Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")

1 PENDAHULUAN

1.1 Latar Belakang

Lapangan pekerjaan memberikan dampak nyata dari kebijakan pembangunan dalam menentukan keberhasilan Pembangunan Ekonomi pada suatu negara. Analisis ini dilakukan untuk mengetahui pengaruh inflasi dan pertumbuhan ekonomi terhadap tingkat pengangguran di Indonesia, dengan metode analisis data regresi linear berganfa dan analisis model pengembangan.

1.2 Tinjauan Pustaka

1.2.1 ANALISIS REGRESI

Analisis regresi adalah analisis yang bertujuan untuk menjelaskan dan memodelkan hubungan antarvariabel. Terdapat variabel respons atau dependen (Y) dan variabel prediktor atau independen (X). Dalam persamaan regresi hanya terdapat 1 variabel respons, sedangkan untuk variabel prediktor bisa lebih dari 1. Model regresi memiliki fungsi utama sebagai deskripsi data, pemeriksaan parameter, prediksi, dan kontrol.

Regresi linier berganda adalah model regresi yang melibatkan lebih dari satu variabel prediktor untuk mengetahui seberapa besar pengaruh variabel prediktor tersebut terhadap variabel respons.

Persamaan Model Regresi Linier Berganda sebagai berikut; \[ Y = β_0 + β_1 X_1+β_2X_2+...+β_kX_k+ε \]

1.2.2 UJI HIPOTESIS

1.2.2.1 Uji SIMULTAN

Uji Simultan bertujuan untuk menguji apakah variabel prediktor berpengaruh secara keseluruhan atau serentak terhadap variabel respon atau tidak.

Hipotesis:

\(H_0: β_0 = β_1 = β_2 = 0\)

\(H_1:\) terdapat minimal satu \(β_i\) ≠ 0

Keputusan:

  • p-value < α, maka tolak \(H_0\). Dapat disimpulkan bahwa variabel prediktor berpengaruh terhadap variabel respon

  • p-value > α, maka terima \(H_0\). Dapat disimpulkan bahwa variabel prediktor tidak berpengaruh terhadap variabel respon.

1.2.2.2 UJI PARSIAL

Uji parsial bertujuan untuk menguji setiap variabel prediktor terhadap variabel respon. Dengan uji parsial dapat dilihat variabel prediktor yang berpengaruh secara signifikan terhadap variabel respon.

Hipotesis:

\(H_0: β_i = 0\)

\(H_0: β_i ≠ 0\)

Keputusan:

  • p-value < α, maka tolak \(H_0\). Dapat disimpulkan bahwa variabel prediktor berpengaruh terhadap variabel respon.

  • p-value > α, maka terima \(H_0\). Dapat disimpulkan bahwa variabel prediktor tidak berpengaruh terhadap variabel respon.

1.2.3 UJI ASUMSI

1.2.3.1 ASUMSI NORMALITAS

Uji Normalitas bertujuan untuk menguji apakah data berdistribusi normal atau tidak. Uji normalitas dapat dilakukan dengan uji Kolmogorov Smirnov, Shapiro Wilk, Q-Q Plot, dan lain-lain.

Hipotesis:

\(H_0\): residual berdistribusi normal

\(H_1\): residual tidak berdistribusi normal

Keputusan:

  • p-value < α, maka tolak \(H_0\). Dapat disimpulkan bahwa residual tidak berdistribusi normal.

  • p-value > α, maka terima \(H_0\). Dapat disimpulkan bahwa residual berdistribusi normal.

1.2.3.2 ASUMSI NONAUTOKORELASI

Uji Nonautokorelasi adalah uji yang digunakan untuk mengetahui apakah ada hubungan antar residual. Uji Nonautokorelasi bisa menggunakan uji Durbin Watson.

Hipotesis:

\(H_0: ρ = 0\)

\(H_0: ρ ≠ 0\)

Keputusan:

  • p-value < α, maka tolak \(H_0\). Dapat disimpulkan bahwa terdapat hubungan antar residual data atau terjadi autokorelasi pada residual.

  • p-value > α, maka terima \(H_0\). Dapat disimpulkan bahwa tidak terdapat hubungan antar residual data atau tidak terjadi autokorelasi pada residual.

1.2.3.3 ASUMSI NONMULTIKOLINIERITAS

Asumsi Nonmultikolinieritas adalah uji yang digunakan untuk melihat apakah antar variabel prediktor memiliki hubungan yang linier dalam model regresi. Pengujian asumsi nonmultikolinieritas digunakaan saat variabel prediktor lebih dari 1. Asumsi ini bisa dideteksi dengan melihat nilai VIF.

Keputusan:

Jika VIF > 10, maka terjadi multikolinieritas

1.2.3.4 HOMOSKEDASTISITAS

Uji Homoskedastitas adalah uji untuk melihat apakah ragam residual bersifat konstan atau tidak. Jika ragam dari data tidak konstan maka akan menyebabkan ragam residual meningkat dan analisi menjadi tidak efisien. Uji Homoskedastisitas bisa menggunakan Korelasi Rank Spearman atau dengan menggunakan grafik.

Hipotesis:

\(H_0: δ_2 = δ_3 = 0\)

\(H_0: Setidaknya ada satu δ_i ≠ 0\)

Keputusan:

  • p-value < α, maka tolak \(H_0\). Dapat disimpulkan bahwa ragam residual tidak bersifat homokedasitas.

  • p-value > α, maka terima \(H_0\). Dapat disimpulkan bahwa ragam residual bersifat homokedasitas.

1.3 Data

Data yang digunakan diambil dari Jurnal Ekonomi Sumberdaya dan Lingkungan, dengan judul Pengaruh Inflasi Dan Pertumbuhan Ekonomi Terhadap Tingkat Pengangguran Di Indonesia Periode 2001-2017. Dalam pengujian ini, terdapat 2 variabel prediktor yaitu variabel perkembangan inflasi dan pertumbuhan ekonomi. Data dapat diakses pada https://online-journal.unja.ac.id/JSEL/article/download/11946/10612

1.4 Tujuan

Tujuan dari analisis ini adalah mengetahui pengaruh antara inflasi dan pertumbuhan ekonomi dengan kualitas anggur merah.

2 SOURCE CODE

2.1 Library

> library(readr)
> library(lmtest)

2.2 Impor Data

> library(readr)
> data <- read.csv("C:/Kuliah/Semester 4/Komstat/perkembangan inflasi.csv", sep = ";")
> head(data)
  Tahun Tingkat.Pengangguran Inflasi Pertumbuhan.Ekonomi
1  2001                 8.10   12.55                3.32
2  2002                 9.06   10.03                3.70
3  2003                 9.67    5.06                4.10
4  2004                 9.86    6.40                5.10
5  2005                11.24   17.11                5.70
6  2006                10.28    6.60                5.48

2.3 STATISTIKA DESKRIPTIF

> summary(data)
     Tahun      Tingkat.Pengangguran    Inflasi       Pertumbuhan.Ekonomi
 Min.   :2001   Min.   : 5.500       Min.   : 2.780   Min.   :3.320      
 1st Qu.:2005   1st Qu.: 6.170       1st Qu.: 3.790   1st Qu.:4.880      
 Median :2009   Median : 7.870       Median : 6.590   Median :5.100      
 Mean   :2009   Mean   : 7.866       Mean   : 7.055   Mean   :5.222      
 3rd Qu.:2013   3rd Qu.: 9.110       3rd Qu.: 8.360   3rd Qu.:6.100      
 Max.   :2017   Max.   :11.240       Max.   :17.110   Max.   :6.500      
> plot(data$Inflasi, data$Tingkat.Pengangguran,
+      col = "cyan", xlab = "Persentase Perkembangan Inflasi", ylab = "Persentase Tingkat Pengangguran", pch = 10)

> plot(data$Pertumbuhan.Ekonomi, data$Tingkat.Pengangguran,
+      col = "cyan", xlab = "Persentase Pertumbugan Ekonomi", ylab = "Persentase Tingkat Pengangguran", pch = 10)

Jika plot membentuk suatu pola garis lurus, diasumsikan bahwa variabel-variabel X memiliki hubungan dengan variabel Y

2.4 REGRESI LINIER BERGANDA

2.4.1 ANALISIS REGRESI

> model = lm(Tingkat.Pengangguran ~ Inflasi + Pertumbuhan.Ekonomi, data = data)
> model$coefficients
        (Intercept)             Inflasi Pertumbuhan.Ekonomi 
         6.42518263          0.24236055         -0.05153098

2.5 UJI HIPOTESIS

2.5.1 UJI SIMULTAN

> anova(model)
Analysis of Variance Table

Response: Tingkat.Pengangguran
                    Df Sum Sq Mean Sq F value  Pr(>F)  
Inflasi              1 14.408 14.4075  5.4338 0.03521 *
Pertumbuhan.Ekonomi  1  0.037  0.0366  0.0138 0.90819  
Residuals           14 37.121  2.6515                  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

2.5.2 UJI PARSIAL

> summary(model)

Call:
lm(formula = Tingkat.Pengangguran ~ Inflasi + Pertumbuhan.Ekonomi, 
    data = data)

Residuals:
    Min      1Q  Median      3Q     Max 
-2.2532 -1.1957 -0.3962  1.0029  2.5376 

Coefficients:
                    Estimate Std. Error t value Pr(>|t|)  
(Intercept)          6.42518    2.50817   2.562   0.0226 *
Inflasi              0.24236    0.10500   2.308   0.0368 *
Pertumbuhan.Ekonomi -0.05153    0.43885  -0.117   0.9082  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.628 on 14 degrees of freedom
Multiple R-squared:  0.2801,    Adjusted R-squared:  0.1773 
F-statistic: 2.724 on 2 and 14 DF,  p-value: 0.1002

2.6 UJI ASUMSI

2.6.1 ASUMSI NORMALITAS

> residual = residuals(model)
> residual
         1          2          3          4          5          6          7 
-1.1957247  0.3946057  2.2297500  2.1465179  0.9617550  2.5376275  1.4123065 
         8          9         10         11         12         13         14 
-0.3961982  1.0029445 -0.6676731  0.4712223 -1.0162950 -1.9948046 -2.2531466 
        15         16         17 
-0.8056193 -1.2884260 -1.5388421 
> shapiro.test(residual)

    Shapiro-Wilk normality test

data:  residual
W = 0.9443, p-value = 0.3728

2.6.2 ASUMSI NONAUTOKORELASI

> library(lmtest)
> dwtest(model)

    Durbin-Watson test

data:  model
DW = 0.70047, p-value = 0.0001541
alternative hypothesis: true autocorrelation is greater than 0

2.6.3 ASUMSI NONMULTIKOLINIERITAS

> car::vif(model)
            Inflasi Pertumbuhan.Ekonomi 
           1.009831            1.009831

2.6.4 HOMOSKEDASTISITAS

> library(lmtest)
> bptest(model)

    studentized Breusch-Pagan test

data:  model
BP = 0.54923, df = 2, p-value = 0.7599

3 HASIL DAN PEMBAHASAN

3.1 Statistika Deskriptif

Berdasarkan Data yang digunakan, untuk tingkat inflasi paling tinggi adalah sebesar 17.11%, sedangkan tingkat inflasi paling rendah adalah sebesar 2.78%, dan berkisar pada 7.055%. Untuk tingkat pertumbuhan ekonomi paling tinggi yaitu sebesar 6.5%, sedangkan paling rendah sebesar 3.32%, dan berkisar pada 5.222%. Tingkat pengangguran paling tinggi berada pada 11.24%, sedangkan yang paling rendah sebesar 5.5%.

3.2 REGRESI LINIER BERGANDA

3.2.1 ANALISIS REGRESI

Dari pemodelan analisi regresi yang didapatkan bahwa rata-rata kualitas anggur merah ketika tidak ada pengaruh tingkat inflasi dan pertumbuhan ekonomi adalah 6.42518. Akan bertambah setiap bertambahnya 1 satuan inflasi sebesar 0.24236. Dan Akan berkurang setiap kenaikan 1 satuan pertumbuhan ekonomi sebesar 0.05153. Model Regresi Linier Berganda yang didapatkan sebagai berikut: \[ Y = 6.42518 + 0.24236 X_1 - 0.05153 X_2 \] ## Uji Hipotesis ###Uji Simultan Dari uji simultan yang telah dilakukan didapatkan p-value dari variabel perkembangan inflasi adalah 0.03521, dari hasil tersebut p-value lebih besar daripada α. Sedangkan untuk p-value pertumbuhan ekonomi adalah 0.90819, dari hasil tersebut p-value lebih kecil daripada α. Oleh karena itu, akan dilanjutkan dengan uji parsial dan uji asumsi untuk mengambil kesimpulan.

###Uji Parsial Dari uji parsial didapatkan p-value dari masing masing β masing-masing sebesar 0.0226, 0.0368, dan 0.9082. Dapat dilihat bahwa p-value dari β lebih kecil dari pada α adalah intersep dan inflasi. Oleh karena itu dapat disimpulkan bahwa \(β_0\) dan \(β_1\) berpengaruh secara parsial terhadap variabel respon dan model yang telah didapatkan bisa digunakan untuk memprediksi nilai variabel respon berikutnya.

3.3 Uji Asumsi

3.3.1 ASUMSI NORMALITAS

Dari uji asumsi normalitas dengan menggunakan Shapiro-Wilk test didapatkan p-value 0.3728. Didapatkan p-value lebih besar dar α, maka terima \(H_0\). Jadi dapat disimpulkan bahwa residual dari data berdistribusi normal.

3.3.2 ASUMSI NONAUTOKORELASI

Untuk menguji asumsi autokorelasi digunakan Durbin-Watson test, dengan Durbin_watson test didapatkan p-value 0.0001541. Didapatkan p-value kurang dari dari α, maka tolak \(H_0\). Jadi dapat disimpulkan bahwa terjadi autokorelasi.

3.3.3 ASUMSI NONMULTIKOLINIERITAS

Aumsi nonmultikolinieritas dapat dilihat dengan melihat besar VIF. didapatkan seluruh VIF dari masing-masing variabel prediktor 1.009831 dan 1.009831. Oleh karena itu, VIF<10 maka tidak terjadi multikolinieritas antar variabel prediktor.

3.3.4 ASUMSI HOMOSKEDASTISITAS

Untuk menguji asumsi homoskedastisitas digunakan Breusch-Pagan test. Didapatkan p-value, 0.7599 lebih besar daripada α, maka terima \(H_0\). Jadi dapat disimpulkan bahwa ragam dari residual konstan atau asumsi homoskedasitisitas terpenuhi.

4 KESIMPULAN

Setelah melakukan Analisis Regresi Linear Berganda untuk Mengetahui Pengaruh Inflasi dan Pertumbuhan Ekonomi terhadap Tingkat Pengangguran, dapat disimpulkan bahwa tidak kedua variabel dalam pengujian mempengaruhi Tingkat Pengangguran. Variabel yang mempengaruhi adalah Perkembangan Inflasi.

5 DAFTAR PUSTAKA

Aulia, R. I., Hodijah, S., & Umiyati, E. (2020). Pengaruh Inflasi Dan Pertumbuhan Ekonomi Terhadap Tingkat Pengangguran Di Indonesia Periode 2001-2017. Ekonomi Sumberdaya dan Lingkungan, 26-34.

Khasanah, U. (2021). Analisis Regresi