BAB 1 PENDAHULUAN

1.1 Latar Belakang

Jawa Tengah merupakan provinsi terpadat ketiga di Indonesia. Provinsi ini terus mengalami peningkatan dalam berbagai aspek setiap tahunnya. Sebagai provinsi yang padat penduduk, perekonomian di kota ini pun mengalami dinamika yang beragam. Hal tersebut tentu juga berkaitan dengan penyerapan tenaga kerja. Jumlah tenaga kerja di Jawa Tengah terus mengalami peningkatan dari tahun ke tahun. Kepadatan penduduk di Jawa Tengah pada tahun 2020 mencapai 1.113,27 jiwa/km².

Penyerapan tenaga kerja dapat diartikan sebagai pembukaan lapangan pekerjaan yang lebih luas agar dapat memberikan kesempatan kerja bagi penduduk usia produktif. Bertambahnya jumlah penduduk akan menyebabkan bertambahnya penduduk yang bekerja dan yang menganggur. Terdapat berbagai faktor yang dapat mempengaruhi penyerapan tenaga kerja. Diantaranya yaitu Produk Domestik Regional Bruto (PDRB) dan Jumlah Penduduk (JP). Penelitian ini ingin mencari tahu pengaruh yang dihasilkan oleh PDRB dan JP dengan penyerapan tenaga kerja.

Analisis yang digunakan dalam penelitian ini yaitu analisis regresi linear berganda. analisis regresi linear berganda digunakan karena ingin mencari tahu pengaruh antar lebih dari satu variabel predictor dengan variabel respon. Produk Domestik Regional Bruto (PDRB) dan Jumlah Penduduk (JP) merupakan dua varaibel prediktor Penelitian ini juga akan mencari tahu hubungan yang terjadi antara setiap variabel yang diteliti.

BAB 2 TINJAUAN PUSTAKA

2.1 Analisis Regresi Linear Berganda

Analisis regresi linear berganda adalah teknik regresi yang memiliki banyak variabel bebas. Satu diantara keunggulan analisis regresi linear berganda mampu menduga keadaan di masa depan melalui pengukuran beberapa variabel bebas (X) dengan variabel tidak bebas (Y). Regresi linear berganda memiliki model sebagai berikut : \[ y ̂_i=β_0+β_1 X_1i+β_2 X_2i+⋯+β_p X_pi \]

2.2 Pengujian Parameter Model

2.2.1 Uji Simultan (F)

uji F dilakukan untuk melihat pengaruh dari seluruh variabel bebas secara bersama-sama atau simultan terhadap variabel terikat. Pengujian hipotesis simultan dapat dilakukan dengan membandingkan nilai F statistics atau Fhitung dengan nilai F pada tabel distribusi F. Variabel-variabel bebas dikatakan memiliki pengaruh secara bersama-sama terhadap variabel terikat, jika nilai Fhitung lebih besar dari pada nilai Ftabel dengan alfa 5% ataupun saat p-value kurang dari alfa. Hipotesis: \[ H_{1}:\beta_{jk} \ne 0 \]

2.2.2 Uji Parsial (t)

Uji t dilakukan untuk menguji hipotesis penelitian mengenai pengaruh dari masing-masing variabel bebas secara parsial terhadap variabel terikat. Variabel bebas dikatakan memiliki pengaruh yang signifikan terhadap variabel terikat secara parsial ketika nilai T-statistics atau thitung lebih besar dari pada nilai t-tabel dengan alfa sebesar 5% (α = 0.05) atau saat p-value kurang dari alfa. Hipotesis: \[ H_0:β_p=0 H_1:β_p≠0 \]

2.2.3 Koefisien Determinasi

Koefisien determinasi (R²) bertujuan untuk mengukur seberapa besar kemampuan variabel prediktor pada model secara bersama–sama dalam mempengaruhi variabel respon yang dapat diindikasikan oleh nilai R-Square. Nilai koefisien determinasi adalah antara 0 dan 1, nilai koefisien determinasi yang kecil memiliki arti bahwa kemampuan variabel-variabel prediktor dalam menjelaskan variabel respon sangat terbatas.

2.3 Uji Asumsi Klasik

2.3.1 Asumsi normalitas

Asumsi normalitas dimaksudkan untuk mengetahui apakah nilai residual yang telah distandarisasi pada model regresi berdistribusi normal atau tidak. Nilai residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya. Uji normalitas yang nantinya akan digunakan yaitu Shapiro Wilk karena jumlah data <30. Hipotesis : \[ H_0 : \qquad \text{galat berdistribusi normal} \\ H_1 : \qquad \text{galat tidak berdistribusi normal} \] Kriteria Pengujian:P-value > 0.05 maka terima hipotesis nol

2.3.2 Asumsi Heteroskedastisitas

Heteroskedastisitas adalah kondisi dimana dalam suatu model regresi linear berganda terjadi ketidaksamaan varians dari residual satu observasi ke observasi lain. Apabila varians dari residual satu observasi ke observasi yang lain tetap maka disebut homoskedastisitas. Sedangkan, apabila varians dari residual satu observasi ke observasi lain berbeda maka disebut heteroskedastisitas. Model regresi yang baik adalah homoskedastisitas. Cara untuk mengetahui ada tidaknya heteroskedastisitas dalam satu model regresi linear berganda dapat menggunakan uji Breusch Pagan. Hipotesis: \[ H_0 : \qquad \text{ Ragam galat homogen } \\ H_1 : \qquad \text{ Ragam galat tidak konstan} \] Kriteria Pengujian:P-value > 0.05 maka terima hipotesis nol

2.3.3 Asumsi Nonautokorelasi

Autokorelasi merupakan keadaan dimana pada model regresi ada korelasi antara residual pada periode t dengan residual pada periode sebelumnya (t-1). Model regresi yang baik adalah yang tidak adanya autokorelasi. Uji autokorelasi dapat dilakukan dengan pengujian Durbin Watson (DW). \[ H_0 : \qquad \text{ Tidak terdapat masalah autokorelasi } \\ H_1 : \qquad \text{ terdapat masalah autokorelasi } \] Kriteria Pengujian:P-value > 0.05 maka terima hipotesis nol

2.3.4 Asumsi Nonmultikolinearitas

Multikolinearitas merupakan keadaan dimana terjadi hubungan linear yang sempurna atau mendekati antar variabel independen dalam model regresi. Suatu model regresi dikatakan mengalami multikolinearitas jika ada fungsi linear yang sempurna pada beberapa atau semua independen variabel dalam fungsi linear. Gejala adanya multikoliniearitas antara lain dengan melihat nilai Variance Inflation Factor (VIF) dan Tolerance nya. Jika nilai VIF < 10 dan Tolerance > 0,1 maka dinyatakan tidak terjadi multikolinearitas.

BAB 3 SOURCE CODE

3.1 Input Data

> setwd("C:/Users/ASUS/Documents/Akademik/Semester 4/Komstat/Praktikum")
> tenker<-read.csv("tenaga_kerja.csv",header=TRUE,sep=",")
> tenker
   No     TK     PDRB      JP
1   1 466173 15045885 1017767
2   5 595203 19526363 1350438
3   6 378951 13132492  769880
4   7 405187 13569634  879124
5   8 405187 13569634  879124
6   9 549582 22399518 1062713
7  10 606253 27482913 1260506
8  11 454419 26616937  907587
9  12 557865 20561602 1043177
10 13 484423 26142873  931963
11 14 458856 26367261  976951
12 15 710909 19379684 1453526
13 16 468013 17464948  884333
14 17 314797 13409631  645333
15 18 607706 30545614 1324188
16 19 483983 70662043  849184
17 20 634386 20969877 1184947
18 21 574602 18374562 1203956
19 22 600322 34687623 1053094
20 23 343400 14890753  790174
21 24 493062 30443689 1018505
22 25 387741 15030577  801718
23 26 446922 16047512  968821
24 27 589786 18146605 1471489
25 28 644978 24502619 1596996

Data yang digunakan adalah data pada 28 kabupaten di Jawa Tengah pada tahun 2020. Data bersumber dari skripsi yang berjudul “Pengaruh Produk Domestik Regional Bruto (PDRB), Jumlah Penduduk, Indeks Pembangunan Manusia (IPM), dan Upah Minimum Terhadap Penyerapan Tenaga Kerja di Provinsi Jawa Tengah Tahun 2010–2020”. Data dari skripsi tersebut diambil dari website Badan Pusat Statistik (BPS). Terdapat satu variabel respon dan dua variabel prediktor dengan rincian sebagai berikut : TK (Y) = Penyerapan Tenaga Kerja (Jiwa) PDRB (X1) = Produk Domestik Regional Bruto (Juta Rupiah) JP (X2) = Jumlah Penduduk (Jiwa)

3.2 Model Regresi Linier Berganda

3.2.1 Model Regresi Linier Berganda

> # Membentuk model regresi
> mod<-lm(TK~PDRB+JP, data=tenker)
> summary(mod)

Call:
lm(formula = TK ~ PDRB + JP, data = tenker)

Residuals:
   Min     1Q Median     3Q    Max 
-69851 -19544 -13468  18854  81245 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 6.915e+04  4.048e+04   1.708   0.1017    
PDRB        1.759e-03  7.284e-04   2.415   0.0245 *  
JP          3.773e-01  3.488e-02  10.817 2.84e-10 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 41770 on 22 degrees of freedom
Multiple R-squared:  0.8508,    Adjusted R-squared:  0.8372 
F-statistic: 62.73 on 2 and 22 DF,  p-value: 8.148e-10

3.2.2 Residual Model

> #Residual model
> sisa<-residuals(mod)
> sisa
         1          2          3          4          5          6          7 
-13467.616 -17842.197  -3791.034 -19544.059 -19544.059  40048.275  13146.672 
         8          9         10         11         12         13         14 
 -4000.133  58935.269  17640.081 -25296.544  59224.432  34465.164 -21438.173 
        15         16         17         18         19         20         21 
-14815.800 -29868.510  81245.245  18853.526  72804.695 -50091.938 -13939.637 
        22         23         24         25 
-10352.673 -16011.938 -66507.590 -69851.459

3.3 Asumsi Klasik

3.3.1 Asumsi Normalitas

> #asumsi normalitas
> shapiro.test(sisa)

    Shapiro-Wilk normality test

data:  sisa
W = 0.94207, p-value = 0.1652

3.3.2 Asumsi Homoskedastisitas

> #Homoskedastisitas
> library(lmtest)
> bptest(mod)

    studentized Breusch-Pagan test

data:  mod
BP = 5.6534, df = 2, p-value = 0.05921

3.3.3 Asumsi Nonautokorelasi

> # Nonautokorelasi
> library(lmtest)
> dwtest(mod)

    Durbin-Watson test

data:  mod
DW = 1.6115, p-value = 0.1482
alternative hypothesis: true autocorrelation is greater than 0

3.3.4 Asumsi Nonmultikolinieritas

> #Nonmultikolinieritas 
> library(car)
> vif(mod)
    PDRB       JP 
1.002054 1.002054

BAB 4 HASIL DAN PEMBAHASAN

4.1 Interpretasi Model Regresi

Dari analisis yang dilakukan, didapakan model regresi sebagai berikut:

\[ y ̂_i=0.0006915+0.001759X1+0.3773X2 \] Apabila Produk Domestik Regional Bruto (PDRB) dan Jumlah penduduk (JP) bernilai 0, maka penyerapan tenaga kerja sebsesar 0.0006915. Kenaikan PDRB sebesar 1 satuan akan menyebabkan kenaikan penyerapan tenaga kerja sebesar 0.001759. Kenaikan jumlah penduduk (JP) sebesar 1 satuan akan menyebabkan kenaikan penyerapan tenaga kerja sebesar 0.3773.

4.2 Interpretasi Pengujian Paramaeter

4.2.1 Uji Simultan (F)

Nilai F-statistics sebesar 62.73 dan p-value sebesar 8.148e-10. P-value (8.148e-10) kurang dari α (0.05) sehingga dapat disimpulkan dengan taraf nyata 5% secara simultan Produk Domestik Regional Bruto (PDRB) dan Jumlah Penduduk (JP) berpengaruh terhadap penyerapan tenaga kerja

4.2.2 Uji Parsial (t)

  1. Variabel prediktor x1 Untuk variabel Produk Domestik Regional Bruto (PDRB), diperoleh nilai t-value sebesar 2.415 dengan p-value 0.0245. P-value(0.0245) kurang dari α (0.05) sehingga dapat disimpulakan dengan taraf nyata 5% secara parsial Produk Domestik Regional Bruto (PDRB) berpengaruh terhadap penyerapan tenaga kerja.
  2. Variabel prediktor x2 Untuk variabel Jumlah Penduduk(JP), diperoleh nilai t-value sebesar 10.817 dengan p-value 2.84e-10. P-value(2.84e-10) kurang dari α (0.05) sehingga dapat disimpulakan dengan taraf nyata 5% secara parsial Jumlah Penduduk(JP) berpengaruh terhadap penyerapan tenaga kerja.

4.2.3 Koefisien Determinasi

Nilai R-squared sebesar 0.8372 yang berarti bahwa variabel Produk Domestik Regional Bruto (PDRB) dan Jumlah Penduduk (JP) dapat menjelaskan hubungan terhadap penyerapan tenaga kerja sebesar 83.72%

4.3 Asumsi Klasik

4.3.1 Asumsi Normalitas

Pengujian asumsi normalitas menggunakan Uji Shapiro Wilk dieroleh nilai statistik uji W sebesar 0.94207 dan p-value sebesar 0.1652. P-value (0.1652) lebih dari α (0.05) sehingga dapat disimpulkan bahwa residual berdistribusi normal. Hal tersebut berarti model memenuhi asumsi normalitas.

4.3.2 Asumsi Homoskedastisitas

Pengujian asumsi Homoskedastisitas menggunakan Uji Breusch Pagan diperoleh nilai statistik uji BP sebesar 5.6534 dan p-value sebesar 0.05921. P-value( 0.05921) lebih dari α (0.05) sehingga dapat disimpulkan ragam galat homogen. Hal tersebut berarti model memenuhi asumsi Homoskedastisitas.

4.3.3 Asumsi Nonautokorelasi

Pengujian asumsi nonaturokelasi menggunakan uji Durbin Watson diperoleh statistik uji DW sebesar 1.6115 dan p-value sebesar 0.1482.P-value (0.1482) lebih besar dari α (0.05) sehingga dapat disimpulkan tidak terdapat masalah autokorelasi Nonautokorelasi. Hal tersebut berarti model memenuhi asumsi Nonautokorelasi.

4.3.4 Asumsi Nonmultikolinearitas

Pemeriksaan asumsi Nonmultikolinearitas menggunakan nilai VIF. NIlai VIF untuk setiap variabel sebesar 1.002054. Nilai VIF tersebut lebih dari 1 dan kurang dari 10 sehingga dapat disimpukan bahwa pada kedua variabel tersebut tidak terdapat multikolinearitas. Hal tersebut berarti model memenuhi asumsi Nonmultikolinearitas.

BAB 5 KESIMPULAN

Beradasarkan analisis regresi linear berganda yang dilakukan, diperoleh model yang dapat menjelaskan pengaruh Produk Domestik Regional Bruto (PDRB) dan Jumlah Penduduk terhadap Penyerapan Tenaga kerja di Jawa Tengah pada Tahun 2020. Kedua variabel prediktor memberikan pengaruh yang signifikan terhadap variabel respon (penyerapan tenaga kerja). Model regresi linear berganda yang terbentuk memenuhi keempat asumsi klasik sehingga model tersebut dapat dikatakan valid dan andal.

DAFTAR PUSTAKA

ANZARI, D. A. 2022. Pengaruh Produk Domestik Regional Bruto (PDRB), Jumlah Penduduk, Indeks Pembangunan Manusia (IPM), dan Upah Minimum Terhadap Penyerapan Tenaga Kerja di Provinsi Jawa Tengah Tahun 2010–2020. Skripsi. Universitas Islam Indonesia.

Mardiatmoko, G. 2020. Pentingnya uji asumsi klasik pada analisis regresi linier berganda (studi kasus penyusunan persamaan allometrik kenari muda [canarium indicum l.]). BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 14(3), 333-342.

Anggraeni, M. D. P. 2020. Pengaruh profitabilitas, likuiditas, dan leverage terhadap nilai perusahaan dengan kebijakan dividen sebagai variabel moderasi: Studi pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia tahun 2016-2018. Disertasi. Universitas Islam Negeri Maulana Malik Ibrahim.

Sriwahyuni, A. 2020. Pengaruh Pertumbuhan Ekonomi, Kemiskinan dan Pengangguran Terhadap Ketimpangan Pendapatan Di Provinsi Riau Tahun 2005-2019. Disertasi. Universitas Islam Riau.