1.1 1.1. Latar Belakang

Kemiskinan adalah masalah sosial yang kompleks dan berkelanjutan di Provinsi Kalimantan Timur, terutama di wilayah pedesaan. Tingkat kemiskinan di provinsi tersebut masih tinggi dan menjadi perhatian utama pemerintah. Untuk mengatasi masalah ini pemerintah telah mengembangkan berbagai strategi termasuk meningkatkan Indeks Pembangunan Manusia (IPM) dan mengurangi tingkat pengangguran terbuka.

IPM adalah suatu indeks yang mengukur kemajuan manusia dalam berbagai aspek seperti pendidikan, kesehatan, dan ekonomi. Tingkat pengangguran terbuka sebaliknya, adalah suatu indikator yang menunjukkan kemampuan masyarakat dalam menemukan pekerjaan. Kedua variabel ini memiliki hubungan yang signifikan dengan tingkat kemiskinan karena IPM dapat meningkatkan kemampuan masyarakat dalam memenuhi kebutuhan dasarnya, sedangkan tingkat pengangguran terbuka dapat mengurangi kesempatan masyarakat untuk mencari pekerjaan dan meningkatkan kemiskinan.

Penelitian ini bertujuan untuk mengetahui dan menganalisis pengaruh IPM dan tingkat pengangguran terbuka terhadap persentase penduduk miskin di Provinsi Kalimantan Timur. Dengan menggunakan analisis regresi berganda, penelitian ini akan menentukan seberapa besar pengaruh kedua variabel independen tersebut terhadap persentase penduduk miskin. Hasil penelitian ini diharapkan dapat memberikan kontribusi pada upaya pemerintah dalam mengurangi tingkat kemiskinan di Provinsi Kalimantan Timur.

2.1 Analisis Regresi Berganda

Regresi linier adalah suatu metode yang digunakan untuk menyatakan pada hubungan antara variabel respon dengan variabel prediktor. Bila variabel prediktor berjumlah lebih dari satu sehingga digunakan analisis regresi linier berganda. Pengamatan sebanyak \(n\) dengan variabel predikto (x) sebanyak \(p\) maka model regresi dituliskan sebagai berikut(Walpole dan Myers, 1995) :

Model Regresi Berganda \[ Y_{i}=\beta_{0} + \beta_{1}x_{1} +\beta_{2}x_{2}+\beta_{3}x_{3}+...+\beta_{n}x_{n}+\varepsilon_{i} \]

• \(Y_i\) = Variabel dependen

• \(\beta_i\) = Koefisien regresi

• \(X_i\) = Variabel independen

• \(\varepsilon_i\) = Sisaan

3.1 3.1. Library

> # Library
> # install.packages("readr")
> # install.packages("tseries")
> # install.packages("lmtest")
> # install.packages("car")

Berikut merupakan package yang harus diinstal untuk melakukan analisis regresi berganda

3.2 3.2. Data Analisis

> library(readxl)
> data <- read_excel("C:/Users/DINDA AYU SAFIRA/Downloads/data_anreglan.xlsx", 
+     col_types = c("numeric", "numeric", "numeric"))
> View(data)

Data yang digunakan yaitu data kabupaten/kota di Provinsi Kalimantan Timur pada tahun 2023. Pada penelitian ini sumber data yang digunakan yaitu data sekunder yang didapatkan dari Badan Pusat Statistik yaitu IPM(\(X_1\)), Tingkat Penganguran terbuka(\(X_2\)) dan Penduduk Miskin(\(Y\)).

4.1 Analisis Regresi Berganda

Berdasarkan Data yang digunakan, didapatkan pemodelan regresi linier berganda sebagai berikut:

> library(lmtest)
> regresi= lm(PPM~IPM+TPT, data = data)
> summary(regresi)

Call:
lm(formula = PPM ~ IPM + TPT, data = data)

Residuals:
    Min      1Q  Median      3Q     Max 
-1.5632 -0.6881  0.1350  0.4880  1.9729 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  64.3496     9.3189   6.905 0.000230 ***
IPM          -0.7878     0.1367  -5.764 0.000688 ***
TPT           0.5646     0.3175   1.778 0.118588    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.159 on 7 degrees of freedom
Multiple R-squared:  0.8711,    Adjusted R-squared:  0.8342 
F-statistic: 23.64 on 2 and 7 DF,  p-value: 0.0007697

Didapatkan model regresi seperti berikut:

\[ Y_i = 64.3496 - 0.7878 (IPM) + 0.5646 (TPT) \]

4.2 Uji Asumsi

> dwtest(regresi)

    Durbin-Watson test

data:  regresi
DW = 2.7232, p-value = 0.859
alternative hypothesis: true autocorrelation is greater than 0

> library(tseries)
> sisa <- residuals(regresi)
> jarque.bera.test(sisa)

    Jarque Bera Test

data:  sisa
X-squared = 0.15738, df = 2, p-value = 0.9243

> library(lmtest)
> bptest(regresi)

    studentized Breusch-Pagan test

data:  regresi
BP = 4.3718, df = 2, p-value = 0.1124

> library(car)
> vif(regresi)
     IPM      TPT 
2.236337 2.236337