Library:
> #install.packages("knitr")
> #install.packages("rmarkdown")
> #install.packages("prettydoc")
> #install.packages("equatiomatic")BAB I PENDAHULUAN
1.1 Latar Belakang
Pendidikan merupakan hal terpenting dalam kemajuan bangsa. Kemajuan sebuah bangsa terlihat dari kualitas pendidikan yang ada. Saat ini kualitas pendidikan di Indonesia cukup memprihatinkan terlihat dari peringkat Indeks Pengembangan Manusia di Indonesia yang semakin menurun.Permasalahan yang dihadapi saat ini dalam dunia pendidikan adalah tidak tercapainya target pembangunan pendidikan. Tidak tercapainya target pembangunan pendidikan ini dilihat dari pendidikan yang belum merata, keterbatasan sarana dan prasarana, dan lain sebagainya.
Pendapatan merupakan hasil sumbangan yang berasal dari tenaga dan atau pemikiran yang telah diberikan. Pendapatan per kapita adalah indikator yang diturunkan dari angka Pendapatan Domestik Regional Bruto.
Seseorang yang belum mulai bekerja tetapi sudah termasuk dalam kategori angkatan kerja disebut dengan pengangguran. Angkatan kerja sendiri adalah orang dengan rentang usia 15 sampai dengan 65 tahun dan memiliki keinginan untuk bekerja dan sudah pantas bekerja tetapi kondisi kurang mendukung untuk mendapatkan pekerjaan. Banyak faktor yang menyebabkan seseorang menjadi pengangguran, contohnya di bidang pendidikan dan ekonomi. Maka dari itu akan dilakukan analisis agar dapat diketahui hubungan antara tingkat penyelesaian pendidikan dan pendapatan perkapita terhadapap tingkat pengangguran di Indonesia.
1.2 Rumusan Masalah
- Apakah terdapat hubungan antara tingkat penyelesaian pendidikan dan pendapatan perkapita terhadap tingkat pengangguran di Indonesia?
- Apakah terdapat hubungan antara tingkat penyelesaian pendidikan terhadap tingkat pengangguran di Indonesia?
- Apakah terdapat hubungan antara pendapatan per kapita terhadap tingkat pendidikan di Indonesia?
1.3 Tujuan
- Untuk mengetahui hubungan antara tingkat penyelesaian pendidikan dan pendapatan perkapita terhadap tingkat pengangguran di Indonesia.
- Untuk mengetahui hubungan antara tingkat penyelesaian pendidikan terhadap tingkat pengangguran di Indonesia.
- Untuk mengetahui hubungan antara pendapatan per kapita terhadap tingkat pendidikan di Indonesia.
BAB II TINJAUAN PUSTAKA
2.1 Statistika Deskriptif
Statistika Deskriptif merupakan statistika yang digunakan untuk menghimpun, mengatur, dan mengolah data untuk dapat disajikan dan memberikan gambaran jelas mengenai kondisi data yang diambil.
2.2 Analisis Regresi
Analisis Regresi merupakan salah satu konsep analisis regresi yang digunakan untuk mengetahui hubungan antar dua variabel, yaitu variabel respons dan variabel prediktor. Selain itu analisis regresi juga dapat digunakan untuk mengetahui seberapa kuat hubungan antara variabel respons dan prediktor tersebut.
2.3 Asumsi Klasik
2.3.1 Asumsi Normalitas
Asumsi normalitas adalah salah satu asumsi penting dalam statistika dan analisis data. Ini mengacu pada asumsi bahwa data yang diambil dari populasi atau sampel terdistribusi secara normal atau mendekati distribusi normal. Asumsi normalitas penting karena banyak teknik statistika klasik bergantung pada asumsi ini. Beberapa contoh di antaranya adalah uji hipotesis parametrik seperti uji t, analisis varians (ANOVA), regresi linear, dan banyak metode inferensi statistik lainnya. Untuk memverifikasi asumsi normalitas, berbagai metode tersedia, seperti uji normalitas seperti uji Kolmogorov-Smirnov, uji Shapiro-Wilk, atau uji Anderson-Darling. Hipotesis yang digunakan, yaitu :
2.3.2 Asumsi Homoskedastisitas
Asumsi homoskedastisitas (juga dikenal sebagai asumsi kesamaan varian) adalah asumsi statistik yang mengatakan bahwa variabilitas (varian) variabel terikat (respons) adalah konstan di semua tingkat variabel independen atau prediktor. Asumsi homoskedastisitas adalah penting karena banyak teknik inferensi statistik yang digunakan dalam analisis regresi didasarkan pada asumsi ini. Hipotesis yang digunakan, yaitu :
2.3.3 Asumsi Non-Multikolinieritas
Asumsi non-multikolinieritas adalah asumsi dalam analisis regresi yang mengatakan bahwa tidak ada hubungan linier sempurna antara dua atau lebih variabel prediktor (variabel independen) dalam model regresi. Multikolinieritas terjadi ketika ada korelasi tinggi antara variabel prediktor dalam model regresi. Hipotesis yang digunakan, yaitu :
2.3.4 Asumsi Non-Autokorelasi
Asumsi non-autokorelasi adalah asumsi dalam analisis regresi yang menyatakan bahwa tidak ada hubungan sistematis antara nilai residual (selisih antara nilai aktual dan nilai yang diprediksi oleh model) pada satu observasi dengan nilai residual pada observasi lainnya. Autokorelasi terjadi ketika ada pola atau hubungan dalam sisa-sisa model regresi yang tidak dijelaskan oleh variabel prediktor.Rumus yang digunakan, yaitu :
2.4 Uji Hipotesis
2.4.1 Uji Simultan
Uji simultan adalah prosedur statistik yang digunakan untuk menguji secara bersamaan signifikansi variabel prediktor secara keseluruhan dalam model regresi. Uji simultan berguna untuk mengevaluasi apakah setidaknya satu variabel prediktor secara keseluruhan memiliki pengaruh yang signifikan terhadap variabel terikat dalam model regresi. Hipotesis yang digunakan, yaitu :
2.4.2 Uji Parsial
Uji parsial adalah prosedur statistik yang digunakan untuk menguji secara individu signifikansi atau kontribusi dari masing-masing variabel prediktor dalam model regresi terhadap variabel terikat. Ini berbeda dari uji simultan yang menguji signifikansi secara keseluruhan dari semua variabel prediktor dalam model regresi. Hipotesis yang digunakan, yaitu :
BAB III DATA
Data yang digunakan adalah data yang bersumber dari Badan Pusat Statistik, yaitu mengenai penyelesaian pendidikan, pendapatan per kapita, dan tingkat pengangguran di setiap provinsi di Indonesia pada tahun 2022.
| Provinsi | Penyelesaian | |||||||
| Pendidikan | Pendapatan Per | |||||||
| Kapita | Pengangguran | |||||||
| ACEH | 70.67 | 39156.01 | 6.17 | |||||
| SUMATERA | ||||||||
| UTARA | 77.16 | 63194.18 | 6.16 | |||||
| SUMATERA | ||||||||
| BARAT | 65.96 | 50593.41 | 6.28 | |||||
| RIAU | 66.91 | 149914.13 | 4.37 | |||||
| JAMBI | 65.85 | 76096.40 | 4.59 | |||||
| SUMATERA | ||||||||
| SELATAN | 67.07 | 68338.10 | 4.63 | |||||
| BENGKULU | 64.88 | 43741.71 | 3.59 | |||||
| LAMPUNG | 62.42 | 45129.34 | 4.52 | |||||
| KEP. BANGKA | ||||||||
| BELITUNG | 66.87 | 63752.24 | 4.77 | |||||
| KEP. RIAU | 73.93 | 141682.65 | 8.23 | |||||
| DKI JAKARTA | 87.71 | 298359.97 | 7.18 | |||||
| JAWA BARAT | 67.05 | 49038.41 | 8.31 | |||||
| JAWA TENGAH | 58.75 | 42149.54 | 5.57 | |||||
| DI YOGYAKARTA | 87.92 | 44044.64 | 4.06 | |||||
| JAWA TIMUR | 66.87 | 66364.73 | 5.49 | |||||
| BANTEN | 66.02 | 60990.14 | 8.09 | |||||
| BALI | 76.59 | 55544.66 | 4.80 | |||||
| NUSA TENGGARA | ||||||||
| BARAT | 61 | 28672.54 | 2.89 | |||||
| NUSA TENGGARA | ||||||||
| TIMUR | 38.47 | 21718.26 | 3.54 | |||||
| KALIMANTAN | ||||||||
| BARAT | 58.4 | 46161.33 | 5.11 | |||||
| KALIMANTAN | ||||||||
| TENGAH | 61.88 | 72945.07 | 4.26 | |||||
| KALIMANTAN | ||||||||
| SELATAN | 67.81 | 60079.32 | 4.74 | |||||
| KALIMANTAN | ||||||||
| TIMUR | 74 | 238700.72 | 5.71 | |||||
| KALIMANTAN | ||||||||
| UTARA | 54.8 | 190611.1 | 4.33 | |||||
| SULAWESI | ||||||||
| UTARA | 66.66 | 59043.36 | 6.61 | |||||
| SULAWESI | ||||||||
| TENGAH | 53.73 | 105545.36 | 3.00 | |||||
| SULAWESI | ||||||||
| SELATAN | 68.32 | 65593.03 | 4.51 | |||||
| SULAWESI | ||||||||
| TENGGARA | 65.97 | 58764.27 | 3.36 | |||||
| GORONTALO | 45.12 | 39886.78 | 2.58 | |||||
| SULAWESI | ||||||||
| BARAT | 55.18 | 37070.31 | 2.34 | |||||
| MALUKU | 72.08 | 28533.85 | 6.88 | |||||
| MALUKU UTARA | 67.1 | 53741.05 | 3.98 | |||||
| PAPUA BARAT | 57.07 | 77149.68 | 5.37 | |||||
| PAPUA | 39.01 | 59411.79 | 2.83 | |||||
BAB IV SOURCE CODE
4.1 Library
> library(knitr)
> library(rmarkdown)
> library(tinytex)
> library(readxl)
> library(lmtest)
> library(car)4.2 Penjelasan Singkat Data
> data <- read.table(file = "clipboard", sep = "\t", header = TRUE)
> data
[1] prettydoc..html_pretty..null
<0 rows> (or 0-length row.names)
> str(data)
'data.frame': 0 obs. of 1 variable:
$ prettydoc..html_pretty..null: logi
> x1 <- data$Penyelesaian.Pendidikan
> x2 <- data$Pendapatan.Per.Kapita
> y <- data$PengangguranVariabel Penyelesaian Pendidikan, Pendapatan Per Kapita, dan
Pengangguran merupakan data bertipe numerik. Fungsi
read.table() digunakan untuk mengakses file
bertipe .xlsx . Namun sebelum menggunakan
fungsiread.table()terlebih dahulu data dicopy. Sedangkan
fungsi str() berfungsi untuk menampilkan jenis data dari
setiap variabel.
4.3 Scatterplot
> smoothScatter(x = x1, y = y, xlab = "Tingkat Penyelesaian Pendidikan", ylab = "Tingkat Pengangguran", main = "Gambar 1. Hubungan Tingkat Penyelesaian Pendidikan Terhadap Tingkat Pengangguran di Indonesia")
Error in if (!missing(bandwidth) && min(bandwidth) <= 0) stop("'bandwidth' must be strictly positive"): missing value where TRUE/FALSE needed
> smoothScatter(x = x2, y = y, xlab = "Pendapatan Per Kapita", ylab = "Tingkat Pengangguran", main = "Gambar 1. Hubungan Pendapatan Per Kapita Terhadap Tingkat Pengangguran di Indonesia")
Error in if (!missing(bandwidth) && min(bandwidth) <= 0) stop("'bandwidth' must be strictly positive"): missing value where TRUE/FALSE neededFungsi smoothScatter() digunakan untuk menggambarkan
hubungan antara variabel prediktor dan variabel respons. Argumen yang
digunakan pada fungsi smoothScatter() , yaitu variabel x,
variabel y, nama sumbu x, nama sumbu y, dan nama grafik.
4.4 Model Regresi Linier Berganda
> anreg1 <- lm(Pengangguran~Penyelesaian.Pendidikan+Pendapatan.Per.Kapita, data=data)
Error in eval(predvars, data, env): object 'Pengangguran' not found
> anreg1
Error in eval(expr, envir, enclos): object 'anreg1' not foundPenggunaan fungsi lm() dengan argumen variabel y
(variabel respons), variabel x1, variabel x2, dan data yang akan
digunakan memiliki tujuan untuk menemukan hasil analisis regresi linier
berganda.
4.5 Statistika Deskriptif
> anreg1 <- lm(Pengangguran~Penyelesaian.Pendidikan+Pendapatan.Per.Kapita, data=data)
Error in eval(predvars, data, env): object 'Pengangguran' not found
> summary(anreg1)
Error in summary(anreg1): object 'anreg1' not foundUntuk mengetahui ringkasan suatu model regresi dapat menggunakan
fungsi summary() dan argumen yang digunakan adalah nama
model regresi yang sebelumnya telah didefinisikan terlebih dahulu.
4.6 Asumsi Klasik
4.6.1 Asumsi Normalitas (Uji Kolmogorov-Smirnov)
> ks.test(anreg1$residuals,"pnorm")
Error in ks.test(anreg1$residuals, "pnorm"): object 'anreg1' not foundUntuk menguji apakah suatu data menyebar normal dapat digunakan
fungsi ks.test() atau uji kolmogorov smirnov dan argumen
yang diperlukan adalah residuals jenis distribusi.
4.6.2 Asumsi Homoskedastisitas
> bptest(anreg1)
Error in bptest(anreg1): object 'anreg1' not foundJika ingin diketahui apakah variabilitas (varian) variabel terikat
(respons) adalah konstan di semua tingkat variabel independen atau
prediktor fungsi yang dapat digunakan, yaitu
bptest(anreg1). Anreg1 merupakan argumen yang diperlukan
untuk melakukan uji asumsi homoskedastisitas atau uji breusch-pagan.
4.6.3 Asumsi Non-Multikolinieritas
> vif(anreg1)
Error in vif(anreg1): object 'anreg1' not foundUji asumsi non-multikolinieritas dapat digunakan jika ingin diketahui
apakah benar tidak ada hubungan linier sempurna antara dua atau lebih
variabel prediktor (variabel independen) dalam model regresi. Fungsi
yang dapat digunakan untuk mengetahui keputusannya adalah
vif() dengan argumen yang masih sama seperti
sebelumnya.
4.6.4 Asumsi Non-Autokorelasi
> dwtest(anreg1)
Error in dwtest(anreg1): object 'anreg1' not foundFungsi yang dapat digunakan untuk menguji asumsi non-autokorelasi
atau uji durbin-watson, yaitu dwtest() dengan argumen yang
juga masih sama seperti sebelumnya, yaitu data yang telah
didefinisikan.
BAB V HASIL DAN PEMBAHASAN
5.1 Scatterplot
Berikut merupakan scatterplot variabel X1 dan Y, terlihat bahwa antara variabel X1 dan variabel Y tidak terdapat hubungan yang linier.
Berikut merupakan scatterplot dari variabel X2 dan Y, terlihat bahwa terdapat sedikit hubungan linier.
5.2 Model Regresi Linier Berganda
Berdasarkan hasil output di atas didapatkan model regresi linier berganda yang terbentuk, yaitu :
Dari model regresi linier berganda yang terbentuk dapat diambil kesimpulan, jika X1 (Penyelesaian Pendidikan) dan X2 (Pendapatan Per Kapita) bernilai nol maka variabel Y (Pengangguran) akan bernilai 0.02055. Sedangkan jika variabel X1 (Penyelesaian Pendidikan) bertambah sebesar satu satuan maka variabel Y akan bertambah sebesar 0.007367 dengan catatan X2 (Pendapatan Per Kapita) bernilai nol atau konstan. Begitu juga jika variabel X2 (Pendapatan Per Kapita) bertambah sebesar satu satuan maka variabel Y juga akan bertambah sebesar 0.000002356 dengan variabel X1 bernilai konstan.
5.3 Statistika Deskriptif
Berdasarkan output yang dihasilkan dapat disimpulkan beberapa hal, yaitu :
Min : Residuals paling rendah pada data penelitian mengenai tingkat pengangguran adalah -2.5416.
1Q : Terdapat 8 atau 9 data penelitian ini yang memiliki residuals bernilai kurang dari -0.9145.
Median : Terdapat 17 data penelitian yang memiliki residuals kurang dari atau sama dengan -0.2650.
3Q : Terdapat 8 atau 9 data penelitian ini yang memiliki residual bernilai lebih dari 0.8076.
Max : Residuals paling tinggi pada data penelitian mengenai tingkat pengangguran adalah 3.2342.
5.4 Asumsi Klasik
5.4.1 Asumsi Normalitas (Uji Kolmogorov-Smirnov)
Dari output yang dihasilkan terlihat bahwa nilai p sebesar 0.3258 yang artinya nilai p > yaitu 0.05 dan didapatkan keputusan gagal tolak H0, maka dapat diambil kesimpulan bahwa dengan taraf nyata 5% sudah cukup bukti untuk menyatakan bahwa galat berdistribusi normal sehingga memenuhi asumsi normalitas.
5.4.2 Asumsi Homoskedastisitas
Dari output yang dihasilkan terlihat bahwa nilai p sebesar 0.1527 yang artinya nilai p > yaitu 0.05 dan didapatkan keputusan gagal tolak H0, maka dapat diambil kesimpulan bahwa dengan taraf nyata 5% sudah cukup bukti untuk menyatakan bahwa nilai ragam sama dan memenuhi asumsi homoskedastisitas.
5.4.3 Asumsi Non-Multikolinieritas
Dari output yang dihasilkan terlihat bahwa nilai VIF dari kedua variabel, yaitu variabel X1 dan variabel X2 < 10, maka dapat diambil kesimpulan bahwa data penelitian ini memenuhi asumsu non-multikolinieritas.
5.4.4 Asumsi Non-Autokorelasi
Dari output yang dihasilkan terlihat bahwa nilai p sebesar 0.5793 yang artinya nilai p > yaitu 0.05 dan didapatkan keputusan gagal tolak H0, maka dapat diambil kesimpulan bahwa dengan taraf nyata 5% sudah cukup bukti untuk menyatakan bahwa data penelitian ini juga memenuhi asumsi non-autokorelasi.
5.5 Uji Hipotesis
5.5.1 Uji Simultan
Dari output yang telah dihasilkan didapatkan nilai p sebesar 0.005136 yang artinya nilai p < dan didapatkan keputusan tolak H0, maka dapat disimpulkan bahwa dengan taraf nyata 5% sudah cukup bukti untuk menyatakan bahwa variabel X1 dan variabel X2 berpengaruh secara simultan terhadap variabel Y.
5.5.1 Uji Parsial
Variabel X1 (Penyelesaian Pendidikan)
Dari output yang telah dihasilkan didapatkan nilai p sebesar 0.00409 yang artinya nilai p < dan didapatkan keputusan tolak H0, maka dapat disimpulkan bahwa dengan taraf nyata 5% sudah cukup bukti untuk menyatakan bahwa Tingkat Penyelesaian Pendidikan berpengaruh secara parsial terhadap Tingkat Pengangguran di Indonesia.
Variabel X2 (Pendapatan Per Kapita)
Dari output yang telah dihasilkan didapatkan nilai p sebesar 0.58500 yang artinya nilai p > dan didapatkan keputusan gagal tolak H0, maka dapat disimpulkan bahwa dengan taraf nyata 5% belum cukup bukti untuk menyatakan bahwa Pendapatan Per Kapita berpengaruh secara parsial terhadap Tingkat Pengangguran di Indonesia.
BAB VI KESIMPULAN
Berdasarkan hasil yang telah didapatkan dan juga pembahasan yang telah dijabarkan sebelumnya, dapat ditarik kesimpulan bahwa data penelitian ini memenuhi semua asumsi, yaitu asumsi normalitas, asumsi homoskedastisitas, asumsi non-multikolinieritas, dan juga asumsi non-autokorelasi. Selain itu variabel X1 dan variabel X2 berpengaruh secara simultan terhadap variabel Y. Namun variabel X2 tidak berpengaruh secara parsial terhadap variabel Y dan variabel X1 berpengaruh secata parsial terhadap variabel Y.
Tak hanya itu, dari hasil dan juga pembahasan didapatkan pula model regresi berganda dari data penelitian mengenai Hubungan Penyelesaian Pendidikan dan Pendapatan Per Kapita Terhadap Pengangguran di Indonesia, yakni :
BAB VII DAFTAR PUSTAKA
https://www.bps.go.id/indicator/52/288/1/-seri-2010-produk-domestik-regional-bruto-per-kapita.html
Ginting, E. V., dkk. (2022). Analisis Faktor Tidak Meratanya Pendidikan di SDN0704 Sungai Korang. Jurnal Pendidikan Indonesia. (Vol. 3, No. 4).
Yudanto, D., Rochaida, E., dan Priyagus. (2020). Pengaruh Pendapatan PerKapita dan Inflasi serta Suku Bunga Terhadap Konsumsi Rumah Tangga Makanan dan Non Makanan serta Pengaruhnya Terhadap Kesejahteraan Masyarakat. (Vol. 17, No. 2).