi. Apabila ada asumsi yang tidak terpenuhi, maka terdapat indikasi adanya pengaruh spasial (Andra, 2007). Untuk melakukan analisis regresi diperlukan asumsi-asumi residual yang harus dipenuhi di antaranya adalah :
  1. Uji Multikolinearitas
       Uji Multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi yang kuat antar variabel bebas independen (Imam, Ghozali, 2011:105). Model regresi yang baik memiliki variabel-variabel prediktor yang independen atau tidak berkorelasi. Pada pengujian asumsi ini, diharapkan asumsi multikolinieritas tidak terpenuhi.
       Gujarati menuliskan bahwa masalah multikolinieritas dapat diketahui dengan menggunakan nilai Tolerance (TOL) dan Variance Inflation Factor (VIF). Apabila nilai TOL kurang dari 0,1 atau nilai VIF lebih besar dari 10 maka dapat dikatakan bahwa terdapat masalah multikoliniritas, dengan nilai TOL dan VIF adalah sebagai berikut [Gujarati, 2004] :

\[ VIF = \frac{1}{1-R^2_{Yjl}} \] dan \[ TOL=\frac{1}{VIF}=(1-R^2_{Yjl}) \] dengan \[ R^2_{Yjl}=\frac{R^2_{Yj}+R^2_{Yl}+2r_{Yj}r_{Yl}r_{jl}}{1-r^2_{jl}} \] dimana \(r^2_{Yj}\) : koefisien korelasi antara variabel Y dan variabel \(x_j\) \(r^2_{Yl}\) : koefisien korelasi antara variabel Y dan variabel \(x_l\) \(r_{jl}\) : koefisien korelasi antara variabel \(x_j\) dan variabel \(x_l\) \(R^2_{Yjl}\) : koefisien determinasi variabel Y ketika \(x_j\) dan \(x_l\) j = 1,2, ,k dan l = 1,2, ,k

  1. Uji Normalitas
       Asumsi normalitas bertujuan untuk mengetahui apakah residual berdistribusi normal atau tidak (Imam Ghozali, 2011:160). Jika asumsi kenormalan tidak terpenuhi, estimasi OLS tidak dapat digunakan. Beberapa pengujian yang dapat dilakukan untuk asumsi distribusi normal adalah Anderson Darling, Kolmogorov- Smirnov, Jarque-Bera test, shapiro-wilk test, dan SkewnesKurtosis. Hipotesis untuk uji Jarque-Bera test adalah sebagai berikut:

\(H_0\) : Sisaan menyebar normal

\(H_1\) : Sisaan tidak menyebar normal

  1. Uji Heterokedastisitas
       Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain (Imam Ghozali, 2011:139).
       Pendeteksian penyimpangan asumsi homoskedastisitas ini dapat dilihat dari grafik plot nilai kuadrat residual. Jika nilai kuadrat residual membentuk pola yang sistematis maka dapat dikatakan terjadi heteroskedastisitas. Selain itu dapat juga dilakukan dengan pengujian Glejser. Uji Glejser dilakukan dengan cara meregresikan nilai absolute residual \(\mu_i\) dari regresi kuadrat terkecil biasa terhadap variabel X (Gujarati, 1997).

Hipotesis uji Glejser yakni :

\(H_0\) : Tidak terjadi masalah heteroskedastisitas

\(H_1\) : Terjadi masalah heteroskedastisitas

Keputusan tolak \(H_0\) jika nilai mutlak thitung ttabel atau p-value < \(\alpha\). Apabila \(H_0\) ditolak untuk setiap parameter maka dapat disimpulkan terjadi masalah heteroskedastisitas pada model yang dihasilkan.

  1. Uji Non-Autokorelasi
       Autokorelasi adalah terjadinya korelasi antara satu variabel error dengan variabel error yang lain. Autokorelasi seringkali terjadi pada data time series dan dapat juga terjadi pada data cross section tetapi jarang (Widarjono, 2005).
       Hal yang dilakukan untuk mendeteksi adanya autokorelasi dalam model regresi linier berganda adalah menggunakan metode Durbin-Watson. Durbin-Watson telah berhasil mengembangkan suatu metode yang digunakan untuk mendeteksi adanya masalah autokorelasi dalam model regresi linier berganda menggunakan pengujian hipotesis dengan statistik uji yang cukup popular. Hipotesis untuk uji Durbin-Watson adalah sebagai berikut:

\(H_0\) : Tidak terdapat autokorelasi antar residu

\(H_1\) : Terdapat autokorelasi antar residu

Statistik uji: \[ d=\frac{\Sigma^n_{i=2}(e_i-e_{i-1})^2}{\Sigma^n_{i=1}e^2_i} \] Kemudian Durbin-Watson berhasil menurunkan nilai kritis batas bawah (\(d_L\)) dan batas atas (\(d_U\)) sehingga jika nilai d hitung dari persamaan diatas terletak di luar nilai kritis ini, maka ada atau tidaknya autokorelasi baik positif atau negatif dapat diketahui. Deteksi autokorelasi pada model regresi linier berganda dengan metode Durbin-Watson (Widarjono, 2005).

1.3 Data

Data yang digunakan adalah data dari skripsi yang ditulis oleh PRAYUDHI SULISTYA NUGRAHA dengan judul “PENGARUH EKSPETASI PENDAPATAN, KARAKTERISTIK INDIVIDU DAN PENDIDIKAN KEWIRAUSAHAAN TERHADAP MINAT BERWIRAUSAHA”

2 SOURCE CODE

2.1 Library yang Dibutuhkan

# Library(rmarkdown)
# Library(prettydoc)
# Library(tinytex)
# Library(readxl)
# Library(equtiomatic)
# Library(car)
# Library(tseries)
# Library(lmtest)

2.2 Import Data xlsx

#Import Data
library(readxl)
## Warning: package 'readxl' was built under R version 4.2.3
data<-read_excel("C:/Users/Asus/Desktop/MiniProjek.xlsx")
## New names:
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`

2.3 Menampilkan Data

View(data)

2.4 Membentuk Matriks

Y<- as.matrix(data$y,ncol=1)
n<- dim(Y)[1]
X0<-rep (1,n)
X1<-data$x1
X2<-data$x2
X3<-data$x3
X<-data.frame(X0,X1,X2,X3)
X<-as.matrix(X)
X
##       X0 X1 X2 X3
##  [1,]  1 24 16 34
##  [2,]  1 24 16 30
##  [3,]  1 24 16 27
##  [4,]  1 25 17 37
##  [5,]  1 24 16 31
##  [6,]  1 22 14 31
##  [7,]  1 21 15 29
##  [8,]  1 22 16 32
##  [9,]  1 24 18 33
## [10,]  1 13 18 33
## [11,]  1 27 17 30
## [12,]  1 16 17 37
## [13,]  1 26 17 31
## [14,]  1 22 18 30
## [15,]  1 22 15 32
## [16,]  1 21 16 33
## [17,]  1 23 21 40
## [18,]  1 22 15 34
## [19,]  1 20 18 29
## [20,]  1 22 19 40
## [21,]  1 24 16 30
## [22,]  1 24 16 33
## [23,]  1 23 19 28
## [24,]  1 15 15 28
## [25,]  1 28 15 30
## [26,]  1 17 20 31
## [27,]  1 21 18 31
## [28,]  1 19 14 31
## [29,]  1 23 19 29
## [30,]  1 22 18 29
## [31,]  1 17 17 32
## [32,]  1 18 16 31
## [33,]  1 15 14 33
## [34,]  1 17 15 35
## [35,]  1 16 16 35
## [36,]  1 16 16 32
## [37,]  1 21 20 35
## [38,]  1 15 16 30
## [39,]  1 18 14 32
## [40,]  1 17 16 32
## [41,]  1 17 15 30
## [42,]  1 21 16 31
## [43,]  1 16 16 31
## [44,]  1 18 16 34
## [45,]  1 21 20 33
## [46,]  1 19 17 33
## [47,]  1 17 13 32
## [48,]  1 15 12 26
## [49,]  1 15 17 32
## [50,]  1 15 15 27
## [51,]  1 21 15 38
## [52,]  1 18 15 30
## [53,]  1 16 17 27
## [54,]  1 15 14 36
## [55,]  1 17 13 31
## [56,]  1 18 14 28
## [57,]  1 17 15 32
## [58,]  1 19 16 27
## [59,]  1 18 19 38
## [60,]  1 19 19 34
## [61,]  1 18 17 37
## [62,]  1 19 18 29
## [63,]  1 18 16 26
## [64,]  1 16 17 34
## [65,]  1 15 16 25
## [66,]  1 16 17 30
## [67,]  1 18 18 30
## [68,]  1 18 18 32
## [69,]  1 22 16 31
## [70,]  1 15 17 34
## [71,]  1 19 16 31
## [72,]  1 17 16 33
## [73,]  1 17 13 33
## [74,]  1 15 19 34
## [75,]  1 16 16 30
## [76,]  1 16 18 34
## [77,]  1 17 18 35
## [78,]  1 18 15 34

y= Minat Berusaha x1= Ekspektasi Pendapatan x2= Karakteristik Individu x3= Pendidikan Kewirausahaan

2.5 Analisis Regresi Linier Berganda

#Penduga Koefisien
beta_duga<-solve (t(X)%*%X)%*%(t(X)%*%Y)
beta_duga
##         [,1]
## X0 1.3034330
## X1 0.2098502
## X2 0.6186357
## X3 0.2753352
#Uji F
y_duga<-X%*%beta_duga
u_duga<-Y-y_duga
y_bar <-rep(mean(Y),n)

#Menghitung Analisis Ragam
JKT <- t(Y-y_bar)%*%(Y-y_bar)
JKR <- t(y_duga-y_bar)%*%(y_duga-y_bar)
JKG <- JKT-JKR
JK <- c(JKR, JKG, JKT)
JK
## [1] 255.5737 452.2725 707.8462
k = 4 #Banyaknya Peubah
dbR <- k-1
dbT <- n-1
dbG <- dbT-dbR
db <- c(dbR, dbG, dbT)
KTR <- JKR/dbR
KTG <- c(JKG/dbG)
KT<-c(KTR,KTG,'')
Fhit<-c((KTR/KTG),"","")

#Membentuk Tabel Anova
SK <- c("Regresi", "Galat", "Total")
anova <- data.frame(SK, JK, db, KT,Fhit)
names(anova) <- c("SK", "JK", "db", "KT", "Fhit")
anova
##        SK       JK db               KT             Fhit
## 1 Regresi 255.5737  3  85.191233132493 13.9388352967225
## 2   Galat 452.2725 74 6.11178992498208                 
## 3   Total 707.8462 77
#Menghitung uji F
SU_F <- KTR/KTG
SU_F
##          [,1]
## [1,] 13.93884
#Menghitung Pvalue
pvalue_f <- pf(SU_F, anova$db[1], anova$db[2], lower.tail=FALSE)
pvalue_f
##              [,1]
## [1,] 2.701216e-07
#Uji T
var_cov <- KTG*solve(t(X)%*%X)
var_cov
##            X0            X1           X2            X3
## X0 13.2759634 -0.1005126052 -0.264903680 -0.2177162931
## X1 -0.1005126  0.0071576208 -0.002589907  0.0001917382
## X2 -0.2649037 -0.0025899071  0.027495779 -0.0042981342
## X3 -0.2177163  0.0001917382 -0.004298134  0.0089433559
sd <- rep(0,k)

for (i in 1:k){
  sd[i] <- sqrt(var_cov[i,i])
}
sd
## [1] 3.64361955 0.08460272 0.16581851 0.09456932
thit <- beta_duga/sd
thit
##         [,1]
## X0 0.3577303
## X1 2.4804187
## X2 3.7308001
## X3 2.9114646
pvalue_t <- 2*pt(abs(thit), anova$db[2], lower.tail=FALSE)
pvalue_t
##            [,1]
## X0 0.7215635176
## X1 0.0153964187
## X2 0.0003717269
## X3 0.0047513302
#Koefisien Determinasi
Rsq <- anova$JK[1]/anova$JK[3]
Rsq
## [1] 0.3610583

2.6 Analisis Regresi Linier Berganda (Fungsi lm)

#membentuk matriks
library(readxl)

data<-read_excel("C:/Users/Asus/Desktop/MiniProjek.xlsx")
## New names:
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`
REG <- lm(y~x1+x2+x3,data=data) 
summary(REG)
## 
## Call:
## lm(formula = y ~ x1 + x2 + x3, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.7239 -1.3341 -0.1669  0.8573  8.5599 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  1.30343    3.64362   0.358 0.721564    
## x1           0.20985    0.08460   2.480 0.015396 *  
## x2           0.61864    0.16582   3.731 0.000372 ***
## x3           0.27534    0.09457   2.911 0.004751 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.472 on 74 degrees of freedom
## Multiple R-squared:  0.3611, Adjusted R-squared:  0.3352 
## F-statistic: 13.94 on 3 and 74 DF,  p-value: 2.701e-07

Perintah untuk analisis regresi dengan fungsi lm, y sebagai respons, x1, x2 dan x3 prediktor dan data yang digunakan pada obyek data dan disimpan pada obyek REG. summarry adalah Perintah untuk menampilkan hasil analisis regresi.

2.7 Uji Asumsi Sisaan

#Pemeriksaan sisaan
par(mfrow=c(2,2))
plot(REG)

Perintah untuk menamilkan semua plot dalam satu layar, yang mengatur tampilan gambar pada dua baris, masing-masing baris berisi dua gambar. Perintah untuk menampilkan plot Residuals vs Fitted, Normal Q-Q, Scale-Location, Residuals-Leverage

2.8 Uji Asumsi Normalitas

#uji normalitas galat
sisa <- residuals(REG)
shapiro.test(sisa)
## 
##  Shapiro-Wilk normality test
## 
## data:  sisa
## W = 0.94467, p-value = 0.002024

Melakukan uji shapiro pada obyek sisa

2.9 Uji Asumsi Homoskedastisitas

#uji homoskedastisitas ragam galat
library(lmtest)
## Warning: package 'lmtest' was built under R version 4.2.3
## Loading required package: zoo
## Warning: package 'zoo' was built under R version 4.2.3
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
bptest(REG)
## 
##  studentized Breusch-Pagan test
## 
## data:  REG
## BP = 0.72404, df = 3, p-value = 0.8675

Perintah untuk melakukan uji Breusch Pagan

2.10 Uji Asumsi Non-Autokorelasi

#uji non autokorelasi galat
dwtest(REG)
## 
##  Durbin-Watson test
## 
## data:  REG
## DW = 1.8911, p-value = 0.3034
## alternative hypothesis: true autocorrelation is greater than 0

Perintah untuk melakukan uji Durbin Watson

2.11 Uji Asumsi Non-Multikolinieritas

#Pendeteksian Multikolinieritas
library(car)
## Warning: package 'car' was built under R version 4.2.3
## Loading required package: carData
## Warning: package 'carData' was built under R version 4.2.3
vif(REG)
##       x1       x2       x3 
## 1.036108 1.119627 1.082088

Digunakan fungsi vif untuk mendeteksi multikolinieritas

3 HASIL DAN PEMBAHASAN

3.1 Analisis Regresi

3.1.1 Hipotesis

  1. Ekspektasi Pendapatan (\(X_1\))

\(H_0 : \beta_1\) = Ekspektasi Pendapatan (\(X_1\)) tidak mempunyai pengaruh yang signifikan secara parsial terhadap minat berusaha (Y).

\(H_1 : \beta_1\) = Ekspektasi Pendapatan (\(X_1\)) mempunyai pengaruh yang signifikan secara parsial terhadap minat berusaha (Y).

  1. Karakteristik Individu (\(X_2\))

\(H_0 : \beta_1\) = Karakteristik Individu (\(X_2\)) tidak mempunyai pengaruh yang signifikan secara parsial terhadap minat berusaha (Y).

\(H_1 : \beta_1\) = Karakteristik Individu (\(X_2\)) mempunyai pengaruh yang signifikan secara parsial terhadap minat berusaha (Y).

  1. Pendidikan Kewirausahaan (\(X_3\))

\(H_0 : \beta_1\) = Pendidikan Kewirausahaan (\(X_3\)) tidak mempunyai pengaruh yang signifikan secara parsial terhadap minat berusaha (Y).

\(H_1 : \beta_1\) = Pendidikan Kewirausahaan (\(X_3\)) mempunyai pengaruh yang signifikan secara parsial terhadap minat berusaha (Y).

3.1.2 Analisis Regresi Linier Berganda

Dari hasil analisis regresi didapatkan:

#Analisis Regresi Linier Bergenda Dengan Fungsi lm
library(readxl)

data<-read_excel("C:/Users/Asus/Desktop/MiniProjek.xlsx")
## New names:
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`
REG <- lm(y~x1+x2+x3,data=data) 
summary(REG)
## 
## Call:
## lm(formula = y ~ x1 + x2 + x3, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.7239 -1.3341 -0.1669  0.8573  8.5599 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  1.30343    3.64362   0.358 0.721564    
## x1           0.20985    0.08460   2.480 0.015396 *  
## x2           0.61864    0.16582   3.731 0.000372 ***
## x3           0.27534    0.09457   2.911 0.004751 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.472 on 74 degrees of freedom
## Multiple R-squared:  0.3611, Adjusted R-squared:  0.3352 
## F-statistic: 13.94 on 3 and 74 DF,  p-value: 2.701e-07

Berdasarkan summary diatas didapatkan model regresi linier berganda sebagai berikut: \[ Y = 1.30343 + 0.20985 X_1 + 0.61864 X_2 + 0.27534 X_3 \]

Persamaan diatas dapat dijelaskan sebagai berikut:

  1. Jika ekspektasi pendapatan naik 1 satuan, maka minat berusaha akan bertambah 0.20985 sedangkan variabel yang lain konstan.

  2. Jika karakteristik individu bertambah sebesar 1 satuan, maka minat berusaha akan bertambah 0.61864 sedangkan variabel yang lain tetap

  3. Jika pendidikan kewirausahaan naik sebesar 1 satuan, maka minat berusaha akan bertambah 0.27534 sedangkan variabel yang lain tetap

Dari ouput di atas dapat diketahui nilai R-Squared = 0.3611, dan Adjusted R-squared = 0.3352, dan nilai p sebesar = 2.701e-07

3.2 Uji Asumsi klasik

3.2.1 plot asumsi klasik

  1. plot Residuals vs Fitted
plot(REG,1)

Pada plot Residuals vs Fitted dapat disimpulkan bahwa ragam sisaan menyebar heterogen

  1. Q-Q plot
plot(REG,2)

Plot Normal Q-Q menunjukan tidak ada indikasi pelanggaran normalitas karena titik-titik berada mengelilingi garis dengan sudut 47 derajat antara sumbu X dan Y di kuadran 1

  1. Plot Scale – Location
plot(REG,3)

Dari Plot Scale – Location dapat dilihat ada kecurigaan ketidaksamaan ragam dan perlu dipastikan dengan uji karena garis merah tersebut membentuk kurva kuadrat dan lumayan ekstrim

3.2.2 Hasil Uji Asumsi Multikolinieritas

suatu data dikatakan terdapat multikolinieritas jika nilai vif>10, sedangkan suatu data dikatakan tidak terdapat multikolinieritas jika nilai vif<10 Dari perhitungan manual maupun perhitungan Rstudio menunjukan hasil:

#Pendeteksian Multikolinieritas
library(car)
vif(REG)
##       x1       x2       x3 
## 1.036108 1.119627 1.082088

karena nilai vif dari x1, x2, dan x3 < 10, maka dapat dikatakan bahwa data tersebut tidak terdapat multikolinieritas

3.2.3 Hasil Uji Asumsi Normalitas

3.2.3.1 jarque bera test dan shapiro test

Hipotesis

\(H_0\) : Sisaan menyebar normal

\(H_1\) : Sisaan tidak menyebar normal \[ \alpha = 0.05 \] Statistik Uji :

#uji normalitas galat
sisa<-residuals(REG)
library(tseries)
## Warning: package 'tseries' was built under R version 4.2.3
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
jarque.bera.test(sisa)
## 
##  Jarque Bera Test
## 
## data:  sisa
## X-squared = 18.571, df = 2, p-value = 9.277e-05
shapiro.test(sisa)
## 
##  Shapiro-Wilk normality test
## 
## data:  sisa
## W = 0.94467, p-value = 0.002024

Dari uji jarque bera didapatkan nilai p sebesar 9.277e-05 < \(\alpha(0.05)\), maka tolak \(H_0\). Dengan demikian dapat disimpulkan bahwa sisaan model tidak menyebar normal. Dari uji shapiro test, nilai p yang diperoleh sebesar 0.002024 yaitu lebih kecil dari \(\alpha(0.05)\), maka tolak \(H_0\). Dapat disimpulkan bahwa sisaan model tidak menyebar normal

3.2.4 Uji Homogenitas Ragam Sisaan

Hipotesis

\(H_0\) : Sisaan model memiliki ragam homogen

\(H_1\) : Sisaan model memiliki ragam heterogen

#Uji breusch pagan
library(lmtest)
bptest(REG)
## 
##  studentized Breusch-Pagan test
## 
## data:  REG
## BP = 0.72404, df = 3, p-value = 0.8675
#Plot Scale – Location 
plot(REG,1)

Dari ouput di atas, dapat diketahui bahwa nilai p sebesar 0.8675 > \(\alpha(0.05)\). Terima \(H_0\) Dengan demikian sisaan model memiliki ragam yang homogen

3.2.5 Uji Asumsi Autokorelasi

Hipotesis

\(H_0\) : Tidak terdapat autokorelasi antar residu

\(H_1\) : Terdapat autokorelasi antar residu

#Uji durbin watson
dwtest(REG)
## 
##  Durbin-Watson test
## 
## data:  REG
## DW = 1.8911, p-value = 0.3034
## alternative hypothesis: true autocorrelation is greater than 0

Dari ouput di atas dapat diketahui nilai p sebesar 0.3034 > \(\alpha(0.05)\). Terima \(H_0\) Dengan demikian dapat disimpulkan bahwa tidak terdapat masalah autokorelasi antar residu

3.3 Kesimpulan

  1. Berdasarkan Data yang digunakan, diperoleh model regresi linier berganda \[ Y = 1.30343 + 0.20985 X_1 + 0.61864 X_2 + 0.27534 X_3 \]

  2. Pada uji asumsi klasik, model regresi linier berganda ada kecurigaan ketidaksamaan ragam, sisaan model tidak menyebar normal, sisaan model memiliki ragam yang homogen

  3. Jika Indeks Pembangunan Manusia bertambah 1 satuan, maka persentase penduduk miskin di Jawa Timur akan berkurang 0.8671 sedangkan variabel yang lain konstan sehingga dapat dikatakan model memenuhi asumsi.

Jika Tingkat Pengangguran Terbuka naik sebesar 1 satuan, maka persentase penduduk miskin di Jawa Timur akan bertambah 0.3473 sedangkan variabel yang lain tetap

Jika Harapan Lama Sekolah naik sebesar 1 satuan, maka persentase penduduk miskin di Jawa Timur akan bertambah 0.3151 sedangkan variabel yang lain tetap

Dapat diketahui nilai R-Squared = 0.6478, dan Adjusted R-squared = 0.6167, dan nilai p sebesar = 7.669e-08

4 DAFTAR PUSTAKA

Bingham, N. H. & Fry, J. M. 2010. Regression Linear Models in Statistics. New York: Springer London Dordrecht Heidelberg.

BPS. 2014. “Tingkat Pengangguran Terbuka Tingkat Pengangguran Terbuka (TPT) sebesar 5,45 persen dan Rata-rata upah buruh sebesar 2,94 juta rupiah per bulan. pada tanggal 31 mei 2023

Imam Ghozali. (2011). Aplikasi Analisis Multivariate Dengan Program IBM SPSS19.Edisi 5. Semarang: Badan Penerbit UNDIP.

Kasmir.(2011). Kewirausahaan. Jakarta: PT. Raja Grafindo Persada.

Nugraha, P.S. (2018). PENGARUH EKSPETASI PENDAPATAN,KARAKTERISTIK INDIVIDU DAN PENDIDIKAN KEWIRAUSAHAAN TERHADAP MINAT BERWIRAUSAHA. skripsi. UNY

Paulus Patria Adhitama. 2014. “Faktor-Faktor yang Mempengaruhi Minat Berwirausaha (Studi Kasus Mahasiswa Fakultas Ekonomika dan Bisnis UNDIP, Semarang). Skripsi. UNDIP

Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. E. (2010). Probability and statistics for engineers and scientists (9th ed.). Pearson.